在现实临床实践中使用放射学模型预测临床意义上的前列腺癌:一项回顾性多中心研究

科学领域:

• 放射学 放射学是一门学科.
• 机器学习 机器学习
• 在瘤学瘤学.

背景情况:

• 前列腺癌的诊断严重依赖于MRI和前列腺成像报告和数据系统 (PI-RADS) 的评估.
• 准确预测临床显著的前列腺癌 (csPCa) 和其等级对于治疗规划至关重要.
• 放射学,从医疗图像中提取定量特征,为改善诊断准确性提供了潜力.

研究的目的:

• 开发和评估使用MRI预测csPCa和国际泌尿病学学会 (ISUP) 等级组的机器学习模型.
• 探索放射学模型在提高放射科医生PI-RADS评估绩效方面的实用性.

主要方法:

• 对来自四个三级保健中心的1616名患者进行了回顾性分析.
• 由不同专业水平的放射科医生进行的PI-RADS评估.
• 使用四种机器学习算法来预测csPCa的放射学模型的开发,随后对PI-RADS得分进行调整.

主要成果:

• 基于随机森林的放射学模型在接收器运行特征曲线 (AUC) 下实现了高面积的0.874-0.893.893.
• 与标准PI-RADS相比,调整后的PI-RADS得分显示AUC和特异性有所改善.
• 拉德分数显示与ISUP等级有显著的正相关性 (r > 0.600,p < 0.0001).

结论:

• 放射学模型作为强大的,非侵入性的工具,用于预测前列腺癌的攻击性.
• 这些模型有可能减少不必要的活检,并提高放射科医生的诊断性能.
• 需要进一步的前性研究来验证这些有前途的放射学模型.