利用机器学习鉴别胶质母细胞瘤标准化治疗后真假性进展的研究

目的:探讨基于T1加权增强成像(T1CE)的机器学习模型在鉴别胶质母细胞瘤(GBM)患者标准化治疗后真假性进展的诊断效能。方法:回顾性分析了我院2014年5月至2017年2月间经手术病理证实的77例胶质母细胞瘤患者,所有患者均行标准化治疗。利用ITK-SNAP软件划取全部强化部分为感兴趣区(VOI),应用A. K.软件提取9675个特征。此外,采集的临床信息包括:性别、年龄、KPS评分、切除范围、神经功能缺损和平均放疗剂量。利用随机森林分类器(RF)建立分类模型,以鉴别GBM标准化治疗后的真假性进展。通过计算受试者工作特征(ROC)的曲线下面积(AUC)、敏感度、特异度和准确性评估模型的诊断效能。结果:真性进展51例,假性进展26例。真假性进展患者的临床基线特征均无显著统计学差异。基于影像组学特征的机器学习模型诊断效能相对较高,AUC值、准确性、敏感度和特异度分别为0. 79(95%CI:0. 63-0. 98)、72. 78%、78.36%和61. 33%。结论:基于T1CE增强图像特征建立的机器学习模型对GBM标准化治疗后真假性进展的鉴别效能相对较高,有助于临床医生尽早制定适当的治疗方案。

Application of machine-learning to differentiate true progression from pseudoprogression in GBM patients after standard treatment