集成机器学习模型利用DCE-MRI和PSA值来进行前列腺癌中高级风险分层
Kemal Panc1, Sumeyye Sekmen2, Hasan Gundogdu3
1Department of Radiology, Ministry of Health Karakoçan State Hospital, Elazığ, Turkey.
Journal of clinical ultrasound : JCU
|November 7, 2025
概括
机器学习模型集成动态对比增强MRI (DCE-MRI) 药理学参数和前列腺特异抗原 (PSA) 准确预测前列腺癌转移风险组,帮助治疗决策.
科学领域:
- 放射学和瘤学 放射学和瘤学
- 人工智能在医学中的应用
背景情况:
- 准确的前列腺癌分类对于有效的治疗计划和风险评估至关重要.
- 识别转移风险组有助于分层患者进行适当的管理.
研究的目的:
- 开发一种机器学习 (ML) 模型,用于预测前列腺癌中ISUP级转移风险组.
- 为了整合动态对比增强磁共振成像 (DCE-MRI) 药物动力学参数与前列腺特异抗原 (PSA) 值.
主要方法:
- 102名前列腺癌患者的回顾性分析.
- 标准化DCE-MRI的药理动力学参数 (Ktrans,Kep,Ve,CER,MaxSlope,IAUGC) 进行标准化.
- 使用合成少数群体过量采样技术进行数据集平衡和评估ML模型,包括随机森林,使用AUC.
主要成果:
- 随机森林分类器实现了0.92.9的曲线下的高面积 (AUC).
- 确定了0.3的最佳值,用于在高风险组检测中平衡灵敏度和特异性.
- SHAP分析显示PSA,MaxSlope和Kep是重要的预测因素.
结论:
- 将DCE-MRI参数和PSA值与ML集成,可以提高前列腺癌转移风险组的预测.
- 这种方法为转移查和个性化前列腺癌治疗提供了可靠的工具.
