基于多参数MRI及影像组学建立机器学习模型诊断临床显著性前列腺癌

Establishment of machine learning models for diagnosis of clinically significant prostate cancer based on multi-parameter MRI and radiomics

二维码有效期 120s

摘要目的建立基于多参数MRI (mpMRI)和影像组学特征的机器学习模型,评价其诊断临床显著性前列腺癌(CSPC)的价值.方法结合纹理分析、MR动态增强定量分析、前列腺影像报告与数据系统(PI-RADS)评分和部分临床资料建立Logistic回归(LR)、逐步回归(SR)、经典决策树(cDT)、条件推断树(CIT)、随机森林(RF)和支持向量机(SVM)模型,运用ROC曲线和决策曲线分析法(DCA)评价上述模型和变量的重要性.结果验证组中RF模型诊断CSPC的AUC大于SVM、cDT、SR模型(P均＜0.05),RF模型与LR、CIT模型诊断CSPC的AUC差异无统计学意义(P均＞0.05),其余各模型间诊断CSPC的AUC差异无统计学意义(P均＞0.05).概率阈值为16％～91％时,RF模型的净获益最大,优于其他模型;概率阈值为23％～91％时,SVM模型的净获益仅次于RF模型而优于其他模型.前列腺特异性抗原密度(PSAD)和部分纹理分析参数的重要性较高.结论 RF模型诊断CSPC优于其他模型,SVM模型次之.PSAD和纹理分析相关参数诊断CSPC的重要性高于PI-RADS评分和动态增强MRI定量参数.