TY -的A2 -林,Muh-Shi AU -潘,Zi-Qi盟——张Shu-Jun AU -王,Xiang-Lian AU -焦,庾信盟——秋,简简PY - 2020 DA - 2020/10/24 TI -机器学习基于Multiparametric和Multiregional Radiomics签名预测放射疗法的反应在胶质母细胞瘤患者SP - 1712604六世- 2020 AB - 背景和目的．虽然放疗已经成为癌症的主要治疗方法之一，但目前还没有一种非侵入性的方法来预测单个胶质母细胞瘤(GBM)患者术前的放疗反应。本研究的目的是开发和验证一种基于机器学习的放射组学签名，以预测GBM患者的放射治疗反应。 方法．对152例GBM患者的MRI图像、遗传资料和临床资料进行分析。来自TCIA数据集的122例患者(训练集: n ＝ 82 ;验证设置: n ＝ 40 )和30例当地医院的患者作为独立的测试数据集。从多参数MRI的多个区域提取放射组学特征。Kaplan-Meier生存分析用于验证影像学特征预测GBM患者术前放疗反应的能力。采用包括放射组学特征和术前临床危险因素在内的多因素Cox回归进一步提高预测GBM患者个体总生存期(OS)的能力，以列线图的形式呈现。 结果．放射组学签名是由八个选定的特征构建的。的 C - TCIA和独立检测队列的放射组学特征指数为0.703 ( P < 0.001 )及0.757 ( P ＝ 0.001 ),分别。多因素Cox回归分析证实放射组学特征(HR: 0.290， P < 0.001 )、年龄(HR: 1.023， P ＝ 0.01 )， KPS (HR: 0.968， P < 0.001 )是GBM患者术前OS的独立危险因素。当放射组学特征与术前临床危险因素相结合时，放射组学nomogram预测OS的能力得到了进一步提高( C 量 指数 ＝ 0.764 TCIA组为0.758，测试组为0.758)。 结论．这项研究开发了一个放射组学特征，可以预测单个GBM患者对放疗的反应，并可能成为精确GBM放疗的一个新的补充。SN - 0953-4180 UR - https://doi.org/10.1155/2020/1712604 DO - 10.1155/2020/1712604 JF -行为神经学PB - Hindawi KW - ER -