前立腺がんの診断における放射性分析と異なる機械学習モデルの役割

科学分野:

• 医療用イメージング
• 腫瘍学
• 人工知能

背景:

• 前立腺がん (PCa) は男性で最も一般的ながんであり,効果的な治療のために正確な分類が必要である.
• 機械学習 (ML) と組み合わせたバイパラメトリック磁気共鳴画像 (bpMRI) は,PCaの診断と予後を改善する可能性を示している.

研究 の 目的:

• 7つのMLモデルの診断効率を評価し,PCaのグレードを区別する.
• T2重量 (T2W) と拡散重量 (DWI) のMRIおよび前立腺特異性抗原 (PSA) 値からの放射性特征を含む入力変数のモデルの性能への影響を評価する.

主な方法:

• 合計で214人の男性をBPMRIで検査した.
• T2WとDWIの配列から放射性特徴が抽出されました.
• 7つのMLアルゴリズムは,PSAインデックスを含め,含めずに,これらの機能を使用して訓練され,テストされ,受信機の動作特性曲線解析によって評価されました.

主要な成果:

• T2WとDWIの放射性特徴のみを使用したMLモデルは,限られた臨床有用性 (AUC 0. 7030. 807) を示した.
• PSAインデックスを組み込むことで,すべてのグレードと場所でのモデルの性能が大幅に改善されました (AUC 0.7841.00).
• モデルの性能は,使用される入力パラメータに大きく依存していた.

結論:

• MLとbpMRI放射学は,前立腺がんの差分診断の問題の解決に役立ちます.
• PCa格付けにおけるMLモデルの効率を最適化するために,PSAインデックスを含めることは極めて重要です.
• 分析方法のさらなる最適化は臨床応用に不可欠である.