基于磁共振成像的可解释的临床放射学深度学习模型,用于预测前列腺癌的术后格里森分级:一项双中心研究
Fuyu Guo1, Shiwei Sun2,3, Xiaoqian Deng4
1Third Hospital of Shanxi Medical University, Shanxi Bethune Hospital, Shanxi Academy of Medical Sciences, Tongji Shanxi Hospital, Taiyuan, China.
Frontiers in oncology
|October 6, 2025
概括
这项研究开发了可解释的机器学习模型,使用MRI数据,放射学和深度学习来预测前列腺癌. 这些模型表现出强的性能,有助于临床决策.
科学领域:
- 放射学和医学成像学 医学成像学
- 在瘤学中的机器学习
- 前列腺癌的诊断方法 前列腺癌的诊断方法
背景情况:
- 术后格里森分级的准确预测对于前列腺癌 (PCa) 管理至关重要.
- 目前的方法可能无法充分利用多式联运数据进行精确的分级.
- 对于临床信任和决策支持,需要可解释的模型.
研究的目的:
- 开发和验证一个可解释的机器学习模型,用于预测PCa的术后格里森分级.
- 整合临床数据,放射学和MRI的深度学习功能.
- 用各种分析方法评估模型性能和可解释性.
主要方法:
- 对129名PCa患者 (96名培训,33名测试) 的回顾性分析.
- 从T2加权,扩散加权和ADCMRI序列在不同感兴趣区域 (ROI) 中提取放射学和深度学习特征.
- 结合特征与临床数据;使用LASSO回归的模型开发;通过ROC,CALC,DCA和SHAP分析进行性能评估.
主要成果:
- 所有组合模型在测试组中都实现了曲线下的面积 (AUC) ≥0.75.
- 轻GBM模型在0.848.8时显示出最高的精度.
- SHAP分析提供了特征重要性见解;CALC和DCA证实了模型可靠性和临床实用性.
结论:
- 从MRI中整合临床,放射学和深度学习特征的可解释机器学习模型显示出预测PCa Gleason等级的前景.
- 开发的模型提供了良好的性能和临床决策的好处.
- 这种方法提高了MRI在手术前PCa评估中的实用性.
