治疗反应预测使用基于核磁共振检测前Postand三角洲㏑adiomic特征和机器学习算法在结肠直肠癌( Treatment Response Prediction using MRI‐based Pre Postand Delta㏑adiomic Features and Machine Learning Algorithms in Colorectal Cancer )

SP Shayesteh M Nazari A Salahshour S Sandoughdaran H Zaidi

目的：评价基于MRI的治疗前、后和δ影像学特征预测局部晚期直肠癌(LARC)新辅助放化疗(nCRT)患者治疗反应的可行性。材料和方法：回顾性研究将53例LARC患者分为训练集（中心#1,n=36)和外部验证集（中心#2,n=17)。所有患者于NCRT前2周及后4周行T2加权(T2W)MRI检查。从T2W MRI分割的三维体中提取96个放射学特征，包括强度、形态学、二阶和高阶纹理特征。使用战斗算法对所有特征进行协调。采用最大相关性最小冗余度(MRMR)算法作为特征选择器，采用K-最近邻(KNN)、Nave Bayes(NB)、随机森林(RF)和极端梯度增强(XGB)算法作为分类器。根据受试者操作者特征(ROC)曲线(AUC)下面积、敏感性、特异性和准确性进行评估。结果：在单因素分析中，GLCM_IMC1、形状（表面积和体积）和GLSZM_GLNU的前、后和三角洲影像学特征的AUC最高分别为0.78、0.70和0.71。在多因素分析中，RF和KNN治疗前后的AUC最高（分别为0.85±0.04和0.81±0.14)。基于delta-radiomic的RF模型的AUC最高(0.96±0.01),其次是NB(0.96±0.04)。总体来说。Delta-放射组学模型在治疗前和治疗后的表现均优于治疗前和治疗后（P值<0.05)。结论：利用机器学习算法对T2W影像学特征进行多因素分析，可用于LARC患者行NCRT的疗效预测。我们还观察到，利用RF分类器对δ放射学特征进行多元分析可以作为LARC应答预测的强有力的生物标志物。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate