集成放射组学和机器学习方法用于预测结直肠肝转移中的RAS突变状态

《La radiologia medica》：Integrated radiomics and machine learning approach for ras mutation status prediction in colorectal liver metastases

非侵入性预测结直肠癌肝转移RAS突变状态的影像组学研究。通过CT和MRI提取 Radiomic 特征，结合机器学习模型（LASSO、随机森林、GBM等），发现GBM模型AUC达0.998，九个跨模态特征稳定排名前20。研究证实多参数影像组学结合集成学习在分子分型中有潜力，但需扩大样本验证。

　　

摘要

背景

RAS突变状态是结直肠肝转移（CRLM）中的一个关键预后生物标志物，传统上是通过组织活检来评估的。本研究评估了从CT和MRI中提取的放射组学特征利用机器学习算法进行非侵入性预测RAS突变的潜力。

方法

本研究分析了77个已知RAS突变状态的CRLM转移灶（平均大小34.9毫米；范围17–56毫米）。放射组学特征是从肝胆期MRI和门静脉期CT中提取的。在去除高度相关的特征（Pearson |r| > 0.7）并应用z分数标准化后，使用LASSO逻辑回归和重复十折交叉验证进行特征选择。共识别出41个预测特征。数据集被分为训练集（70%）和测试集（30%），确保每位患者的所有病灶仅被分配到训练集或测试集中。为了解决训练数据中的类别不平衡问题，仅在训练集上应用了随机过采样示例（ROSE）算法。训练并评估了六种分类模型（逐步逻辑回归、LASSO、随机森林、GBM、神经网络和CART），使用ROC/AUC和其他诊断指标进行评估。DeLong检验用于比较各模型的AUC。

结果

来自MRI的特征，特别是从小波变换后的gldm和一阶矩阵中提取的特征，表现出很强的预测能力，其中一些特征的AUC超过0.75。梯度提升机（GBM）的表现优于所有其他模型，其AUC为0.998，准确率为95.6%。随机森林和CART也表现出较高的区分能力（AUC分别为0.990和0.914）。有9个特征在所有模型中始终位列前20名预测因子之中，表明这些是稳健的、与成像模式无关的生物标志物。DeLong检验确认了GBM和逻辑回归模型之间的AUC存在统计学上的显著差异（p < 0.05）。

结论

这项初步研究的结果表明，结合CT和MRI模式的放射组学分析，特别是通过集成机器学习方法处理后，具有准确预测CRLM中RAS突变状态的潜力。尽管这些发现很有前景，但鉴于研究的局限性（包括患者样本量小和设计特点），应谨慎解读。这些因素强调了需要在更大规模的多中心队列中进行前瞻性验证，以确认模型的普遍性。尽管如此，这些初步结果支持将多参数放射组学作为术前分子分层的潜在非侵入性工具。