机器学习模型用于区分临床上显著的前列腺癌和临床上无意义的前列腺癌,使用双参数磁共振成像

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 前列腺癌的诊断依赖于组织病理学,通常需要侵入性活检.
• 区分临床显著的前列腺癌 (csPCa) 和临床无意义的前列腺癌 (ciPCa) 对于适当的患者管理至关重要.
• 双参数磁共振成像 (MRI) 为前列腺癌评估提供了一种非侵入性方法.

研究的目的:

• 评估机器学习算法在区分csPCa和ciPCa方面的性能,使用前列腺双参数MRI的放射学特征.
• 评估从T2加权 (T2W) 和明显扩散系数 (ADC) 图像中提取的放射学特征的实用性.

主要方法:

• 前列腺核磁共振图像的回顾性收集,并得到了他的病理学确认.
• 从T2W,ADC和组合图像数据集中提取放射学特征,包括Laplacian of Gaussian (LoG) 过版本.
• 使用特征选择和五倍交叉验证,开发和验证机器学习模型 (支持矢量机器和物流回归).

主要成果:

• 这项研究包括77名患者 (30 ciPCa, 47 csPCa).
• 机器学习模型实现了高的曲线下面积 (AUC) 值,特别是ADC和组合数据集 (SVM高达0.86,LR高达0.86).
• 特性选择确定了用于模型开发的相关放射学特征的缩小组.

结论:

• 机器学习模型包含来自双参数MRI的放射学,可以有效地区分csPCa和ciPCa.
• 这些模型可以作为决策支持系统,可能减少重复或不必要的侵入性手术 (如活检) 的需要.
• 基于放射学的机器学习有望改善前列腺癌诊断,指导治疗决策和管理病理学-放射学不一致性.