使用放射性特征预测前列腺癌等级

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 机器学习 机器学习

背景情况:

• 精确的前列腺癌分类 (PCa) 对于治疗选择至关重要.
• 从临床上来说,区分高等级的PCa (格莱森得分[GS] ≥8) 和低等级的PCa是非常重要的.
• 目前的方法,如前列腺成像报告和数据系统 (PI-RADS) 有局限性.

研究的目的:

• 开发和评估用于预测PCa成绩的机器学习模型.
• 为了比较Radiomics模型与PI-RADS模型的性能.
• 评估磁共振成像 (MRI) 中的放射性特征对PCa分级的有用性.

主要方法:

• 分析了一组112名活检确认的PCa患者.
• 构建了两个后勤回归模型:一个Radiomics模型 (放射性特征+PSA) 和一个PI-RADS模型 (PI-RADS分数+PSA).
• 通过交叉验证和持久方法评估模型性能,使用曲线下的面积 (AUC),灵敏度和特异性.

主要成果:

• 与PI-RADS模型 (0.710) 相比,Radiomics模型显示出明显更高的AUC (0.799).
• 使用持久方法,Radiomics模型实现了0.778的AUC,灵敏度为0.769和特异性为0.778.
• 放射学模型在区分高级PCa和低级PCa方面表现优于PI-RADS模型.

结论:

• 利用MRI放射性特征的机器学习为预测前列腺癌等级提供了一个有希望的方法.
• 开发的Radiomics模型显示了比PI-RADS模型更高的性能.
• 该工具可以帮助临床医生确定PCa患者的最佳治疗策略.