Video Experimental Relacionado
Updated: Sep 9, 2025
A Cognitive Fusion-guided Prostate Biopsy Using Multiparametric Magnetic Resonance Imaging and Transrectal Ultrasound
Published on: March 21, 2025
Radiomía multiparamétrica multirregional de aprendizaje profundo para el diagnóstico de cáncer de próstata
Xijun Liu1,2, Rongzong Liu3, Haihao He1,2
1The SMART (Smart Medicine and AI-Based Radiology Technology) Lab, School of Communication and Information Engineering, Shanghai University, Shanghai, China.
Un nuevo método de radiómica de aprendizaje profundo que utiliza resonancia magnética identifica con precisión el cáncer de próstata clínicamente significativo (csPCa). Este enfoque interpretable y multirregional mejora la precisión del diagnóstico en comparación con los modelos de una sola región para un mejor manejo del paciente.
Área de la Ciencia:
- Imágenes médicas
- La inteligencia artificial en la medicina
- En el campo de la oncología
Sus antecedentes:
- La identificación precisa y no invasiva del cáncer de próstata clínicamente significativo (csPCa) es crucial para el tratamiento eficaz de la enfermedad de próstata.
- Los métodos de diagnóstico actuales pueden carecer de precisión, lo que requiere enfoques avanzados.
Objetivo del estudio:
- Desarrollar y validar un nuevo modelo de diagnóstico radiómico de aprendizaje profundo multirregional y multiparamétrico para csPCa utilizando RM.
- Mejorar la precisión y la aplicabilidad clínica de la identificación de csPCa.
Principales métodos:
- Segmentación automática de la zona periférica de la próstata (ZP) y de la zona de transición (ZT) mediante un marco de aprendizaje profundo (CNN y transformadores).
- Extracción y selección de las características radiómicas de la resonancia magnética multiparamétrica (PZ, TZ y regiones combinadas).
- Desarrollo de un modelo radiómico multirregional y multiparamétrico con contribuciones cuantificadas de características para la interpretabilidad.
Principales resultados:
- El modelo multirregional logró un AUC de 0,903 (ensamblaje interno) y 0,881 (ensamblaje externo), superando a los modelos de una sola región.
- Las imágenes ponderadas por difusión (53,28%) y el coeficiente de difusión aparente (39,52%) fueron las características diagnósticas clave.
- El modelo demostró un rendimiento superior en comparación con otros métodos.
Conclusiones:
- El modelo radiómico de aprendizaje profundo, multirregional y multiparamétrico propuesto mejora significativamente la precisión del diagnóstico de csPCa.
- El modelo ofrece información valiosa sobre los parámetros clave de la imagenología, mostrando un gran potencial de aplicación clínica en el manejo de la CSPCA.
