骨シンチグラフィの機械学習と放射性：局所的または局所的に進行した前立腺がんの再発を予測する上での役割

背景：マシンラーニング（ML）および放射性の特徴は、さまざまな癌での生存結果分析に利用されています。この研究の目的は、患者の臨床的特徴と骨シンチグラフィ（BS）に由来する放射性特徴に基づいてMLの適用を調査し、初期治療後の局所または局所進行前立腺がん（PCA）患者における再発のない生存を評価することを目的としています。 方法：適格性基準を満たした合計354人の患者を分析し、モデルのトレーニングに使用しました。BSの臨床情報と放射性機能の特徴が取得されました。生存関連の臨床的特徴と放射性機能の特徴がMLモデルトレーニングに含まれていました。Pyradiomicsソフトウェアを使用して、専門家によって検証された各BS画像の関心地域の128のラジオミクス機能が抽出されました。GLCM、NGLDM、GLRLM、およびGLSZMの4つのテクスチャマトリックスも計算されました。5つのトレーニングモデル（ロジスティック回帰、ナイーブベイズ、ランダムフォレスト、サポートベクター分類、XGBoost）をK-fold交差検証を使用して適用しました。再発は、PSAレベルの上昇、X線撮影の進行、または死のいずれかとして定義されました。分類器の有効性を評価するために、ROC曲線面積と混乱マトリックスが採用されました。 結果：354人の患者のうち、101人の患者が非再発群と比較してより進行した疾患状態を持つ再発グループに分類されました。腫瘍段階、根治的前立腺切除術、初期PSA、グリーソンスコアの一次パターン、放射線療法などの主要な臨床的特徴をモデルトレーニングに使用しました。ランダムフォレスト（RF）は最高のパフォーマンスモデルであり、感度は0.81、特異性は0.87、精度は0.85でした。ROC曲線分析では、RFからの予測は、0.94の最終的なAUCと<0.001のp値を持つ他のMLモデルからの予測よりも優れていることが示されました。他のモデルの精度の範囲は0.52から0.78、AUCの範囲は0.67〜0.84でした。 結論：この研究では、BSの臨床的特徴と放射性特徴に基づいたMLが、初期治療後のPCA再発の予測を改善することを示しました。これらの調査結果は、BSの臨床的特徴と放射性機能に基づいて、PCAのリスク分類のためのML技術の付加価値を強調しています。

BACKGROUND: Machine-learning (ML) and radiomics features have been utilized for survival outcome analysis in various cancers. This study aims to investigate the application of ML based on patients' clinical features and radiomics features derived from bone scintigraphy (BS) and to evaluate recurrence-free survival in local or locally advanced prostate cancer (PCa) patients after the initial treatment. METHODS: A total of 354 patients who met the eligibility criteria were analyzed and used to train the model. Clinical information and radiomics features of BS were obtained. Survival-related clinical features and radiomics features were included in the ML model training. Using the pyradiomics software, 128 radiomics features from each BS image's region of interest, validated by experts, were extracted. Four textural matrices were also calculated: GLCM, NGLDM, GLRLM, and GLSZM. Five training models (Logistic Regression, Naive Bayes, Random Forest, Support Vector Classification, and XGBoost) were applied using K-fold cross-validation. Recurrence was defined as either a rise in PSA levels, radiographic progression, or death. To assess the classifier's effectiveness, the ROC curve area and confusion matrix were employed. RESULTS: Of the 354 patients, 101 patients were categorized into the recurrence group with more advanced disease status compared to the non-recurrence group. Key clinical features including tumor stage, radical prostatectomy, initial PSA, Gleason Score primary pattern, and radiotherapy were used for model training. Random Forest (RF) was the best-performing model, with a sensitivity of 0.81, specificity of 0.87, and accuracy of 0.85. The ROC curve analysis showed that predictions from RF outperformed predictions from other ML models with a final AUC of 0.94 and a p-value of <0.001. The other models had accuracy ranges from 0.52 to 0.78 and AUC ranges from 0.67 to 0.84. CONCLUSIONS: The study showed that ML based on clinical features and radiomics features of BS improves the prediction of PCa recurrence after initial treatment. These findings highlight the added value of ML techniques for risk classification in PCa based on clinical features and radiomics features of BS.