Cancers· 2026Q1
Tekrarlayan GBM'de Tedavi Sonuç Tahmini İçin PET|MR Açık Kaynak Radyomik Modelleri
PET|MR Open Source Radiomics Models for Treatment Outcome Prediction in Recurrent GBM
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Tekrarlayan Glioblastoma (GBM) hastalarında tedavi sonuçlarını (İlerleme Süresi, Genel Sağkalım, Akut Nüks) doğru bir şekilde tahmin eden açık kaynak PET|MR radyomik modelleri, %82 duyarlılık ve %75 özgüllük ile kötü yanıt verenleri belirlemektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- 185 tekrarlayan GBM hastasından oluşan prospektif bir kohort üzerinde açık kaynak PET|MR radyomik modelleri geliştirilmiş ve doğrulanmıştır.
- PET ve MR ile tanımlanan tümör hacimlerinin kesişimi olan MR∩PET hacmi, en öngörücü modelleri ortaya çıkarmıştır.
- Modeller, Genel Sağkalımı (OS) p < 0.0001 ile ve Akut Nüksü (AR) doğrulama (validation) AUC 0.81 ve test AUC 0.63 ile başarılı bir şekilde tahmin etmiştir.
- Kombine bir model, kötü yanıt verenleri %82 duyarlılık ve %75 özgüllük ile belirlemiştir.
- nnUNet, MR dizilerinden MR∩PET tahmini için 0.87 ± 0.12 Dice Benzerlik Katsayısı elde etmiştir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Background/Objectives: Glioblastoma (GBM) is a hard-to-treat cancer with a 5-year survival rate of 5.7% without significant improvement in the past decades. Personalised strategies based on improved tumour characterisation and treatment-outcome prediction could support treatment adaptation and improve therapeutic efficacy. Magnetic Resonance (MR) is the standard imaging modality for GBM radiotherapy (RT) planning. Positron Emission Tomography (PET) with O-(2)-[^18F]fluoroethyl-L-tyrosine (FET) is recommended for distinguishing recurrence from pseudo-progression. However, evidence on PET|MR complementarity for predicting treatment outcome in recurrent GBM remains limited. Methods: We evaluated FET-PET|MR biomarkers to predict Time-To-Progression (TTP), Overall Survival (OS) and Acute Recurrence (AR) in a prospective cohort of 185 recurrent GBM patients from 15 institutions. T1-weighted contrast-enhanced, Fluid-Attenuation Inversion-Recovery, Apparent-Diffusion-Coefficient maps and FET-PET images were analysed. Gross- and Planning-Target Volumes (GTV/PTV) were manually delineated and the intersection of PET|MR-GTVs was defined as MR∩PET. Radiomics models were developed (5-fold cross-validation) and evaluated in a held-out test set. Additionally, nnUNet was used to predict MR∩PET from MR sequences. Results: MR∩PET volume yielded the highest number of statistically significant models, 15 versus 6 for PET|MR-GTVs and 0 for PET|MR-PTVs. Of these 21 models, 19 required the inclusion of PET imaging. The best-performing models discriminated between short and long OS, with p < 0.0001 in validation and test, and predicted AR, with ROC-AUC(validation) = 0.81 and AUC(test) = 0.63. By combining both models, poor responders (short OS and/or AR) were identified with Sensitivity = 82% and Specificity = 75%. MR-based prediction of MR∩PET showed a Dice Similarity Coefficient (test) = 0.87 ± 0.12. Conclusions: The PET|MR radiomic models derived from our multicentre prospective cohort support the identification of recurrent GBM patients with poor RT outcomes, potentially enabling future personalised strategies for treatment improvement.
Yazarların özeti; kaynağından alınmıştır. Cancers, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Genetik (Tıp)
GeneticsMedicine