加拿大多伦多医学影像中心的Farzad Khalvati团队的研究集中在使用影像组学和机器学习技术来预测BRAF状态，提供了一种非侵入性的替代方案。方法依赖于大型内、外部数据集，并结合了临床因素以提高预测的准确性。该团队还引入了一种新颖的阈值方法，使模型能够在信度足够时提供预测，并在不确定时放弃预测。这种方法不仅提高了模型的准确性，而且增加了其在临床设置中的实用性。通过这项研究，作者团队揭示了影像组学和机器学习在预测pLGG患者的BRAF状态方面的潜力，文章发表在2023年10月的《Eur Radiol》。

——摘自文章章节

儿童低级别胶质瘤是一类多样化的脑部肿瘤，具有多种不同的组织病理学类型。尽管总生存率较高，但由于肿瘤的进展或复发，许多患者仍然需要接受辅助治疗。最近的研究发现，BRAF基因的改变与pLGG的预后有关，这推动了针对这些特定分子改变靶向治疗的发展。然而，确定患者的BRAF状态通常需要通过活检，这是一种具有固有风险的侵入性操作。为了解决这个问题，加拿大多伦多医学影像中心的Farzad Khalvati团队的研究集中在使用影像组学和机器学习技术来预测BRAF状态，提供了一种非侵入性的替代方案。方法依赖于大型内、外部数据集，并结合了临床因素以提高预测的准确性。该团队还引入了一种新颖的阈值方法，使模型能够在信度足够时提供预测，并在不确定时放弃预测。这种方法不仅提高了模型的准确性，而且增加了其在临床设置中的实用性。通过这项研究，作者团队揭示了影像组学和机器学习在预测pLGG患者的BRAF状态方面的潜力，文章发表在2023年10月的《Eur Radiol》。

研究在两个机构进行，分别位于加拿大的多伦多和美国的帕洛阿尔托，得到了两个机构的伦理审查委员会的批准，是一项回顾性研究。研究团队通过数据转移协议实现了数据共享，并从两个机构的电子健康记录数据库中识别了1999年至2018年间的患者。纳入研究的标准包括：年龄低于18岁，有BRAF状态的分子信息，已识别出BRAF融合或突变，并且有术前脑部MR影像资料。脊髓肿瘤被排除在研究之外，最终共有253名患者被纳入研究。分子分析主要基于一种分层方法进行，首先使用免疫组化（IHC）检测BRAF突变，然后使用FISH或Nanostring来确定BRAF融合。如果样本数量和质量允许，那些对前述测试呈阴性的样本将使用其他测序策略进行测试。MR成像获取、数据检索、图像分割和放射组学特征提取是在不同的MRI扫描仪上进行的。机器学习模型包括仅使用临床特征、仅使用放射组学特征以及综合两者的模型，并通过交叉验证来评估这些模型的性能。研究还考虑了两个数据集之间的分布差异，并将其混合以创建一个综合数据集，用于嵌套交叉验证。使用了两种不同的阈值方法来将模型输出转换为类别预测，同时还使用了一个名为nomogram的可视化工具来展示线性回归模型的结果，以便于临床转化。

该研究使用了内部和外部数据集结合的随机森林模型，这些模型单独基于放射组学特征和临床特征进行了训练，并结合了这两种模型的集成模型。在这些评价指标中，集成模型在除了一个指标之外的所有指标上表现最好。临床模型和集成模型在灵敏度上相似。在其他四个性能指标上，集成模型优于其他模型；值得注意的是，这些置信区间没有重叠。例如，集成模型的平均AUC为0.925（95%CI：0.916，0.932），而放射组学模型的平均AUC为0.863（95%CI：0.852，0.874），临床模型的平均AUC为0.889（95%CI：0.881，0.898）。

使用L1正则化训练了线性模型，该模型基于内部和外部数据集的组合。有两个二元位置变量：颞叶和小脑，以及三个放射组学特征：平坦度、表面积与体积比和依赖非均匀性标准化。两种阈值方法都包含在Nomogram中。线性模型的平均AUC为0.916（95%CI：0.908，0.924）。单一阈值方法在所有患者中产生了84.5%的平均准确度（95%CI：83.7%，85.2%），而双重阈值方法在80.7%的患者中产生了92.2%的平均准确度（95%CI：91.4%, 93.0%）。本研究通过综合利用影像组学特征和临床特征，运用随机森林和线性模型对儿童低级别胶质瘤患者的BRAF状态进行了预测。结果显示，集成模型在大多数性能评价指标上超越了单独使用影像组学或临床特征的模型。线性模型虽然结构简单，但也展现出了较高的预测准确性。双重阈值方法在一个相对较大比例的患者群体中提供了高准确度的预测，展示了其在临床实践中的潜在应用价值。

总而言之，在这项研究中，通过设计了一个基于影像学和临床特征结合的流程，用于区分儿童低级别胶质瘤中的BRAF状态，并使用两个机构的数据集评估了该流程的性能。通过开发诺模图以支持将预测模型转化应用于临床环境。未来需要更大且更复杂的外部数据集来提高该模型的诊断准确性并进一步完成其他更多分子标记物的预测。