使用T2WI进行前列腺癌检测和格里森得分预测的自动机器学习:一种诊断多中心研究

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的机器学习
• 在瘤学瘤学.

背景情况:

• 前列腺癌 (PCa) 是男性常见的恶性瘤,需要准确的风险分层来规划治疗.
• 格里森评分 (GS) 是风险评估的标准,但需要侵入性活检,带来风险和潜在的采样错误.
• 早期发现和非侵入性预测PCa攻击性对于有效管理至关重要.

研究的目的:

• 开发和验证一种自动机器学习 (ML) 模型,用于非侵入性检测PCa.
• 仅使用T2加权成像 (T2WI) 来预测格里森得分 (GS),以改善风险分层.
• 评估基于T2WI的ML模型的潜力,以减少对侵入性前列腺活检的依赖.

主要方法:

• 一种自动机器学习 (ML) 方法 (MLJAR) 应用于单模式T2加权成像 (T2WI).
• 内部,外部和公共挑战数据集包括具有病原体结果的患者,用于模型培训和验证.
• 使用接收器操作特征曲线 (AUC) 和科尔莫戈罗夫-斯米尔诺夫曲线下的面积来评估模型性能.

主要成果:

• 在内部测试队列中,PCa检测模型实现了0.99的AUC.
• 该模型在内部,外部和公共挑战数据集中预测各种格里森分数的准确性很高,AUC通常从0.75到1.0.0.
• 外部验证证实了该模型在预测PCa及其攻击性方面的强大表现.

结论:

• 使用T2WI的自动化ML模型可以准确检测PCa,并非侵入性地预测格里森分数.
• 这种方法显示出显著的潜力,可以减少对PCa诊断和风险分层的侵入性活检的依赖.
• 进一步验证和整合到临床工作流程中是有必要的,以利用这些发现改善患者护理.