一个基于明显扩散系数的机器学习模型可以改善前列腺癌检测在前列腺成像报告和数据系统的灰色区域:第三类:单中心体验

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 医疗成像医学成像

背景情况:

• 前列腺成像和报告数据系统 (PI-RADS) 对于前列腺癌 (PCa) 管理至关重要.
• PI-RADS 3病变带来了诊断挑战,往往会推迟PCa诊断,直到活检.
• 多参数磁共振成像 (mpMRI) 放射学提供了一个潜在的非侵入性诊断工具.

研究的目的:

• 开发和验证基于mpMRI的放射性模型,用于诊断PI-RADS 3病变中的PCa.
• 为了提高对不确定的PI-RADS 3结果的解释.
• 向图像驱动的PCa诊断途径迈进.

主要方法:

• 分析了一组133名患有155个PI-RADS 3病变的患者.
• 从表面扩散系数 (ADC) 地图中提取了放射性特征.
• 使用LASSO,Wilcoxon等级总和测试和支持矢量机器 (SVM) 的特征选择.
• 一个SVM分类器在使用线性和多项式内核的持久子集上进行了训练和外部验证.

主要成果:

• 放射性模型在测试组件上取得了高性能.
• 对于线性和多项式内核,特异性为76%,灵敏度为78%,正预测值为80%,负预测值为74%.
• 该模型表现出比标准放射科医生解释的显著改进.

结论:

• 基于mpMRI的放射性分析是PI-RADS 3病变中PCa诊断的一个有希望的非侵入性工具.
• 这种方法可以帮助临床医生管理PI-RADS 3发现,可能减少诊断延迟.
• 开发的模型支持图像驱动的前列腺癌诊断的进步.