相关实验视频
Updated: Jul 11, 2026
09:11
Use of MRI-ultrasound Fusion to Achieve Targeted Prostate Biopsy
Published on: April 9, 2019
21.5K
病理特征和基于MRI的多参数放射学与TP53-突变前列腺癌的关联
Ruchuan Chen1,2,3, Bingni Zhou2,3, Wei Liu2,3
1Shanghai Institute of Medical imaging, Shanghai, China.
Journal of magnetic resonance imaging : JMRI
|December 28, 2023
概括
通过将MRI放射学和临床病理学特征结合起来,改善了前列腺癌 (PCa) 中TP53突变分类. 机器学习模型,特别是随机森林和支持矢量机,在预测TP53突变状态方面表现出很高的准确性.
科学领域:
- 放射学和瘤学 放射学和瘤学
- 医疗成像医学成像
- 计算病理学计算病理学
背景情况:
- TP53基因突变是前列腺癌 (PCa) 预后和治疗反应的关键生物标志物.
- 准确分类TP53突变状态对于个性化PCa管理至关重要.
研究的目的:
- 开发和验证机器学习模型,用于PCa中的TP53突变的分类.
- 调查MRI衍生的放射学和临床病理特征对这一分类任务的有用性.
主要方法:
- 这是一项追溯性研究,涉及来自两个中心的388名PCa患者.
- 提取的特征包括MRI中的428个放射性特征 (T2加权,DCE,DWI) 和5个临床病理特征.
- 模型是使用后勤回归,支持向量机和随机森林分类器构建的,通过LASSO和后勤回归选择特征.
主要成果:
- 在内部验证中,随机森林放射学模型的AUC达到0.74.
- 结合的临床病理学-放射学模型,特别是随机森林 (AUC=0.84) 和SVM (AUC=0.80),显著超过仅放射学模型.
- 外部验证证实了 RF (AUC=0.83) 和 SVM (AUC=0.82) 组合模型的高性能.
结论:
- 结合临床病理学和放射学特征,用随机森林和支持矢量机进行分析,有效地对前列腺癌中的TP53突变进行分类.
- 这些模型提供了一种非侵入性的方法来评估TP53突变状态,有助于PCa治疗策略.
