一个基于bpMRI的机器学习放射学模型,用于预测新诊断的前列腺癌患者的骨转移

科学领域:

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

背景情况:

• 骨转移 (BM) 是前列腺癌 (PCa) 管理的一个重要问题.
• 准确预测BM状态对于治疗计划和患者预后至关重要.
• 双参数磁共振成像 (bpMRI) 为评估PCa提供了一种非侵入性的方法.

研究的目的:

• 开发和验证一种机器学习放射学模型,使用bpMRI预测新诊断前列腺癌 (PCa) 患者的骨转移 (BM).
• 将开发的放射学模型的性能与已建立的机器学习算法和基准物流回归模型进行比较.
• 评估模型在内部和外部验证队列中的预测能力.

主要方法:

• 从两个机构的348名PCa患者的bpMRI扫描进行了回顾性分析.
• 从T2加权成像 (T2WI) 和扩散加权成像 (DWI) 瘤区域提取放射性特征.
• 开发和验证一个放射学预测模型,与后勤回归与拉索特征减少 (LFR-LRM),天真贝叶斯,随机森林 (RF) 和极端梯度增强 (XGBoost) 等相比.

主要成果:

• 极端梯度增强 (XGBoost) 模型实现了高性能,接收器运行特征曲线 (AUC) 下的面积为0.928 (内部) 和0.921 (外部验证).
• 与LFR-LRM (0.828内部,0.769外部) 相比,XGBoost模型显示出更高的精度 (0.884内部,0.876外部).
• 随机森林也表现出强的表现,在内部和外部验证队列中都超过了LFR-LRM.

结论:

• 机器学习模型XGBoost是一个非常准确的工具,用于预测新诊断的前列腺癌患者的骨转移.
• 对bpMRI数据的放射学分析具有重要的潜力,可以在PCa中非侵入性地评估骨转移的风险.
• 这些发现支持先进机器学习模型在改善PCa分期和治疗决策方面的临床实用性.