在前列腺癌患者的淋巴结和骨转移的识别改进上下文级机器学习使用[¹⁸F]PSMA-1007 PET PET

科学领域:

• 核医学就是核医学.
• 机器学习 机器学习
• 在瘤学瘤学.

背景情况:

• 解读 [18F]PSMA-1007 PET/CT扫描前列腺癌转移是具有挑战性的,因为在淋巴结和骨的非特异性吸收.
• 机器学习 (ML) 通过对成像数据中的复杂关系进行建模,为准确的诊断提供了潜力.

研究的目的:

• 研究情境信息对ML模型性能的影响,用于识别前列腺癌患者的淋巴结和骨转移,使用[18F]PSMA-1007 PET/CT.
• 为了比较ML模型有和没有背景特征用于转移检测.

主要方法:

• 对103名[18F]PSMA-1007 PET/CT扫描显示淋巴结和骨中的热点的患者进行了回顾性分析.
• 训练随机森林分类器 (RFC) 和极端梯度提升 (XGBoost) 模型,使用热点特定特征和上下文级特征 (例如附近热点的SUVmax).

主要成果:

• 情境增强的ML模型 (RFC和XGBoost) 在曲线下的面积 (AUC) 和Youden指数中明显优于热点特定模型.
• 背景增强的RFC显示了骨 (0.92) 和淋巴结 (0.95) 热点的优越AUC (p < 0.001).
• 与淋巴结转移相比,骨转移的表现改善更为明显.

结论:

• 开发了准确的ML模型,用于识别前列腺癌中的淋巴结和骨转移.
• 在ML方法中利用上下文信息显著改善[18F]PSMA-1007 PET/CT扫描上转移的检测.