在PCa患者中预测淋巴结参与的三种放射学模型和临床诺姆图之间的比较,结合了临床和放射学特征
Domiziana Santucci1, Raffaele Ragone1, Elva Vergantino1
1Department of Diagnostic Imaging, Campus Bio-Medico University of Rome, 00128 Rome, Italy.
Cancers
|August 10, 2024
概括
随机森林 (RF) 放射学模型在预测淋巴结参与前列腺癌 (PCa) 中的准确度高于传统临床名录. 这一进步为PCa管理提供了更好的诊断能力.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 医疗成像医学成像
- 计算病理学计算病理学
背景情况:
- 精确预测淋巴结参与 (LNI) 对于有效的前列腺癌 (PCa) 管理和治疗计划至关重要.
- 目前的临床名录在准确预测LNI方面存在局限性,需要探索先进的预测模型.
研究的目的:
- 为了比较放射学模型 (逻辑回归,随机森林,支持矢量机) 与已建立的临床名录 (Briganti,MSKCC,Yale,Roach) 的性能,用于预测PCa患者的LNI.
- 评估来自多参数MRI (mp-MRI) 的不同放射学特征和模型的诊断准确性.
主要方法:
- 一项对95名经过激进前列腺切除和盆腔淋巴切除的PCa患者的回顾性研究.
- 从mp-MRI (T2,DWI,ADC) 提取放射性特征,使用3D SLICER和Pyradiomics,以及临床和组织学数据.
- 开发和独立测试后勤回归,随机森林和支持矢量机器放射学模型,其性能以准确性和AUC来评估.
主要成果:
- 随机森林 (RF) 模型实现了最高的预测性能,特别是DWI (精度86%,AUC 0.89) 和ADC (精度89%,AUC 0.67) 序列.
- 放射学模型,特别是射频模型,在预测LNI时,与临床名录相比,显示出更高的预测性能.
- 显著的放射性特征包括T2_nodulo第一阶差异和T2_nodulo第一阶.
结论:
- 随机森林 (RF) 放射学模型为预测淋巴结参与前列腺癌的诊断提供了优越的诊断准确性,与传统的临床诺米图相比.
- 综合放射学和语义数据分析对提高PCa中LNI的预测具有重大前景.
- 建议进一步验证放射学模型,以便在PCa管理中临床实施.
