一项多中心研究，探讨了基于自动分割的多模态融合技术在前列腺癌检测中的应用，该技术结合了放射组学、深度学习和临床参数

《Abdominal Radiology》：A multicenter study of automatic segmentation-based multimodal fusion integrating radiomics, deep learning, and clinical parameters for prostate cancer detection

　　

摘要

目标

旨在开发并验证一种可解释的机器学习模型，该模型结合了放射组学、深度学习（DL）和临床特征，基于自动MRI分割技术来检测前列腺癌（PCa）。

方法

这项回顾性多中心研究共纳入了433名前列腺患者。其中内部队列包含346名患者，这些患者被随机分为训练集（n = 242）和内部验证集（n = 104），比例为7:3。使用TotalSegmentator对T2加权成像和表观扩散系数图进行了自动前列腺分割。通过互信息、mRMR、LASSO和皮尔逊相关性分析提取和选择了放射组学特征。深度学习标签来自DenseNet-121卷积神经网络。利用极端梯度提升（XGBoost）算法，构建了四种类型的预测模型：临床模型、放射组学模型、深度学习模型，以及整合了所有三种特征类型（临床、放射组学和深度学习特征）的组合模型。模型性能通过曲线下面积（AUC）及相关指标进行评估。使用包含87名患者的外部测试集验证了每个模型的预测性能。最后，应用了Shapley加性解释（SHAP）方法来提高模型的可解释性并量化各个特征的影响。

结果

整合了放射组学、深度学习和临床特征的组合模型在外部测试集中取得了最高的AUC值0.902（95%置信区间0.841–0.962），优于单独的模型。SHAP分析显示前列腺特异性抗原密度和深度学习标签是主要的预测因子，并提供了对模型决策的透明全局和局部解释。

结论

基于自动MRI分割技术，结合临床、放射组学和深度学习特征的组合模型在前列腺癌检测中实现了高准确率，并展现出良好的临床应用前景。

目标

旨在开发并验证一种可解释的机器学习模型，该模型结合了放射组学、深度学习（DL）和临床特征，基于自动MRI分割技术来检测前列腺癌（PCa）。

方法

这项回顾性多中心研究共纳入了433名前列腺患者。其中内部队列包含346名患者，这些患者被随机分为训练集（n = 242）和内部验证集（n = 104），比例为7:3。使用TotalSegmentator对T2加权成像和表观扩散系数图进行了自动前列腺分割。通过互信息、mRMR、LASSO和皮尔逊相关性分析提取和选择了放射组学特征。深度学习标签来自DenseNet-121卷积神经网络。利用极端梯度提升（XGBoost）算法，构建了四种类型的预测模型：临床模型、放射组学模型、深度学习模型，以及整合了所有三种特征类型（临床、放射组学和深度学习特征）的组合模型。模型性能通过曲线下面积（AUC）及相关指标进行评估。使用包含87名患者的外部测试集验证了每个模型的预测性能。最后，应用了Shapley加性解释（SHAP）方法来提高模型的可解释性并量化各个特征的影响。

结果

整合了放射组学、深度学习和临床特征的组合模型在外部测试集中取得了最高的AUC值0.902（95%置信区间0.841–0.962），优于单独的模型。SHAP分析显示前列腺特异性抗原密度和深度学习标签是主要的预测因子，并提供了对模型决策的透明全局和局部解释。

结论

基于自动MRI分割技术，结合临床、放射组学和深度学习特征的组合模型在前列腺癌检测中实现了高准确率，并展现了良好的临床应用前景。