日本語AIでPubMedを検索
前立腺癌の特性評価のためのマルチパラメトリックMRI。ラジオミクスモデルとPI-RADSおよび臨床パラメータの組み合わせ
Multiparametric MRI for Prostate Cancer Characterization: Combined Use of Radiomics Model with PI-RADS and Clinical Parameters.
PMID: 32630787 DOI: 10.3390/cancers12071767.
抄録
ラジオミクスは，患者のリスク層別化への応用が期待される画像解析の新興分野である．本研究では，マルチパラメトリック磁気共鳴画像法（mpMRI）から抽出した定量的なラジオミクス特徴を用いて，前立腺癌（PCa）を検出・分類するための機械学習モデルを開発し，評価した．前立腺mpMRIを受け、標的化と系統的融合生検を組み合わせた患者191例をレトロスペクティブに対象とした。前立腺腺全体と指標病変のセグメンテーションは、見かけの拡散係数（ADC）マップとT2強調MRIで手動で行った。前立腺全体と指標病変に対応する領域からラジオミクス特徴量を抽出した。特徴設定と分類器の組み合わせで最も性能の良いものを選択し、受信機操作特性（ROC）分析を用いて、放射線技師の評価（PI-RADS）、平均ADC、前立腺特異抗原密度（PSAD）、直腸指診デジタル検査（DRE）の予測能力を比較した。モデルは、反復5倍クロスバリデーションと別個の独立したテストコホートを用いて評価した。テストコホートでは、ラジオミクスモデルとPI-RADS、PSAD、DREのモデルを組み合わせたアンサンブルモデルが、(i)前立腺の悪性病変と良性病変の鑑別（AUC = 0.889）、(ii)臨床的に有意なPCa（csPCa）と臨床的に取るに足らないPCa（cisPCa）の鑑別（AUC = 0.844）において、高い予測AUCを達成した。我々の複合モデルは、がん検出（AUC = 0.779; = 0.054）および臨床的有意性予測（AUC = 0.688; = 0.209）においてPI-RADSよりも数値的に優れており、csPCa予測（AUC = 0.571; = 0.022）においてはmADCと比較して有意に優れた性能を示した。我々の研究では、ラジオミクスは前立腺指標病変を正確に特徴付け、PCaの特徴付けのために放射線技師に匹敵する性能を示した。定量的な画像データは潜在的なバイオマーカーであり、PI-RADS、PSAD、DREと組み合わせることで、mADCよりも正確にcsPCaを予測することができる。予後を予測する機械学習モデルは、MRI誘導生検のためのcsPCa検出と患者選択を支援する可能性があります。
Radiomics is an emerging field of image analysis with potential applications in patient risk stratification. This study developed and evaluated machine learning models using quantitative radiomic features extracted from multiparametric magnetic resonance imaging (mpMRI) to detect and classify prostate cancer (PCa). In total, 191 patients that underwent prostatic mpMRI and combined targeted and systematic fusion biopsy were retrospectively included. Segmentations of the whole prostate glands and index lesions were performed manually in apparent diffusion coefficient (ADC) maps and T2-weighted MRI. Radiomic features were extracted from regions corresponding to the whole prostate gland and index lesion. The best performing combination of feature setup and classifier was selected to compare its predictive ability of the radiologist's evaluation (PI-RADS), mean ADC, prostate specific antigen density (PSAD) and digital rectal examination (DRE) using receiver operating characteristic (ROC) analysis. Models were evaluated using repeated 5-fold cross-validation and a separate independent test cohort. In the test cohort, an ensemble model combining a radiomics model, with models for PI-RADS, PSAD and DRE achieved high predictive AUCs for the differentiation of (i) malignant from benign prostatic lesions (AUC = 0.889) and of (ii) clinically significant (csPCa) from clinically insignificant PCa (cisPCa) (AUC = 0.844). Our combined model was numerically superior to PI-RADS for cancer detection (AUC = 0.779; = 0.054) as well as for clinical significance prediction (AUC = 0.688; = 0.209) and showed a significantly better performance compared to mADC for csPCa prediction (AUC = 0.571; = 0.022). In our study, radiomics accurately characterizes prostatic index lesions and shows performance comparable to radiologists for PCa characterization. Quantitative image data represent a potential biomarker, which, when combined with PI-RADS, PSAD and DRE, predicts csPCa more accurately than mADC. Prognostic machine learning models could assist in csPCa detection and patient selection for MRI-guided biopsy.