髓母细胞瘤(MB)是一种高度异质性的儿童中枢神经系统恶性肿瘤，预后不一，不同危险程度的患者需要不同的治疗方法。然而，目前推荐的预后风险分层因素是基于手术或活检等侵入性手术。这些方法有明显的局限性和缺点。

磁共振成像(MRI)是一种操作方便、无创、易获取的诊断方法。放射组学在预测恶性肿瘤预后方面具有很大的潜力。一些关于肿瘤生存分析的研究报道了一些纹理特征，如均匀性和熵，可以用于患者风险分层。然而，使用少量或单一成像特征存在局限性，多特征标记物组合被认为更为合理。目前关于髓母细胞瘤多特征标志物放射组学特征的报道很少。

近日，发表在European Radiology杂志的一项研究开发了包含放射组学特征和临床特征的动态图进行髓母细胞瘤(MB)患者的总生存期(OS)评估，并设计自动图像分割模型以减少人工和时间成本。

本项研究收集了近4年来217例髓母细胞瘤(MB)患者的数据，分为训练集和测试集。采用类内相关系数(ICC)、随机生存森林(RSF)、最小绝对收缩和选择算子(LASSO)回归方法对训练集进行变量选择。采用单因素和多因素Cox比例风险模型以及Kaplan-Meier分析来确定放射组学特征、临床特征和总生存率之间的关系。开发了一种动态图。此外，使用3D-Unet深度学习模型训练自动肿瘤描绘模型。

在训练集和验证集中，较高的RAD得分与较差的OS显著相关(p < 0.001和p = 0.047)。Cox模型结合临床和放射组学特征([IBS = 0.079]， [C-index = 0.747, SE = 0.045])优于单独使用放射组学特征([IBS = 0.081]， [C-index = 0.738, SE = 0.041])或单独使用临床特征([IBS = 0.085]， [C-index = 0.565, SE = 0.041])。该分割模型在训练集、验证集和测试集的平均Dice系数分别为0.80、0.82和0.78。建立了基于深度学习的肿瘤分割模型，训练集、验证集和测试集的Dice系数分别为0.8372、0.8017和0.7673。

图 森林图的单因素分析和多因素分析

本项研究表明，放射组学特征与临床特征相结合可提高髓母细胞瘤患者OS预测的准确性。此外，建立MRI图像自动分割模型可以减少人工和时间成本。

原文出处：

Lili Zhou,Qiang Ji,Hong Peng,et al.Automatic image segmentation and online survival prediction model of medulloblastoma based on machine learning.DOI:10.1007/s00330-023-10316-9

Tags： European Radiology：基于机器学习的髓母细胞瘤图像自动分割及在线生存预测模型