相关实验视频
Updated: Jul 18, 2026
09:11
Use of MRI-ultrasound Fusion to Achieve Targeted Prostate Biopsy
Published on: April 9, 2019
21.4K
优化前列腺癌诊断的放射学:特征选择策略,机器学习分类器和MRI序列
Eugenia Mylona1,2, Dimitrios I Zaridis1,2,3, Charalampos Ν Kalantzopoulos1,2
1Biomedical Research Institute, FORTH, GR 45110, Ioannina, Greece.
Insights into imaging
|November 4, 2024
概括
为前列腺癌诊断优化放射学模型至关重要. 特征选择方法显著影响性能,ADC衍生的特征在临床上显著的前列腺癌 (csPCa) 检测方面优于T2w图像.
科学领域:
- 医学成像分析分析 医学成像分析
- 机器学习在瘤学中
- 无线电学 (Radiomics) 是一种放射学.
背景情况:
- 放射学分析涉及多个步骤,在优化模型性能方面产生模糊性.
- 需要标准化的方法来提高临床环境中的诊断准确性.
研究的目的:
- 为了比较各种特征选择方法,机器学习 (ML) 分类器和放射性特征源对临床显著前列腺癌 (csPCa) 诊断模型性能的影响.
- 确定开发强大的放射学模型的最佳策略,用于使用双参数MRI检测csPCa.
主要方法:
- 利用两个多中心数据集 (465名和204名患者) 与双参数MRI数据.
- 从T2w图像,ADC地图及其组合中提取了1246个放射性特征.
- 评估了使用嵌套交叉验证和外部验证的十种特征选择方法 (例如,Boruta,RFE,L1-lasso) 和四种ML分类器 (SVM,RF,LASSO,GLM).
主要成果:
- 选择特征选择方法和放射性特征源的选择显著影响了模型性能.
- 波鲁塔,RFE,L1-lasso和随机森林变量重要性是表现最好的特征选择方法.
- 从ADC衍生的特征表现出比T2w衍生的特征具有更高的歧视力;结合的特征并没有提高性能.
结论:
- 特征选择方法和放射性特征源对于优化csPCa诊断中的放射性模型至关重要.
- 与T2w衍生的特征相比,ADC衍生的放射性特征提供了更强大的模型.
- 这项研究指导了未来的放射学发展,以改善前列腺癌诊断和更广泛的医疗应用.
