放射学人工智能辅助影像学检查准确预测

导读：

尽早对前列腺癌的风险进行评估，会对疾病管理﹑治疗选择和患者预后产生重大影响。影像组学（Radiomics）是一项使用数据表征算法的创新技术，它利用自动高通量从医学图像中提取大量（t）定量特征，挖掘视觉上看不到的潜在数据。这些独特的成像功能可用于预测预后和治疗效果，从而为个性化治疗提供有价值的信息。机器学习是人工智能的一个领域，它使用统计技术使计算机系统能够从数据中“学习”，提高特定任务的性能，而无需进行明确的编程。人工智能和影像组学的结合可以帮助区分良性和恶性病变，预测病变风险或治疗效果，并通过分析这些高通量特征来检测基因特征与医学图像之间的关系。本研究中将影像组学这一技术应用于前列腺癌风险的评估中，并与活检结果进行对比研究。

在全球范围内，前列腺癌（PCa）是第二大最常见的癌症类型，在引起男性死亡的癌症中排名第5。在84个国家/地区中，前列腺癌是男性中最常见的癌症，在发达国家中更为常见，并且PCa的发病率在发展中国家中也在不断增加。

到目前为止，病理活检被视为评估PCa风险的参考标准。然而，病理活检有引起多种并发症的风险，例如感染/败血症﹑血尿﹑血精症和直肠出血，这些疾病会引起患者的痛苦和焦虑。前列腺特异性抗原（PSA）水平是评价PCa风险的一种非侵入性方法，但该测试的特异性和准确性非常低。

近年来，多参数核磁共振成像（MRI）被认为是用于PCa检测或分类有效的无创性工具。动态对比增强核磁共振（DCE-MRI）是临床工作中使用最广泛的技术之一。

重庆医科大医院放射科的研究团队在Y.Zeng和C.M.Li两位研究者的带领下，探究了影像组学和基于自动机器学习的DCE-MRI原始图像分类这一组合能否在活检前预测PCa的风险。

该研究连续纳入40例需要通过活检来确认PCa患者。在DCE-MRI检查后的4周内进行活检。根据时间-信号-强度曲线，在原始DCE-MRI图像的第一增强阶段及最强阶段进行病变分割，并从每个病变中自动计算个定量影像组学特征，其中有三个可用的数据集（数据集F，数据集S和数据集FS）。使用方差阈值方法，选择k-最佳方法以及最小绝对收缩和选择算子算法来减小特征尺寸。采用了五种交叉验证的机器学习方法，并通过接收者操作特性曲线下的面积评估了每种模型的临床价值。对最佳分类性能的机器学习模型特征和PCa病变的Gleason评分之间进行相关性分析。

（图片来自英文原文作者）

图释：一名61岁的男性，左外周区患有（3t3）肿瘤，且GS为6；（a）T2加权图像上的肿瘤病变（箭头所指）；（b）表观扩散系数（ADC）图上的肿瘤病变（箭头所指）；（c）在第一增强阶段（F-1-1）轮廓化的肿瘤病变；（d）在最强阶段（S-1-1）勾勒出肿瘤病变

在数据集F，S和FS中分别选择了8个，4个和16个特征作为最佳子集。在所有三个数据集中，基于Logistic回归的数据集FS具有最高的预测效力。数据集FS的10个特征与GS呈显著正相关。数据集F的模型性能通常优于数据集S。

总体来说，结合影像组学和机器学习分析的原始DCE-MRI图像第一增强阶段和最强阶段的图像，可以无创﹑准确和自动地预测PCa的风险。

投稿

推荐

本文摘自Elsevier旗下期刊

扫描获取更多该期刊信息

识别

转载请注明：http://www.pdnze.com/xjzl/11853.html