Sci Rep：利用机器学习和放射组学对前列腺癌的客观风险分层研究
2019-02-21 AlexYang MedSci原创
多参数核磁共振成像（mpMRI）在前列腺癌（PCa）的临床评估中变得越来越重要，但是由于存在相对主观的特性，由其解释的内容普遍存在不统一的地方。放射组学和分层方法展现出了具有改善基于mpMRI的PCa评估准确性和客观性的能力。然而，这些研究由于分层方法数量的限制而受限，要么只运用AUC评分来评估，要么所有可能的放射组学和分层方法组合的不充分利用。最近，有研究人员呈现了一个系统的和有效的评估框架，包
多参数核磁共振成像（mpMRI）在前列腺癌（PCa）的临床评估中变得越来越重要，但是由于存在相对主观的特性，由其解释的内容普遍存在不统一的地方。放射组学和分层方法展现出了具有改善基于mpMRI的PCa评估准确性和客观性的能力。然而，这些研究由于分层方法数量的限制而受限，要么只运用AUC评分来评估，要么所有可能的放射组学和分层方法组合的不充分利用。
最近，有研究人员呈现了一个系统的和有效的评估框架，包括了分层方法、交叉鉴定和统计学分析。上述方法基于来源于一个大群体的mpMRI的放射组学特性，主要用来对PCa风险分层进行最好的鉴定。研究人员指出，他们开发的鉴定方法在一个独立的验证集中表现良好，包括了在某些方面的表现要优于PI-RADS，展现了利用放射组学和分层方法来对mpMRI成像进行客观评价在PCa风险评估中的应用价值。
原始出处：
Bino Varghese， Frank Chen， Darryl Hwang et al. Objective risk stratification of prostate cancer using machine learning and radiomics applied to multiparametric magnetic resonance images. Sci Rep. 07 Feb 2019.
本文系梅斯医学（MedSci）原创编译整理，转载需授权！
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#风险分层#
31
#机器#
31