将多参数MRI放射学特征与瘤异常蛋白结合起来,构建基于机器学习的前列腺癌预测模型
Chi Zhang1, Zewen Wang1, Peicheng Shang1
1Department of Urology, The Second Affiliated Hospital of Soochow University, Suzhou, China.
Scientific reports
|July 2, 2025
概括
整合多参数MRI放射性特征与瘤异常蛋白 (TAP) 和临床数据显著改善前列腺癌诊断. 这种综合方法提高了诊断准确度,为识别疾病提供了更精确的工具.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医疗成像医学成像
背景情况:
- 前列腺癌的诊断依赖于各种方法,但提高准确性至关重要.
- 多参数磁共振成像 (mpMRI) 提供了详细的解剖和功能信息.
- 放射性分析从医学图像中提取定量特征,可能有助于诊断.
研究的目的:
- 评估将mpMRI放射性特征与瘤异常蛋白 (TAP) 和前列腺癌临床数据相结合的诊断价值.
- 开发和评估用于增强前列腺癌诊断的机器学习模型.
主要方法:
- 从109名患者的T2WI和ADC地图中提取了放射性特征.
- 特征选择使用t测试和LASSO回归;模型是用随机森林构建的.
- 临床因素 (年龄,PSA,前列腺体积) 和TAP数据与放射性特征进行了整合.
主要成果:
- 个别的mpMRI放射性特征显示与前列腺癌有显著的相关性.
- 使用放射性特征的随机森林模型实现了高达0.87.8的AUC.
- 将mpMRI放射性特征与TAP和临床数据相结合,产生了0.91-0.92的AUC,优于使用单个数据类型的模型.
结论:
- 对mpMRI放射性特征,TAP和临床特征的整合证明了前列腺癌诊断的高预测效率.
- 结合这些多式联运数据的机器学习模型为提高诊断准确性提供了一个有希望的方法.
- 这种全面的方法可以帮助临床医生更精确地检测前列腺癌.
