使用人工智能在低风险和中等风险的前列腺癌患者中使用磁共振成像扩散参数的预测价值,这些患者接受了立体性废除性放射治疗:一项试点研究
1"Moritz Kaposi" Teaching Hospital, Dr. József Baka Diagnostic, Radiation Oncology, Research and Teaching Center, Kaposvár, Hungary; Institute of Information and Electrical Technology, Faculty of Engineering and Information Technology, University of Pécs, Pécs, Hungary; Doctoral School of Health Sciences, University of Pécs, Pécs, Hungary.
Radiography (London, England : 1995)
|April 28, 2024
概括
用人工智能分析的治疗前扩散MRI参数可以预测前列腺特异性抗原 (PSA) 对前列腺癌 (PCa) 患者的反应,这些患者正在接受立体性废除性放射治疗 (SABR). 这种方法有助于定制准确的PCa疗法.
科学领域:
- 在瘤学瘤学.
- 辐射疗法 辐射疗法
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 前列腺癌 (PCa) 管理需要准确预测治疗反应.
- 立体性除性放射疗法 (SABR) 是一种治疗低风险和中等风险PCa的疗法.
- 扩散权重磁共振成像 (DW-MRI) 提供了对组织微观结构的洞察力.
研究的目的:
- 评估前期治疗前的DW-MRI扩散参数对前列腺特异性抗原 (PSA) 反应的预测能力.
- 应用人工智能 (AI) 模型来预测用SABR治疗的PCa患者的治疗结果.
- 评估表面扩散系数 (ADCmean,ADCmin) 在预测治疗成功时的有用性.
主要方法:
- 在2017年至2021年期间,对30名PCa患者进行了SABR治疗的回顾性分析.
- 从多参数MRI图像计算预处理ADCmean和ADCmin的计算.
- 利用机器学习模型 (随机森林,决策树,SVM) 和ROC分析来评估预测性能.
主要成果:
- 在23个月的中位数随访期间,没有观察到生物化学复发.
- 在1年PSA水平低和高的患者之间,ADCmean和ADCmin的显著差异 (p < 0.0001).
- 与决策树 (AUC = 0.685) 和SVM (AUC = 0.5) 相比,随机森林模型显示出更好的预测性能 (AUC = 0.722).
结论:
- 治疗前的DW-MRI扩散参数,当与AI分析时,显示出在接受SABR的PCa患者中预测治疗反应的潜力.
- ADCmean和ADCmin是预测治疗结果的有价值的生物标志物.
- 这种人工智能驱动的方法可以帮助临床医生优化PCa治疗策略.
