10.16352/j.issn.1001-6325.2023.09.1432
联合TRUS和CEUS建立对前列腺外周带病变良恶性的预测模型
目的 建立联合经直肠超声(TRUS)常规二维模型(B型)和超声造影(CEUS)预测前列腺外周带病变良恶性的机器学习模型.方法 回顾性分析了109 例前列腺外周带病灶,良性45 例,恶性64 例,均以超声引导下靶向穿刺活检病理作为金标准.使用Sonoliver软件获得病变处造影的时间-强度曲线,得到以下参数:峰值强度(IMAX)、上升时间(RT)、达峰时间(TTP)和平均渡越时间(MTT).收集患者的相关危险因素,包括年龄、总血清前列腺特异性抗原(tPSA)、游离前列腺特异性抗原(fPSA)、游离/总前列腺特异性抗原(f/tPSA)、前列腺体积和前列腺特异性抗原密度(PSAD).分别运用特征相关性分析和多元Logistic回归进行影像组学的特征筛选和建模.结果 最终筛选出 32 个特征,建立了 3 种影像组学相关诊断模型(B模型、CEUS模型、B-CEUS联合模型),得到 3 种不同的影像组学评分.其中,年龄、PSAD和RT是预测前列腺外周带病灶良恶性的独立危险因素(P<0.05).B模型、CEUS型、B-CEUS联合型、危险因素模型、危险因素-影像组学联合模型的诊断准确性分别为 0.75、0.71、0.73、0.70、0.84;诊断的曲线下面积(AUC)分别为 0.79、0.75、0.84、0.79、0.91.危险因素-影像组学联合模型在验证集中有显著优势(P<0.05).结论 联合TRUS和CEUS及相关危险因素的机器学习模型可以较好的预测前列腺外周带病变的良恶性,对临床诊断有一定价值.
超声造影(CEUS)、前列腺、外周带、影像组学
43
R737.25(肿瘤学)
北京市海淀区卫生健康发展科研培育项目;航天中心医院科研基金项目
2023-09-11(万方平台首次上网日期,不代表论文的发表时间)
共7页
1432-1438