可解释的基于放射学的多参数MRI机器学习模型,用于在手术前区分良性和恶性前列腺质量:一个诊断,多中心研究
Wenjun Zhou1,2, Zhangcheng Liu1,3, Jindong Zhang1
1Department of Urology, The First Affiliated Hospital of Chongqing Medical University, Chongqing, China.
Frontiers in oncology
|May 20, 2025
概括
这项研究开发了一个可解释的机器学习模型,使用多参数MRI放射学来准确区分手术前良性与恶性前列腺质量. 随机森林模型显示出高预测能力,有助于临床决策.
科学领域:
- 放射学和医学成像学 医学成像学
- 机器学习在医学中的应用
- 瘤学和泌尿病学 在线咨询
背景情况:
- 精确的前术分化前列腺质量对于适当的治疗计划至关重要.
- 多参数MRI (mpMRI) 为前列腺癌评估提供了详细的成像信息.
- 放射学和机器学习 (ML) 提供了提高诊断准确性的潜力.
研究的目的:
- 开发和验证基于mpMRI放射学的可解释的ML模型,用于前列腺质量的手术前分化.
- 评估模型在区分良性和恶性前列腺病变方面的表现.
主要方法:
- 从两家医院的567名患者的mpMRI数据的回顾性分析.
- 使用PyRadiomics从T2加权成像 (T2WI) 和扩散加权成像 (DWI) 中提取放射性特征.
- 通过LASSO选择特征,然后构建和验证五个ML模型,包括随机森林 (RF),并使用SHAP进行解释性分析.
主要成果:
- 总共有2632个放射性特征被减少到18个,形成了五个ML模型的基础.
- 射频模型实现了高预测性能,曲线下的面积 (AUC) 为0.929 (内部) 和0.852 (外部验证).
- 校准和决策曲线分析证实了RF模型的临床实用性,SHAP解释了特征贡献.
结论:
- mpMRI衍生的放射性特征与ML相结合,使得前列腺质恶性瘤的术前评估能够准确.
- 可解释的ML模型,特别是RF模型,显示出在前列腺癌诊断中临床应用的巨大潜力.
- SHAP分析提高了模型的透明度,可能有助于更广泛的临床采用.
