机器学习在自动检测脊索瘤特征、术后残留物以及颅底脊索瘤预后的应用

《npj Precision Oncology》：Machine learning in automatic detection of chordoma signature, postoperative residuals, and prognosis of skull base chordomas

　　

摘要

颅底脊索瘤是一种罕见的局部侵袭性肿瘤，在诊断和治疗方面仍存在挑战。我们开发了一种基于机器学习（ML）的放射组学模型，用于：(i) 区分脊索瘤与软骨肉瘤及颅底背景组织；(ii) 判断术后残留肿瘤与治疗相关变化；(iii) 预测2年无进展生存期（PFS）。在这项回顾性、双中心研究中，共有61名患者在1998年至2023年间接受了手术治疗。术前对比增强T1加权MRI图像经过预处理和分割；数据量增加了20%。所使用的ML模型包括嵌套交叉验证的XGBoost算法和4层标准前馈多层感知器（MLP）模型（Python，Keras框架）。主要和次要终点分别为诊断准确性和残留肿瘤与治疗相关变化的分类；探索性终点为2年PFS预测。XGBoost在区分脊索瘤与软骨肉瘤/颅底背景组织方面的诊断准确率为0.90（95%置信区间：0.84–0.96），在区分残留肿瘤与治疗相关变化方面的准确率为0.91（95%置信区间：0.85–0.96）；PFS预测的准确率为0.87（95%置信区间：0.74–0.98）。MLP模型的表现与之相当（诊断验证准确率为0.89；残留肿瘤分类准确率为0.90；PFS预测准确率为0.93）。据我们所知，这是首个针对小规模、异质性患者群体，同时解决术前组织学鉴别、术后残留肿瘤检测及短期PFS预测问题的双中心MRI基ML研究。这些结果为该模型作为术前评估、术后监测和风险分层的无创决策支持工具的临床应用提供了支持。