整合多式成像和周围瘤特征以提高前列腺癌诊断:一种机器学习方法

科学领域:

• 放射学和医学成像学 医学成像学
• 在瘤学瘤学.
• 机器学习在医学中的应用

背景情况:

• 准确的前列腺癌早期诊断对于有效治疗至关重要.
• 区分良性和恶性结节是一个临床的挑战.
• 多式成像 (ADC,T2) 有助于诊断前列腺癌,但功能集成是复杂的.

研究的目的:

• 评估结合多式成像特征 (ADC,T2) 与前列腺癌分类周围瘤特征的疗效.
• 使用各种功能组合,比较不同机器学习模型 (随机森林,XGBoost,额外树) 的性能.

主要方法:

• 对199名前列腺癌患者的MRI数据进行了回顾性分析.
• 从瘤和周区域提取放射性特征.
• 利用随机森林进行特征选择,并在四个特征集上训练随机森林,XGBoost和额外树木模型.

主要成果:

• 额外树木模型在结合瘤和周周瘤ADC+T2特征时达到0.729的最高AUC.
• 所有模型都表现出强大的分类能力,在各种特征组合中,AUC超过0.65.
• SHAP分析确定了瘤纹理和周灰度特征作为对分类的重要贡献者.

结论:

• 将多式成像数据与周围瘤特征集成,可以适度提高前列腺癌分类准确度.
• 开发的模型可以作为临床应用的非侵入性诊断工具.
• 这种方法支持前列腺癌患者的个性化治疗策略.