相关实验视频
Updated: Jul 14, 2025
09:11
Use of MRI-ultrasound Fusion to Achieve Targeted Prostate Biopsy
Published on: April 9, 2019
21.6K
基于放射学的机器学习功能将B模式的横直肠超声波和对比增强超声波进行理,以改善外围区域前列腺癌检测
Ya Sun1, Jingyang Fang1, Yanping Shi1
1Department of Ultrasound, Aerospace Center Hospital, 15 Yuquan Road, Haidian District, Beijing, China.
Abdominal radiology (New York)
|October 5, 2023
概括
机器学习模型将B模式和对比增强超声波 (CEUS) 放射学与风险因素相结合,有望改善前列腺癌 (PCa) 在外围区域 (PZ) 的检测. 组合模型实现了最高的预测效率,帮助临床决策.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 机器学习 机器学习
背景情况:
- 在外围区域 (PZ) 检测前列腺癌 (PCa) 仍然具有挑战性.
- 传统的横直肠超声波 (B模式) 和对比度增强超声波 (CEUS) 提供互补的成像信息.
研究的目的:
- 开发和评估机器学习模型,将B模式和CEUS放射学特征与临床风险因素相结合,以在PZ中增强PCa检测.
主要方法:
- 一项前性研究包括166名接受B模式和CEUS的男性. 从B模式和CEUS图像中提取了放射学特征.
- 收集了临床风险因素 (年龄,PSA,PSAD) 和CEUS参数 (IMAX,RT,TTP,MTT) 的数据. 多变量逻辑回归被用来构建预测模型.
主要成果:
- 开发了五种模型:B模式辐射学,CEUS辐射学,B-CEUS联合辐射学,风险因素和联合风险因素-辐射学模型.
- 年龄,PSAD,tPSA和RT是重要的预测因素. 结合放射学和风险因素的组合模型实现了最高的预测效率 (AUC,0.89).
结论:
- 结合B模式和CEUS放射学特征以及风险因素的预测模型是PCa在PZ检测的一个有希望的工具.
- 这种方法可以显著促进改善前列腺癌诊断的临床决策.
