机器学习模型在前列腺切除术前前列腺癌患者的临床应用

科学领域:

• 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:

• 前列腺癌 (PCa) 管理包括在进行激进前列腺切除术之前评估外扩展 (ECE) 的手术风险.
• 机器学习 (ML) 模型为手术前风险分层提供了潜力.
• 评估特征组合和模型选择指标对于临床实用性至关重要.

研究的目的:

• 开发ML预测模型用于PCa患者的手术前ECE风险评估.
• 为了比较决策曲线分析 (DCA) 和接收器操作特征 (ROC) 度量,用于模型选择.
• 为了确定预测ECE的最佳特征组合.

主要方法:

• 对接受机器人辅助激进前列腺切除术 (RARP) 患者的两个独立数据集 (培训和外部验证) 的回顾性分析.
• 开发五个ML模型,整合T2W-MRI的临床,语义 (放射科医生解释) 和放射学特征.
• 模型性能使用DCA评估净收益和ROC曲线下的面积 (AUC) 进行排名.

主要成果:

• 组合模型 (临床,语义,放射学) 在培训和验证数据集中显示出最高的净效益.
• 在指导手术决策方面,DCA表明组合模型的性能优越 (神经节约与非神经节约).
• ROC AUC排名有所不同,在发现组中偏爱临床+语义模型,突出了度量差异.

结论:

• 结合了临床,语义和放射学特征的ML模型有效预测PCa中的ECE.
• 这种模式提供了积极的净收益,有助于在神经节约和非神经节约前列腺切除之间做出决定.
• DCA是选择基于临床效用和净益的ML模型的宝贵工具.