İltihablı qlıoblastoma üçün uzunmüddətli MRT-dan istifadə edərək terapiya cavabını proqnoz edən yüksək səviyyəli maşın öyrənmə strategiyaları

Glioblastoma (GB) ən aqressiv birincil beyin tümörüdür və bu xəstəliklərin təkrarlanma nisbəti yüksəkdir. Pseudoresponsiya və pseudoprogressiya kimi hadisələr səbəbindən erkən müalicə reaksiyasının qiymətləndirilməsi çətinlik çəkir. Bu tədqiqat, müalicədən əvvəl və zamanı əldə edilmiş, klinikadan əvvəlki GL261 glioblastoma siçan modelidən alınan uzun uzun T2 çəkili maqnit rezonansa görüntü (MRI) məlumatları istifadə edərək uzunmüddətli müalicə nəticələrinin proqnozlaşdırılması üçün inkişaf etmiş maşın öyrənmə (ML) strategiyalarının potensialını araşdırır. İki fərqli yanaşma ilə müqayisə edirik: XGBoost təsnifatçısı ilə birlikdə radiomik xüsusiyyətlərə əsaslanan klassik bir boru xətt və incə uyğunlaşdırılmış EfficientNetB0 modelindən istifadə edən dərin öyrənmə (DL) boru xətt. Nəticələrimiz göstərir ki, radiomika yanaşması şərh edilə bilən görüntü biomarkerlərini müəyyənləşdirsə də və yaxşı proqnozlaşdırıcı performans əldə etsə də (AUC ≈ 0,770, 95% CI 0,7030,832), DL əsaslı model qiymətləndirmə ölçülərinin əksəriyyətində onu üstün tutaraq 0,868 AUC (95% CI 0,810 0,918) və 0,818 həssaslığa çatdırır. DL modeli fərdi mövzular arasında daha yaxşı ümumiləşdirmə göstərir və hər iki yanaşma üçün izləmə dövründə ayrı-seçkilik göstəriciləri tədricən yaxşılaşır. Grad-CAM vasitəsilə təfsir edilmə qabiliyyətinin təhlili DL modelinin proqnozlarının anatomiya baxımından müvafiq xüsusiyyətlərə əsaslandığını təsdiqləyir. Bu tapıntılar göstərir ki, DL, transfer öyrənmə ilə gücləndirilmiş, glioblastomada müalicə effektivliyinin erkən proqnozlaşdırılması üçün güclü qeyri-invaziv vasitə kimi xidmət etmək potensialına malikdir.

Müəlliflər, bütün MRI təcrübələrinin NANBIOSIS-in 25-ci hissəsi (Cerdanyola del Vallès, İspaniya) daxilində aparıldığı "Barselona Avtonoma Universitetinin" birgə klinikadan əvvəlki MRI qurumuna və "Center de Investigación Biomédica en Red-Bioingeniería, Biomateriales y Nanomedicina" (CIBER-BBN) -a təşəkkür edirlər.

Bu iş MICIU/AEI/10.13039/501100011033/ (PID2023-147750NB-I00 A.P.C.) və MICIU/AEI/10.13039/501100011033/FEDER (PID2022-143299OB-I00 A.V.), Generalitat de Catalunya (2021 SGR 0135) və Instituto de Salud Carlos III (CIBER-BBN qrupu CB06-01-0010) tərəfindən maliyyələşdirildi.

İspaniyanın Barselona şəhərindəki Kataloniyanın Politeknika Universitetinin (UPC) Kompüter Elmləri kafedrası

Biokimya və Molekulyar Biologiya kafedrası, Universitat Autònoma de Barcelona (UAB), Cerdanyola del Vallès, Barselona, İspaniya

Centro de Investigación Biomédica en Red en Bioingeniería, Biomateriales y Nanomedicina (CIBER- BBN), Instituto de Salud Carlos III, Madrid, İspaniya