Łączenie analizy obrazów MRI i danych klinicznych do przewidywania powrotu napadów epilepsji u dzieci po całkowitym usunięciu guzów mózgu związanych z epilepsją
Integrating multisequence radiomics and clinical features to predict seizure recurrence after gross total resection of pediatric low-grade epilepsy-associated brain tumors
W skrócie
Badacze opracowali model, który łączy informacje z badań MRI mózgu i dane o pacjencie, aby przewidzieć, czy u dziecka po operacji usunięcia guza powrócą napady epilepsji. Model wykorzystujący dane z kilku rodzajów badań MRI osiągnął bardzo dobrą dokładność (89%) i okazał się bardziej przydatny, gdy uwzględniono informacje o tym, jak długo dziecko miało epilepsję przed operacją. Wyniki sugerują, że ten sposób mogłaby pomóc lekarzom w lepszym przewidywaniu wyników leczenia chirurgicznego u dzieci z tego typu guzami mózgu.
Oryginalny abstract (angielski)
OBJECTIVE: This study aimed to develop a predictive model integrating clinical features and multisequence MRI radiomics to forecast postoperative seizure outcomes in pediatric patients with low-grade epilepsy-associated tumors (LEATs) who underwent gross total resection (GTR). METHODS: In this study, we propose a novel radiomics-based approach to predict seizure recurrence. The model was further optimized by integrating clinical features, and its performance was compared with traditional radiomics models and deep learning-derived radiomics models. RESULTS: For traditional radiomics models, multi-sequence combination (Combined) outperformed single sequences, with XGBOOST achieving the highest AUC (0.889) and accuracy (0.816). Integrating preoperative epilepsy duration significantly improved model efficacy. CONCLUSION: The combined model of multimodal MRI radiomics and clinical features demonstrates potential for predicting postoperative seizure outcomes in pediatric LEAT patients after GTR.