用多模式机器学习方法改善临床意义上的前列腺癌检测:一项大型多中心研究
Ana Carolina Rodrigues1,2, José Guilherme de Almeida1, Nuno Rodrigues1,3
1Champalimaud Research, Champalimaud Foundation, Computational Clinical Imaging, Av. Brasília, Doca de Pedrouços, Lisboa, Lisbon, PT 1400-038, Portugal.
Radiology. Imaging cancer
|August 15, 2025
概括
一个使用双参数MRI (bpMRI) 放射学的新多式模型准确地预测临床显著的前列腺癌 (csPCa),超过PI-RADS,减少不必要的活检. 这种先进的算法为瘤学提供了更好的诊断准确性.
科学领域:
- 瘤学和泌尿生殖系统医学
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
背景情况:
- 临床显著的前列腺癌 (csPCa) 检测依赖于准确的成像和风险分层.
- 双参数MRI (bpMRI) 越来越多地使用,但其预测性能可以提高.
- 像PI-RADS这样的现有模型在特异性和灵敏度方面存在局限性.
研究的目的:
- 开发和前性验证一种新的临床和放射学模型,用于预测csPCa.
- 将bpMRI放射学与临床数据相结合,以提高预测准确度.
- 将新多式联运模式的性能与PI-RADS评分系统进行比较.
主要方法:
- 一个深度学习算法从7157名患者 (开发) 和1629名患者 (验证) 的bpMRI扫描中提取了放射性特征.
- 训练了一种多式模式模型,包括放射学,年龄,前列腺特异性抗原,PI-RADS和病变位置.
- 未来的验证评估了模型的性能,使用AUC和特异性,对成像序列和扫描仪供应商进行灵敏度分析.
主要成果:
- 多式模式模型在回顾性 (AUC 0.88对0.80) 和前性 (AUC 0.91对0.85) 验证方面表现优于PI-RADS.
- 该模型实现了更高的特异性 (71%对58%的追溯,77%对66%的前性) 并导致活检减少了22.7%.
- 公平性分析表明,在各个类别中具有普遍性,尽管在各个中心和PI-RADS分数中表现略有差异.
结论:
- 与PI-RADS相比,集成bpMRI放射学的多式模式提供了一个与PI-RADS相比的csPCa的时间概括和优越预测器.
- 这种方法有可能显著改善前列腺癌诊断,减少侵入性手术.
- 进一步验证和实施可以加强前列腺癌管理中的临床决策.
