使用2.5D深度学习模型优化前列腺癌中复发预测和风险分层:基于多中心MRI的多中心MRI研究.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 前列腺癌 (PCa) 手术后复发是一个重大的临床挑战.
• 准确预测生化复发 (BCR) 对患者管理至关重要.
• 目前的预测方法需要改进以提高准确性.

研究的目的:

• 开发和验证一个深度学习融合 (DLF) 模型,用于PCa中BCR的手术前预测.
• 评估DLF模型对风险分层的能力.
• 将DLF模型的性能与现有的临床和机器学习模型进行比较.

主要方法:

• 使用多参数MRI (mpMRI) 数据 (T2WI,ADC,DWI,CE-T1WI) 开发了一个基于变压器的深度学习 (DL) 模型.
• 一个DLF模型将DL得分与临床变量集成在一起.
• 在923名PCa患者的队列中,使用ROC曲线,DeLong测试,DCA和校准曲线来评估性能.

主要成果:

• DLF模型实现了高预测性能,AUC为0.938 (内部验证) 和0.935 (外部测试集).
• DLF模型显著优于临床模型 (CAPRA,临床) 和其他机器学习模型.
• DLF模型有效地将患者分为高风险和低风险组,显示出显著的预后差异.

结论:

• 开发的DLF模型显示了预测PCa早期术后复发的强大潜力.
• 这种人工智能驱动的方法可以帮助识别高风险患者,以进行量身定制的治疗和监测.
• DLF模型为优化前列腺癌管理策略提供了一个有价值的工具.