CÂY QUYẾT ĐỊNH PHÂN BIỆT U THẦN KINH ĐỆM BẬC CAO, DI CĂN NÃO ĐƠN Ổ VÀ LYMPHO NÃO NGUYÊN PHÁT TRÊN CỘNG HƯỞNG TỪ ĐA THÔNG SỐ
Nội dung chính của bài viết
Tóm tắt
Mục tiêu: Xây dựng mô hình cây quyết định (decision tree) dựa trên cộng hưởng từ khuếch tán sức căng (diffusion tensor imaging - DTI), tưới máu (magnetic resonance perfusion - MRP) và phổ (magnetic resonance spectroscopy - MRS) để phân biệt u thần kinh đệm bậc cao (high-grade glioma - HGG), u di căn não đơn ổ (solitary brain metastasis - SBM) và u lympho não nguyên phát (primary central nervous system lymphoma - PCNSL). Phương pháp nghiên cứu: Nghiên cứu mô tả cắt ngang trên 64 bệnh nhân (BN) (23 PCNSL, 17 SBM, 24 HGG) được chụp cộng hưởng từ (CHT) trước phẫu thuật/sinh thiết tại Bệnh viện Hữu nghị Việt Đức từ tháng 8/2025 - 3/2026. Định lượng hệ số bất đẳng hướng (FA) và hệ số khuếch tán trung bình (MD), thể tích tưới máu tương đối (rCBV) và lưu lượng tưới máu tương đối (rCBF) và tỷ lệ Cho/NAA, Cho/Cr tại vùng u đặc (t) và quanh u (p). Xây dựng mô hình bằng thuật toán CART (classification and regression tree). Kết quả: Thuật toán CART sử dụng rCBVp, MDt và Cho/NAAp làm nút phân loại. Nhánh rCBVp > 1,043 có khả năng dự báo HGG cao (94,7%). Với nhánh rCBVp £ 1,043, ngưỡng MDt (0,785) và Cho/NAAp (0,726) giúp phân biệt SBM và PCNSL. Độ chính xác (AC) tổng thể của mô hình đạt 76,6% (PCNSL: 84,4%; HGG: 79,7%; SBM: 89,1%), với sai số kiểm định chéo là 35,9%. Kết luận: Mô hình CART tích hợp rCBVp, MDt và tỷ lệ Cho/NAAp là công cụ tiềm năng, có độ chính xác cao trong chẩn đoán phân biệt HGG, SBM và PCNSL.
Từ khóa
Cây quyết định, Thuật toán CART, Cộng hưởng từ đa thông số, U thần kinh đệm bậc cao, U di căn não đơn ổ, U lympho não nguyên phát
Chi tiết bài viết
Tài liệu tham khảo
2. Vallée R, Vallée JN, Guillevin C, et al. Machine learning decision tree models for multiclass classification of common malignant brain tumors using perfusion and spectroscopy MRI data. Frontiers in Oncology. 2023;13:1089998.
3. Panyaping T, Wimolsiri N, Sananmuang T. Diagnostic accuracy of differentiation between primary central nervous system lymphoma and high-grade glioma using dynamic susceptibility contrast perfusion curve analysis. Journal of The Medical Association Of Thailand. 2020;103(9):920-25.
4. Wang S, Kim S, Chawla S, et al. Differentiation between glioblastomas, solitary brain metastases, and primary cerebral lymphomas using diffusion tensor and dynamic susceptibility contrast-enhanced MR imaging. American Journal of Neuroradiology. 2011;32(3):507-14.
5. Liang R, Wang X, Li M, et al. Meta-analysis of peritumoural rCBV values derived from dynamic susceptibility contrast imaging in differentiating high-grade gliomas from intracranial metastases. International Journal of Clinical and Experimental Medicine. 2014;7(9):2724-9.
6. Würtemberger U, Rau A, Reisert M, et al. Microstructural differentiation of cerebral metastases, glioblastoma, meningioma, and primary CNS lymphoma using advanced diffusion imaging techniques. Neuro-Oncology Advances. 2025;7(1):vdaf076.
7. Neska-Matuszewska M, Bladowska J, Sąsiadek M, Zimny A. Differentiation of glioblastoma multiforme, metastases and primary central nervous system lymphomas using multiparametric perfusion and diffusion MR imaging of a tumor core and a peritumoral zone-searching for a practical approach. PLOS One. 2018;13(1):e0191341.
8. Song YY, Lu Y. Decision tree methods: applications for classification and prediction. Shanghai Archives of Psychiatry. 2015;27(2):130-5.