[18F]FDG PET-TC放射学和机器学习在评估前列腺意外吸收时的作用

科学领域:

• 核医学就是核医学.
• 放射学 放射学是一门学科.
• 在瘤学瘤学.

背景情况:

• 在PET/CT扫描上偶然的前列腺[18F]FDG吸收 (IPU) 需要准确的表征.
• 在IPU中,将前列腺癌 (PCa) 与良性发现区分开来是临床上重要的.

研究的目的:

• 评估偶发性前列腺[18F]FDG吸收 (IPU) 的诊断价值.
• 探索放射学和机器学习 (ML) 来预测PCa及其从IPU的等级.

主要方法:

• 从两个机构 (2015-2021) 来用IPU进行[18F]FDG PET/CT扫描的回顾性分析.
• 根据活检结果将患者分为PCa和非PCa组.
• 进行了临床数据,PET/CT成像特征和放射性分析.
• 开发了五种ML模型来区分PCa与非PCaIPU,并预测ISUP等级.

主要成果:

• 31名活检患者中有18名患有PCa.
• 前列腺特异性抗原 (PSA) 和放射性特征 (CT和PET) 在PCa和非PCa组之间显著不同.
• 基于CT的ML模型显示出良好的性能 (NPV 0.733-0.867).
• 从PET衍生的随机森林模型显示PCa检测的高NPV (0.933).
• 放射学没有准确地预测ISUP等级.

结论:

• 放射性分析,特别是与PSA相结合时,显示了区分PCa与非PCaIPU的潜力.
• 机器学习模型可以有效地识别非PCa IPU,从而可能避免进一步的侵入性程序.