前列腺癌等级的差异诊断以增强基于调整过度参数的分类器模型的临床诊断

科学领域:

• 放射学和医学成像学 医学成像学
• 机器学习在医学中的应用
• 在瘤学瘤学.

背景情况:

• 准确的前列腺癌诊断和分级对于有效的治疗计划至关重要.
• 区分显著的癌症和非瘤区域,并预测格里森得分,仍然是临床挑战.
• 多参数MRI (mpMRI) 为高级分析提供了丰富的数据.

研究的目的:

• 开发和验证一种机器学习 (ML) 算法,用于使用放射学增强前列腺癌诊断.
• 为了区分显著的前列腺癌和非瘤区域.
• 使用纹理分析指标准确预测格里森得分队列.

主要方法:

• 用多参数MRI (T2加权成像[T2WI]和ADC地图) 分析了71名患者的队列.
• 提取了放射学特征,包括一级和二级纹理分析指标.
• 机器学习模型采用递归特征消除 (RFE) 和最小绝对收缩和选择运算符 (LASSO) 进行特征选择,以及支持矢量机 (SVM) 和随机森林 (RF) 进行分类.

主要成果:

• ML算法成功地区分了显著的前列腺癌和非瘤区域.
• 格里森分数队列的准确预测得到了高的统计灵敏度 (高达0.91).
• 使用LASSO和SVM以及T2WI和ADC图像的组合模型实现了0.91.9的曲线下面积 (AUC). 预测G3的最高灵敏度为0.92,使用LASSO和RF的组合序列和放射学,以及使用LASSO和SVM的GLCM特征的单个序列T2WI.

结论:

• 基于机器学习的mpMRI的放射学分析是改善前列腺癌诊断的有希望的工具.
• 开发的算法在区分瘤的攻击性和帮助临床决策方面显示出显著的潜力.
• 纹理分析指标与先进的ML技术相结合,可以提高MRI对前列腺癌分级的预测能力.