基于深度学习算法的多模式MRI放射学和病理学数据改善了预测原发性前列腺癌骨转移的预测

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 骨转移显著影响前列腺癌患者的治疗结果.
• 在前列腺癌中早期诊断骨转移是具有挑战性的,因为它的开始是微妙的.
• 机器学习 (ML) 显示出从病理图像获得预后信息的前景.

研究的目的:

• 开发一种多式数据集成方法,用于预测前列腺癌骨转移的早期预测.
• 评估结合各种数据源以提高诊断准确性的可行性.
• 为了改善前列腺癌骨转移的早期检测.

主要方法:

• 使用深度学习 (DL) 模型 (ResNet 50) 来从MRI序列 (T2WI,DWI,ADC) 中提取深度转移学习 (DTL) 特性.
• 从H&E染色组织段中提取了病理特征.
• 最小绝对收缩和选择运算符 (LASSO) 回归用于特征选择和尺寸缩小.
• 机器学习分类器使用ROC曲线,DCA和校准曲线进行训练和评估.

主要成果:

• 综合放射学,DTL和病理学模型实现了0.93的曲线下面积 (AUC) (95%CI,0.854-1.000).
• 基于DTL和病理学的个体模型显示AUC分别为0.89和0.85.
• 综合模型显示出良好的临床净益处和适应性,根据DCA和校准曲线.

结论:

• 多模式放射学和病理学是评估原发性前列腺癌骨转移风险的有价值预测因素.
• 整合多种数据源可以提高骨转移的早期预测.
• 这种方法为改善前列腺癌骨转移的早期诊断和管理提供了一个有希望的策略.