在前列腺癌中使用可解释的表格式预先数据的基于网络的放射学模型进行外前列腺扩张的术前评估
Bai-Chuan Liu1, Xiao-Hui Ding2, Hong-Hao Xu1
1Department of Radiology, First Medical Center, Chinese PLA General Hospital, Beijing, China.
Journal of magnetic resonance imaging : JMRI
|September 5, 2025
概括
这项研究开发了一种可解释的放射学模型,使用图表前数据拟合网络 (TabPFN) 来检测前列腺癌的前列腺外延伸 (EPE). 该模型显示出高性能,有可能改善临床评估.
科学领域:
- 放射学
- 人工智能
- 癌症学
背景情况:
- 使用MRI精确评估前列腺癌外延伸 (EPE) 是具有挑战性的,因为准确性和观察者之间的一致性有限.
- 开发强大的人工智能工具对于提高PCa分期的诊断性能至关重要.
研究的目的:
- 开发一个可解释的基于TabPFN的放射学模型来评估MRI上的EPE.
- 探索这种放射学模型与放射科医生评估的整合,以提高诊断准确度.
主要方法:
- 一项回顾性研究,涉及513名经过激进前列腺切除术的患者.
- 通过使用TabPFN开发的TabRadiomics模型,从T2加权成像 (T2WI) 和明显扩散系数 (ADC) 地图中提取了放射性特征.
- 与基线机器学习模型进行比较,并使用放射学家输入的AI修改分级算法进行模拟.
主要成果:
- TabRadiomics模型的性能与其他机器学习模型相比,AUC为0. 806 (内部) 和0. 842 (外部).
- 与经验较少的读者相比,人工智能修改的算法显示出更好的准确性,并有可能减少放射科医生的解释负担.
- 在外部测试组的AI修改算法和读取器之间没有发现显著差异.
结论:
- 开发的TabRadiomics模型对前列腺癌的EPE评估具有很高的性能.
- 这种人工智能驱动的方法有望改善PCa的临床评估和管理.
