基于机器学习的放射学模型的开发和验证,使用超声波图像特征来研究前列腺癌风险分层
Anli Zhao1, Shunlan Du2, Yanhong Du1
1Ultrasound Department, Dongyang People's Hospital, 322100 Dongyang, Zhejiang, China.
Annali italiani di chirurgia
|January 15, 2026
概括
使用超声波放射学的机器学习模型有效地分层前列腺癌 (PCa) 风险. 该工具准确地识别高风险患者,帮助早期诊断和个人化前列腺癌治疗决策.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 机器学习 机器学习
背景情况:
- 前列腺癌 (PCa) 风险分层对于有效治疗至关重要.
- 目前的方法依赖于PSA水平,格里森得分和临床T阶段.
- 需要新的工具来改善早期诊断和决策.
研究的目的:
- 使用超声波成像和机器学习开发PCa的风险分层模型.
- 提供早期PCa诊断和个性化治疗的有效工具.
主要方法:
- 对211名经遗传病理学确认的PCa患者进行了回顾性分析.
- 从超声波图像中提取135个定量放射性特征.
- 在特征选择后应用机器学习算法 (SVM,RF,LR).
主要成果:
- 随机森林 (RF) 模型表现出高精度 (90%训练,88%测试) 和AUC (0.87训练,0.86测试) 的卓越性能.
- 在AUC比较中,RF显著优于SVM和物流回归 (LR).
- 来自波形转换的灰色水平依赖矩阵 (GLDM) 的纹理特征是最具预测性,强调了内异质性.
结论:
- 一个基于射频的超声波放射学模型准确地分层PCa风险.
- 该模型在识别高风险前列腺癌患者方面表现出色.
- 这种方法为PCa管理中的临床决策提供了有价值的工具.
