在初级前列腺癌诊断中F-DCFPyL PET/CT的性能,格里森分级和D'Amico分类:基于放射学的研究
Yuekai Li1, Fengcai Li2, Shaoli Han3
1Department of Nuclear Medicine, Qilu Hospital of Shandong University, No. 107, Cultural West Road, Jinan, 250012 China.
Phenomics (Cham, Switzerland)
|January 15, 2024
概括
使用18F-DCFPyL PET/CT放射学的机器学习模型可以在没有活检的情况下预测前列腺癌恶性和风险. 这种非侵入性方法有助于为前列腺癌患者做出个性化治疗决策.
科学领域:
- 核医学是一种核医学.
- 无线电学 (Radiomics) 是一种辐射学.
- 机器学习在瘤学中
背景情况:
- 准确的前列腺癌分级和分期对于治疗决策至关重要.
- 像活检这样的传统方法可能是侵入性的,可能无法捕捉瘤异质性.
- F-DCFPyL PET/CT为前列腺癌评估提供了详细的成像.
研究的目的:
- 评估基于F-DCFPyL PET/CT放射学的机器学习模型.
- 预测恶性瘤,高病理等级 (格莱森评分>7) 和临床风险 (达米科分类).
- 评估非侵入性虚拟活检在前列腺癌管理中的潜力.
主要方法:
- 包括138名以前未接受过治疗的前列腺癌患者,F-DCFPyL扫描结果呈阳性.
- 使用五种对接方法划分初级病变和提取放射性特征.
- 应用三层机器学习模型来识别预测特征和患者特征.
主要成果:
- 开发了恶性瘤 (Mm),高格里森得分 (Mgs) 和高D'Amico风险 (Mamico) 的预测模型.
- 使用蒙特卡洛交叉验证验证的验证模型.
- 曲线下所达到的面积 (AUC) 为Mm的0.97,Mgs的0.73和Mamico的0.82.
结论:
- F-DCFPyL PET/CT放射学模型显示在区分良性和恶性前列腺瘤方面具有显著的潜力.
- 这些模型可以有效地识别高风险的前列腺瘤,而不需要活检.
- F-DCFPyL PET/CT 作为虚拟活检的非侵入性工具,支持个性化前列腺癌治疗.
更多相关视频
10:02Quantification of Atherosclerotic Plaque Activity and Vascular Inflammation using [18-F] Fluorodeoxyglucose Positron Emission Tomography/Computed Tomography FDG-PET/CT
Published on: May 2, 2012
18.3K
10:28Gene Regulation and Targeted Therapy in Gastric Cancer Peritoneal Metastasis: Radiological Findings from Dual Energy CT and PET/CT
Published on: January 22, 2018
11.1K
