Radiology：MRI放射组学机器学习与ADC值在评价前列腺病变的价值
2019-03-06 shaosai MedSci原创
本研究旨在比较术前MRI阅片中比较双参数非对比放射组学机器学习（RML）平均表观扩散系数和放射科医生评价前列腺病变特点的差异。
本研究旨在比较术前MRI阅片中比较双参数非对比放射组学机器学习（RML）平均表观扩散系数和放射科医生评价前列腺病变特点的差异。
本研究共纳入了316例有MRI-经直肠US融合活检指征的男性患者（训练组183例，验证组133例）。前瞻性临床读片检出的病变进行平均ADC和放射组学分析。在训练组建立整体和前列腺分区特异性随机森林RML和平均ADC模型来对临床典型前列腺癌（Gleason分级≥2）进行分类。
结果为，在测试组，放射科医生报告中前列腺病变的敏感性、特异性分别为88% (53 of 60) and specificity of 50% (79 of 159)，平均ADC（最佳截断值732 mm2/sec）定量评价能够将假阳性病变80处显着减少到60（特异性为62% [99 of 159]），将假阴性从7处减到6处（敏感性90% [54 of 60]）(P = .048)。放射科医生诊断报告对每位患者的敏感性和特异性分别为89% (40 of 45) 、43% (38 of 88)。平均ADC值定量评价能将FP病变由50处减少到43处（特异性为51% [45 of 88]），将FN病变由5处减少到3处（敏感性为93% [42 of 45]）(P = .496)。比较评价ADC值和RML的ROC曲线下面积表明两组无差异性。
本研究表明，与临床评价相比，平均表观扩散系数（ADC）定量评价能够提高前列腺良恶性病变的能力。放射组学机器学习具有不优于评价ADC值的诊断价值。
原始出处：
Bonekamp D， Kohl S， Wiesenfarth M，et al.Radiomic Machine Learning for Characterization of Prostate Lesions with MRI： Comparison to ADC Values.Radiology.DOI：10.1148/radiol.2018173064
本文系梅斯医学（MedSci）原创编译整理，转载需授权！
小提示：本篇资讯需要登录阅读，点击跳转登录
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
#评价#
40
#ADC值#
36
#机器#
40
学习了，谢谢分享
95