多任务贝叶斯模型结合了FDG-PET/CT成像和临床数据,用于可解释的高度前列腺癌预后

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 前列腺癌 (PCa) 预后预测对于治疗规划至关重要.
• 准确预测高等级PCa (格里森≥8) 结果仍然具有挑战性.
• 目前的方法往往缺乏整合多模式数据和动态预测能力.

研究的目的:

• 开发和验证一个完全自动的多任务贝叶斯模型 (BSN) 来预测高等级的PCa预后.
• 利用前前列腺切除术前的FDG-PET/CT图像和临床数据来提高预测准确度.
• 引入新功能,如自动细分,不确定性量化和动态预测.

主要方法:

• 贝叶斯序列网络 (BSN) 的开发,一个多任务贝叶斯模型.
• 整合了FDG-PET/CT成像和295名患者的临床数据.
• 实施分类和多重生存预测任务 (例如,淋巴结入侵,无复发生存).

主要成果:

• 在大多数预后任务中,BSN与传统的诺米图表相比表现优越.
• 该模型成功执行了自动前列腺细分,并提供了不确定性量化.
• 引入了动态预测,使用短期结果来改进长期预后.

结论:

• 该BSN模型显示显著的承诺,以提高高度前列腺癌的预后准确性.
• 它有效地利用多模式数据,包括成像,进行个性化的风险分层.
• BSN可以帮助识别需要加强治疗的患者,优化治疗策略.