相关实验视频
Updated: Jul 20, 2026
11:29
miRNA Expression Analyses in Prostate Cancer Clinical Tissues
Published on: September 8, 2015
10.9K
使用磁共振成像与PRKY促进剂甲基化水平相结合,预测临床意义上的前列腺癌的一种非侵入性方法:一项机器学习研究
Yufei Wang1, Weifeng Liu1, Zeyu Chen1
1Department of Urology, The Second Affiliated Hospital of Soochow University, Suzhou, Jiangsu Province, 215000, China.
BMC medical imaging
|March 12, 2024
概括
一种新的机器学习模型结合了MRI放射性特征,临床数据和PRKY促进子甲基化,显示了诊断临床显著前列腺癌 (csPCA) 的高准确性,可能减少了侵入性活检的需要.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 遗传学 是一个遗传学.
背景情况:
- 前列腺癌的诊断传统上涉及侵入性活检,带来风险和不适.
- 磁共振成像 (MRI) 放射学和PRKY促进子甲基化是检测前列腺癌的新兴生物标志物.
研究的目的:
- 开发和评估一种机器学习模型,用于对临床显著前列腺癌 (csPCA) 进行准确的非侵入性诊断.
- 在csPCA诊断中评估放射性特征,临床数据和PRKY促进体甲基化的综合预测值.
主要方法:
- 一个随机森林 (RF) 模型是使用来自MRI的放射性特征,临床数据和54名患者的PRKY促进剂甲基化水平 (cg05618150,cg05163709) 来构建的.
- 使用3D切片器提取放射性特征,并通过LASSCO回归和t-test进行选择.
- 模型性能使用接收器操作特征曲线 (AUC) 下的面积来评估.
主要成果:
- 在cg05618150的PRKY促进物甲基化显示,前列腺癌预测的AUC为0.74.
- T2WI MRI 序列的 AUC 达到 0.84,超过了 ADC (AUC=0.81).
- 一个结合T2WI和临床数据的模型达到0.94.9的AUC.
- 结合T2WI,临床数据和PRKY甲基化的综合模型实现了0.97的优异AUC,超过了PI-RADS,临床数据和甲基化的模型 (AUC=0.86).
结论:
- 机器学习模型集成放射性特征,临床数据和PRKY促进体甲基化,证明了csPCA的高预测效率.
- 这种方法为cspca诊断提供了一个有前途的非侵入性策略,有可能改善患者的治疗结果并减少与活检相关的并发症.
