基于DWI的生物解释性放射性诺米克图用于预测激进前列腺切除术后1年的生物化学复发:深度学习,多中心研究

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 前列腺癌 (PCa) 的前列腺切除术后的生化复发 (BCR) 是常见的.
• 早期发现和管理BCR可以改善PCa生存率.
• 预测BCR对于及时干预至关重要.

研究的目的:

• 开发一个集成基于深度学习的放射性特征和临床参数的诺姆图,以预测激进前列腺切除术 (RP) 后1年的BCR.
• 探索放射性评分和瘤微环境 (TME) 之间的关联.

主要方法:

• 对349名接受RP并使用多参数MRI (mpMRI) 的患者的回顾性分析.
• 在扩散权重成像 (DWI) 上开发前列腺癌细分的3D U-Net模型.
• 使用多变量考克斯回归提取放射性特征并创建预测性名ograms.
• 验证名录表的性能,区分,校准和临床有用性.

主要成果:

• 临床-放射性分子组图在发展队列中实现了0.892的AUC,单独超过了放射性和临床模型.
• 该模型在开发和验证队列中表现出良好的性能和校准 (Hosmer-Lemeshow P > 0.05).
• 决策曲线分析证实了组合名图的卓越临床实用性.

结论:

• 使用深度学习的基于DWI的临床放射性名图是可行的,用于预测RP后1年的BCR.
• 放射性评分与不同的瘤微环境模式有关.
• 这种方法为管理PCa复发提供了更好的预测准确性和临床实用性.