具有不同算法的机器学习模型在预测激进前列腺切除术后前列腺癌局部复发方面的实际临床作用
Chenhan Hu1, Xiaomeng Qiao1, Chunhong Hu1
1Department of Radiology, the First Affiliated Hospital of Soochow University, 188#, Shizi Road, Suzhou, 215006, China.
概括
机器学习模型准确地预测了手术后前列腺癌复发的情况. 将放射学与专家评分相结合,可显著改善前列腺切除术后局部复发的检测.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 在急性前列腺切除术 (RP) 后检测前列腺癌 (PCa) 的局部复发对于治疗规划至关重要.
- 手术后磁共振成像 (mpMRI) 是一个关键的工具,但预测复发仍然具有挑战性.
研究的目的:
- 开发和验证机器学习模型,使用手术后的mpMRI来预测PCa局部复发.
- 将这些模型的性能与专家放射科医生分配的前列腺成像复发报告 (PI-RR) 评分进行比较.
主要方法:
- 对接受RP的176名患者的回顾性分析,分为训练 (n=123) 和测试 (n=53) 组.
- 使用支持矢量机 (SVM),线性差异分析 (LDA) 和物流回归-最小绝对收缩和选择运算符 (LR-LASSO) 开发放射学模型.
- 创建一个综合模型,整合放射学特征和PI-RR得分,使用ROC曲线分析评估性能.
主要成果:
- 在测试组中,LR-LASSO放射学模型显示出强的性能 (AUC=0.858),与PI-RR得分 (AUC=0.833) 相美.
- 整合放射学和PI-RR的组合模型实现了最高的预测性能 (AUC=0.924),显著超过单独PI-RR的得分.
结论:
- 从术后的mpMRI获得的放射学模型对于预测前列腺癌患者局部复发是有效的.
- 结合了放射学特征和专家PI-RR评估的组合模型,与专家评估单独相比,为局部复发提供了更高的预测准确性.
