儿童髓母细胞瘤的MRI影像基因组学：一项多中心研究

• 作者: 陈康（译） 卢红（校）
• 来源期刊: 国际医学放射学杂志
• 年，卷（期）: 2023,（5）
• 所属期刊栏目: 国际期刊连线
• 页码范围: 608
• 页数: 1页
• 语种: 中文
• DOI: 10.19300/j.2022.r0809

摘要

儿童髓母细胞瘤（MB）的影像基因组学为髓母细胞瘤风险分层提供了机会，这可能有助于治疗决策、家庭咨询和选择适合进行靶向遗传分析的病人群体。目的 开发机器学习策略，以识别4个具有临床意义的髓母细胞瘤分子亚型。资料与方法 本研究回顾性收集1997年7月—2020年5月在12个国际儿童医院的MRI检查中发现并新诊断为髓母细胞瘤的患儿。从术前MRI T2平扫和T1增强扫描中提取了1 800个特征，通过设计的一个两阶段序列分类器，首先识别非WNT激活和非SHH激活髓母细胞瘤，然后区分治疗相关的WNT激活和SHH激活髓母细胞瘤。此外，还开发了一个分类器来区分高风险组3和组4型髓母细胞瘤。进行了一项独立的二元亚组分析以揭示婴儿和儿童SHH激活亚组独特的影像学特征。从6个候选分类器中选择性能最好的模型，并在测试集上测量性能。通过对2 000个随机样本的测试集进行自助法（bootstrapping算法）得到CI。使用Wald检验将模型准确性分数与无信息率进行比较。结果 研究队列包括263例患儿[诊断时平均年龄为（87±60）个月；166例男孩]。两阶段分类器的性能优于单阶段多类分类器。对于WNT激活组，组合序列分类器的平均F1分数为88%，二进制F1分数为95%。组3和组4分类器在受试者操作特征曲线下面积为98%。在影像生物标志物标准化的特征中，纹理特征和一阶强度特征在分子亚组中最具贡献。结论 基于MRI的机器学习可以识别4种临床相关的儿童髓母细胞瘤分子亚型。