
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于双参数MRI栖息地影像组学的多机器学习模型术前预测前列腺癌ISUP分级
《BMC Medical Imaging》:MRI habitat analysis using interpretable machine learning models for ISUP grade group prediction in prostate cancer
【字体: 大 中 小 】 时间:2026年10月08日 来源:BMC Medical Imaging 3.9
编辑推荐:
摘要背景评估基于双参数磁共振成像(bpMRI)栖息地成像(HI)的前列腺癌ISUP分级非侵入性术前分类模型的诊断效能。方法回顾性收集2021年7月至2024年8月间在两家医疗中心经病理确诊的前列腺癌患者的临床资料,包括临床信息、病理结果及双参数MRI(T2WI+DWI)特征。
评估基于双参数磁共振成像(bpMRI)栖息地成像(HI)的前列腺癌ISUP分级非侵入性术前分类模型的诊断效能。
回顾性收集2021年7月至2024年8月间在两家医疗中心经病理确诊的前列腺癌患者的临床资料,包括临床信息、病理结果及双参数MRI(T2WI+DWI)特征。将中心1的患者按7:3的比例随机分为训练组和内部验证组,中心2的患者作为外部验证组。采用K-means聚类算法分割栖息地子区域,随后从各子区域提取影像组学特征。使用五种机器学习算法建立预测模型,并进行SHapley加性解释(SHAP)分析以量化和可视化特征重要性。采用ROC分析评估所有模型对前列腺癌ISUP分级的预测效能。进一步采用校准曲线和决策曲线分析评估模型的校准度和临床净收益。
本研究共纳入412例患者,包括训练组(n = 196)、内部验证组(n = 82)和外部验证组(n = 134)。多因素分析显示,总前列腺特异性抗原(tPSA)(OR = 1.041,p < 0.001)和ADC比值(肿瘤/正常组织平均ADC值)(OR < 0.001,p < 0.001)是前列腺癌ISUP分级的独立预测因子。在建立的40个预测模型中,整合临床因素、常规影像特征及T2WI栖息地子区域3衍生影像组学特征的综合模型表现最优。该综合模型在训练组、内部验证组和外部验证组中的AUC值分别为0.867、0.900和0.826。与其他所有模型相比,该模型还取得了更优的预测效能和临床净收益。
基于bpMRI的整合临床、影像及栖息地影像组学特征的综合模型能够实现前列腺癌ISUP分级的非侵入性术前预测,可作为辅助工具促进个体化术前治疗决策。
评估基于双参数磁共振成像(bpMRI)栖息地成像(HI)的前列腺癌ISUP分级非侵入性术前分类模型的诊断效能。
回顾性收集2021年7月至2024年8月间在两家医疗中心经病理确诊的前列腺癌患者的临床资料,包括临床信息、病理结果及双参数MRI(T2WI+DWI)特征。将中心1的患者按7:3的比例随机分为训练组和内部验证组,中心2的患者作为外部验证组。采用K-means聚类算法分割栖息地子区域,随后从各子区域提取影像组学特征。使用五种机器学习算法建立预测模型,并进行SHapley加性解释(SHAP)分析以量化和可视化特征重要性。采用ROC分析评估所有模型对前列腺癌ISUP分级的预测效能。进一步采用校准曲线和决策曲线分析评估模型的校准度和临床净收益。
本研究共纳入412例患者,包括训练组(n = 196)、内部验证组(n = 82)和外部验证组(n = 134)。多因素分析显示,总前列腺特异性抗原(tPSA)(OR = 1.041,p < 0.001)和ADC比值(肿瘤/正常组织平均ADC值)(OR < 0.001,p < 0.001)是前列腺癌ISUP分级的独立预测因子。在建立的40个预测模型中,整合临床因素、常规影像特征及T2WI栖息地子区域3衍生影像组学特征的综合模型表现最优。该综合模型在训练组、内部验证组和外部验证组中的AUC值分别为0.867、0.900和0.826。与其他所有模型相比,该模型还取得了更优的预测效能和临床净收益。
基于bpMRI的整合临床、影像及栖息地影像组学特征的综合模型能够实现前列腺癌ISUP分级的非侵入性术前预测,可作为辅助工具促进个体化术前治疗决策。