一个集成的放射学-病理学机器学习分类器用于预测激进前列腺切除术后的结果:初步发现

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 数字病理学数字病理学

背景情况:

• 针对前列腺癌 (PCa) 的激进前列腺切除术 (RP) 后预后结果对于患者管理至关重要.
• 目前的方法可能无法完全捕捉PCa在手术后进展的复杂性.
• 整合多模式数据为改善预后准确性提供了潜力.

研究的目的:

• 评估结合治疗前MRI放射学和术后病理学来预测PCa结果的额外好处.
• 评估模型预测前列腺特异性抗原 (PSA) 和前列腺外延伸 (EPE) 在RP后升高的能力.

主要方法:

• 使用多机构数据对58名接受RP的PCa患者进行了回顾性研究.
• 从MRI和病理学幻灯片中提取了放射性和病理性特征.
• 考克斯比例危险模型被训练来预测PSA和EPE的上升,比较单个和组合的特征集.

主要成果:

• 综合性放射性病理学模型 (M_RaP) 显著优于仅使用放射学模型 (M_R),病理学模型 (M_P) 或CAPRA得分 (M_C) 预测PSA上升的模型 (c指数0.685与0.646,0.631,0.601).
• 在外部数据集上,M_RaP显示出对EPE的优异预测 (M_R的AUC为0.80对0.57,M_P的AUC为0.76).
• M_RaP显示PSA升高的风险组之间存在显著的分离 (p < 0.005,HR = 11.36).

结论:

• 综合放射性病理学方法显示,与单个方法或现有评分相比,手术后PCa结果的预测能力得到了增强.
• 这种综合模型有望为PCa患者提供更准确的预后和个性化治疗策略.
• 需要在更大的队列中进一步验证以确认这些初步发现.