基于MRI放射学的机器学习模型用于基67表达和前列腺癌中的格里森等级组预测

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 基67指数和格里森等级组 (GGG) 是前列腺癌 (PCa) 的关键预后指标.
• 准确预测这些指数对于有效的PCa管理和治疗规划至关重要.
• 目前的方法可能具有侵入性或缺乏早期诊断所需的精度.

研究的目的:

• 评估基于放射学的机器学习 (ML) 模型的双参数磁共振成像 (bpMRI) 在预测PCa中的Ki67指数和GGG中的有效性.
• 确定表现最好的ML算法和成像序列,用于预测这些预后指标.
• 评估一种非侵入性诊断方法的潜力,以区分PCa的攻击性.

主要方法:

• 对122名患有病理确认的PCa患者进行了回顾性分析,这些患者接受了手术前的MRI.
• 从T2加权成像 (T2WI),扩散加权成像 (DWI) 和明显扩散系数 (ADC) 地图中提取放射学特征.
• 使用递归特征消除和ROC分析开发和评估ML模型 (逻辑回归,SVM,随机森林,KNN).

主要成果:

• 预测Ki67表达的最佳模型是使用ADC + T2 (LR_ADC + T2) 的逻辑回归,AUC为0.8882.
• 预测GGG的最佳模型是使用DWI + T2 (SVM_DWI + T2) 的支持向量机,其AUC为0.9248.
• 在Ki67和GGG之间发现了弱正相关性 (r = 0.382);LR_ADC + DWI模型显示了最高的联合诊断准确性 (0.6230).

结论:

• 使用bpMRI放射学的机器学习模型在预测前列腺癌中的Ki67表达和GGG方面都是有效的.
• 这些模型提供了一种非侵入性,可重复性和准确的方法来识别惰性或侵入性PCa.
• 这些发现支持基于放射学的ML的临床实用性,用于增强PCa预后和患者分层.