临床放射学混合模型优于传统模型:机器学习增强前列腺癌不良预后特征的分层
Minghan Jiang1,2, Zeyang Miao1, Run Xu1
1Department of Radiology, Yueyang Hospital of Integrated Traditional Chinese and Western Medicine, Shanghai University of Traditional Chinese Medicine, Shanghai, China.
Frontiers in oncology
|August 22, 2025
概括
这项研究开发了MRI放射学机器学习模型来预测前列腺癌的不良特征. 结合放射学与临床数据显著改善了个性化治疗的手术前风险分层.
科学领域:
- 放射学
- 癌症学
- 机器学习
背景情况:
- 前列腺癌的诊断依赖于具有局限性的传统模型.
- 准确的手术前风险分层对于个性化治疗计划至关重要.
- 基于MRI的放射学为增强风险评估提供了潜在的非侵入性工具.
研究的目的:
- 开发基于MRI的放射学机器学习模型,用于预测前列腺癌的不良病理预后特征.
- 评估整合放射学与临床特征的可行性,以改善手术前风险分层.
- 解决前列腺癌管理当前常规临床模型的局限性.
主要方法:
- 对137名前列腺癌患者进行了术前MRI和术后病理学数据的回顾性分析.
- 使用PyRadiomics从ADC和T2WI序列中提取31个放射性特征.
- 使用机器学习算法和LASSO回归进行特征选择的放射学,临床和混合模型的开发.
主要成果:
- 随机森林放射学模型 (ADC- T2WI) 在验证组中达到AUC为0. 832,超过临床模型 (AUC=0. 772).
- 混合放射学临床模型表现出优异的性能,AUC为0. 909,灵敏度=0. 813,特异性=0. 885,精度=0. 857.
- 校准曲线和决策曲线分析证实了混合模型的强大临床实用性.
结论:
- 与随机森林模型相结合的双参数MRI放射学有效预测前列腺癌的不良病理特征.
- 将放射学与临床特征相结合,显著提高了手术前风险分层的预测准确性.
- 这种非侵入性方法支持前列腺癌患者的个性化治疗计划.
