导航灰色地带:机器学习可以区分PI-RADS 3病变中的恶性瘤
Emre Altıntaş1, Ali Şahin2, Seyit Erol3
1Department of Urology, Selcuk University School of Medicine, Konya, Turkey.
Urologic oncology
|September 29, 2024
概括
机器学习,特别是随机森林模型,在PI-RADS 3病变中准确预测前列腺癌. 这种方法可以通过使用MRI和临床数据识别恶性瘤来帮助预防不必要的活检.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 放射学 放射学是一门学科.
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 前列腺癌的诊断通常包括在多参数MRI (mpMRI) 上评估PI-RADS 3病变.
- 区分良性和恶性PI-RADS 3病变具有挑战性,导致潜在的过度治疗或延迟诊断.
- 机器学习 (ML) 为改善这些模两可的病例的诊断准确性提供了一个有希望的途径.
研究的目的:
- 开发和评估机器学习模型,用于预测PI-RADS 3病变中前列腺癌的概率.
- 确定关键的临床和放射学参数,有助于准确的恶性瘤预测.
- 评估不同ML算法的性能,包括随机森林模型,用于此诊断任务.
主要方法:
- 一组患有PI-RADS 3病变的患者在mpMRI上接受了融合活检,被追溯分析.
- 收集了放射性参数 (例如,明显扩散系数 (ADC),Ktrans,病变大小) 和临床数据 (例如,年龄,PSA密度,中性粒细胞-淋巴细胞比率 (NLR)).
- 用这些参数训练和验证了六种不同的机器学习模型,以预测癌症概率.
主要成果:
- 随机森林模型表现出卓越的性能,达到最高的精度 (0.86),F1得分 (0.91),和AUC (0.92).
- SHAP分析确定了瘤ADC,瘤ADC/逆侧ADC比率和PSA密度是恶性瘤最有影响力的预测因素.
- 系统性炎症指数和NLR等炎症标志物比PSA总量和病变大小等传统参数具有更高的预测值.
结论:
- 开发的随机森林模型有效地预测PI-RADS 3病变中的恶性病变,可能减少不必要的活检的需要.
- 这种基于ML的方法显示了临床实用性,并保证在多中心研究中与更大的患者队列进行进一步验证.
- 通过ML集成先进的成像和临床数据可以提高前列腺癌评估的诊断精度.
