基于mpMRI的可解释机器学习模型,用于预测抵抗割的前列腺癌风险

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 机器学习 机器学习

背景情况:

• 在晚期前列腺癌 (PCa) 患者中,雄激素剥夺治疗 (ADT) 的疗效在很大程度上有所不同.
• 预测进展为割抵抗性前列腺癌 (CRPC) 对于治疗规划至关重要.

研究的目的:

• 开发和验证使用多参数MRI (mpMRI) 数据来预测CRPC进展风险的机器学习模型.
• 改进接受ADT的高级PCa患者的风险分层.

主要方法:

• 在ADT之前接受mpMRI的180名晚期PCa患者的回顾性分析.
• 用各种机器学习算法提取和分析放射性和临床特征,包括堆叠合奏模型.
• 用AUC,准确性,精度,回忆和F1得分来评估模型性能,并使用SHapley添加式扩展进行解释性.

主要成果:

• 综合的mpMRI临床模型 (AUC:0.84) 的表现优于单独的mpMRI.
• 堆叠组合模型实现了CRPC进展的高预测精度 (AUC:0.89内部,0.82外部).
• 堆叠模型在低风险组中显示出最强的歧视能力 (AUC:0.89).

结论:

• 开发的堆叠模型显示了预测高级PCa中CRPC进展风险的重大潜力.
• 这种模式可以促进临床可行的风险分层干预措施,以改善患者管理.