临床显著性前列腺癌的影像临床组学诊断模型的建立与时间验证
目的 通过时间验证评价基于多参数磁共振成像(mp-MRI)、纹理分析与临床资料所建立的复合机器学习模型对临床显著性前列腺癌(csPCa)的诊断效能和稳定性.方法 回顾性分析246例前列腺mp-MRI的患者资料,将mp-MRI相关特征(包括PI-RADS V2.1评分、动态增强定量参数)、纹理分析和部分临床参数进行组合,进行降维和特征选择,建立SVM和Logistic模型,并进行内部验证和时间验证,分别运用受试者工作特征曲线、决策曲线分析(DCA)比较两模型的诊断效能及临床获益.结果 优选出的关键参数有:T2.Quantilel0、T2.Quantile95、ADC.MinIntensity、ADC.Uniformity、ADC.Quantile75、ImageStd、VeStd、Ve0.1、Vp0.75、TTPMax、DWI(PI-RADS)、PI-RADS、age、tPSA,Logistic 模型中 T2.Quantile95 为 csPCa 独立预测参数(P＜0.05).SVM 和 Logistic 模型对内部验证组进行分类的曲线下面积(AUC)分别为0.96、0.88,对时间验证组进行分类的AUC分别为0.80和0.77,两种模型的AUC之间的差异无统计学意义(P＞0.05);内部验证组与时间验证组两模型的AUC之间的差异有统计学意义(P＜0.05).DCA表明:概率阈值为0.12～0.49时,Logistic模型净获益高于SVM模型;概率阈值为0.50～0.95时,SVM模型净获益高于Logistic模型.结论 14个关键参数中T2.Quantile95为独立预测参数,基于这些参数建立的Logistic与SVM模型对csPCa都能取得较好的诊断效能,两模型的稳定性较好,概率阈值＜0.5时,Logistic模型的净获益较大,概率阈值＞0.5时,SVM模型的净获益较大.
多参数磁共振、临床显著性前列腺癌、机器学习模型、时间验证
41
R737.25;R54;R445.2
成都市医学科研课题项目;成都市医学科研课题项目
2023-02-24（万方平台首次上网日期，不代表论文的发表时间）
共5页
2082-2086
