在mHSPC中使用可解释机器学习对PSMA PET/CT的ADT加ARPI反应的早期预测:现实世界的研究
Yinzhao Wang1, Yiquan Yang1, Lin Qi1
1Department of Urology, Disorders of Prostate Cancer Multidisciplinary Team, National Clinical Research Center for Geriatric Disorders, Xiangya Hospital, Central South University, Changsha, China.
European journal of nuclear medicine and molecular imaging
|November 23, 2025
概括
预测转移性激素敏感前列腺癌 (mHSPC) 的治疗反应至关重要. 使用PSMA PET/CT成像功能的机器学习模型准确地预测了对雄激素剥夺疗法 (ADT) 以及新型雄激素受体通路抑制剂 (ARPI) 的反应.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 医疗成像医学成像
背景情况:
- 在转移性激素敏感前列腺癌 (mHSPC) 中预测治疗反应,接受基剥夺疗法 (ADT) 加上基受体通路抑制剂 (ARPIs) 是具有挑战性的.
- 目前用于预测早期反应的工具是不够的.
- 需要可靠的方法来指导治疗决策.
研究的目的:
- 开发和验证一个可解释的机器学习模型.
- 集成[68Ga]Ga-PSMA PET/CT成像功能,用于响应预测.
- 在mHSPC患者开始治疗之前预测治疗反应.
主要方法:
- 分析了212名新的mHSPC患者的现实世界队列,这些患者接受了[68Ga]Ga-PSMA PET/CT.
- 提取了18个成像和8个临床特征,并使用基于集合的递归算法进行特征选择.
- 开发了6个机器学习模型,CatBoost显示出最佳性能,SHAP分析确保了可解释性.
主要成果:
- 确定了10个关键特征,包括转移性总病变PSMA吸收率 (m_TL_PSMA) 和全身峰值标准化吸收值 (w_SUVpeak).
- CatBoost模型实现了高性能 (训练AUC=0.908,测试AUC=0.904) 并在独立队列中得到良好验证 (AUC=0.875).
- 将模型与CHAARTED分类相结合,改进了风险分层,根据疾病体积和治疗反应确定了不同的预后组.
结论:
- 使用定量PSMA PET/CT特征的基于CatBoost的可解释模型准确地预测了mHSPC中对ADT加上ARPI的反应.
- 该模型,当与CHAARTED分类集成时,有效地将患者分为预后组.
- 建议进行未来的多中心验证以证实这些发现.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
07:45Author Spotlight: Standardizing Mouse In Vivo PET Imaging with Body Conforming Molds and Automated Analysis
Published on: October 25, 2024
755
