优化和验证基于18F-DCFPyL PET放射学的机器学习模型,用于中高风险初级前列腺癌中的中高风险初级前列腺癌

科学领域:

• 核医学是一种核医学.
• 在瘤学瘤学.
• 无线电学 (Radiomics) 是一种辐射学.
• 机器学习 机器学习

背景情况:

• 来自前列腺特异性膜抗原 (PSMA) -PET的放射学,结合机器学习 (ML),为预测前列腺癌 (PCa) 风险提供了潜力.
• 之前的研究提出了这样的方法,但缺乏可靠的验证,需要进一步调查.
• 18F-DCFPyL-PET放射学对预测初级PCa疾病特征具有前景.

研究的目的:

• 使用18F-DCFPyL-PET放射学优化和验证ML模型.
• 在初级PCa患者中预测淋巴结参与 (LNI),囊外延伸 (ECE) 和术后格里森评分 (GS).
• 评估这些预测模型的概括性.

主要方法:

• 中高风险PCa患者在手术前接受了18F-DCFPyL-PET/CT.
• 从PSMA-avid病变中提取了放射学特征,并使用交叉验证优化了ML模型.
• 模型性能在使用AUC的独立验证数据集上进行了评估,对外部数据应用了战斗协调.

主要成果:

• 在训练中,ML模型在LNI,ECE和GS预测方面取得了高性能 (AUC为0.88,0.79,0.84).
• 在验证中,模型显著预测了GS (AUC0.78),但没有LNI或ECE (AUC0.57,0.63).
• 传统的PET指标显示了与放射学-ML模型相比的可比或较低的性能.

结论:

• 基于18F-DCFPyL-PET放射学的ML模型可以预测PCa的高术后格里森得分,但不能预测LNI或ECE.
• 这些模型用于预测LNI和ECE的临床实用性,根据目前的验证,似乎是有限的.
• 外部和多中心验证对于确认PET放射学-ML模型的通用性和临床适用性至关重要.