可解释的人工智能放射学在前列腺癌的攻击性预测使用不同的定量扩散MRI模型

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 医学成像分析 医学成像分析

背景情况:

• 前列腺癌 (PCa) 诊断需要准确的表征,以便有效的患者管理.
• 早期区分惰和积极的PCa是一个关键的未满足的需求.
• 目前的方法可能会导致患者分层的变化和不必要的程序.

研究的目的:

• 开发一种自动化方法,用于使用定量扩散MRI放射学对PCa进行格里森得分 (GS) 的分类.
• 评估T2加权和扩散MRI模型在预测PCa攻击性 (GS<7与GS≥7) 中的性能.
• 通过改进早期表征来降低不必要的前列腺活检率.

主要方法:

• 对202名经过基因病理学证明的PCa患者的回顾性分析.
• 对T2和扩散数据应用的定量扩散MRI建模和放射学.
• 训练和评估分类模型,使用Shapley添加式解释 (SHAP) 进行模型解释.
• 用于导出参数图的Intravoxel Incoherent Motion (IVIM) 模型,包括微 perfusion 分数.

主要成果:

• 性能最好的模型将T2成像与IVIM模型的扩散衍生微 perfusion 分数结合起来.
• 这种组合模型的平均精度为80.91%,曲线下面积 (AUC) 为85.29%.
• 组织结构信息和血液微透被确定为PCa攻击性的显著预测因素.

结论:

• 定量扩散MRI放射学,特别是与T2成像和IVIM衍生参数相结合时,为PCa攻击性分类提供了一个有希望的自动化方法.
• 这种方法有可能提高PCa分期的准确性,并减少中心间的变化.
• 这些发现支持使用先进的MRI技术来指导临床决策,并尽量减少像活检这样的侵入性手术.