基于双参数磁共振影像组学与临床变量的联合列线图用于临床显著性前列腺癌的无创风险分层
《BMC Medical Imaging》:A radiomics-clinical nomogram based on biparametric MRI for improved risk stratification of clinically significant prostate cancer
【字体:
大
中
小
】
时间:2026年10月09日
来源:BMC Medical Imaging 3.9
编辑推荐:
**摘要**
**背景**
本研究开发并验证了一种基于双参数磁共振成像(bpMRI)的机器学习模型,该模型整合了临床变量、前列腺影像报告和数据系统(PI-RADS)评分以及影像组学特征,以区分临床显著性前列腺癌(csPCa)。
**方法**
本回顾性研究纳入458例具
**摘要****背景**本研究开发并验证了一种基于双参数磁共振成像(bpMRI)的机器学习模型,该模型整合了临床变量、前列腺影像报告和数据系统(PI-RADS)评分以及影像组学特征,以区分临床显著性前列腺癌(csPCa)。**方法**本回顾性研究纳入458例具有临床数据和bpMRI数据的患者。通过单变量和多变量逐步回归筛选临床预测因子。使用3D Slicer在T2加权成像(T2WI)和表观扩散系数(ADC)图上勾画感兴趣区域(ROI),并使用PyRadiomics提取影像组学特征。通过降维和最小绝对收缩和选择算子(LASSO)回归筛选最优特征。将患者按7:3的比例分为训练集和验证集。对逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)和XGBoost作为影像组学模型和联合模型的候选算法进行评估。最终算法根据区分度、校准度和临床效用进行遴选。模型性能通过区分度(受试者工作特征曲线下面积,AUC)、校准度(校准斜率和截距)以及临床效用(10%–60%阈值范围内的决策曲线分析)进行评估。随后利用所选模型构建列线图。**结果**在验证队列中,临床模型、影像组学LR模型和联合LR模型分别达到AUC值0.843、0.888和0.900。联合LR模型的区分度显著优于临床模型(*p* < 0.001)和影像组学LR模型(*p* = 0.032)。联合LR模型的灵敏度为0.841,校准斜率为0.950(截距 = ?0.759)。在综合考量区分度、校准度和临床效用后,最终选择联合LR模型构建列线图,该列线图在10%–60%阈值范围内显示出良好的校准性和净获益。**结论**该列线图整合了bpMRI影像组学、临床变量和PI-RADS评分,其性能优于传统的影像组学模型和临床模型。该工具为活检前的风险分层提供了一种无创手段,有助于减少不必要的活检。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号