三维卷积神经网络模型用于识别跨直肠超声视频中临床显著的前列腺癌:一个前性,多机构的诊断研究
Yi-Kang Sun1, Bo-Yang Zhou1, Yao Miao2,3
1Department of Ultrasound, Zhongshan Hospital, Institute of Ultrasound in Medicine and Engineering, Fudan University, Shanghai, China.
EClinicalMedicine
|June 19, 2023
概括
一个新的AI模型,3D P-Net从超声波视频中有效地识别出临床显著的前列腺癌 (csPCa),与传统方法相比,大大减少了不必要的活检.
科学领域:
- 医疗成像中的人工智能
- 在瘤学瘤学.
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
背景情况:
- 传统的跨直肠超声波 (TRUS) 对临床显著的前列腺癌 (csPCa) 的诊断性能有限.
- 精确的剖析前鉴定csPCa对于改善患者的预后和减少不必要的程序至关重要.
研究的目的:
- 开发和评估一个高性能卷积神经网络 (CNN) 模型,P-Net,用于使用TRUS视频识别csPCa.
- 调查2D P-Net和3D P-Net在检测csPCa和减少不必要的活检方面的有效性.
主要方法:
- 用标准化的TRUS视频对832名接受前列腺活检/根性前列腺切除术的患者进行前性评估.
- 在培训,内部和外部队列上开发和验证2D和3D CNN模型 (P-Net).
- 将P-Net模型与TRUS5点利克特分数和mp-MRIPI-RADS v2.1进行比较,使用AUC,活检率和不必要的活检率.
主要成果:
- 与TRUS利克特得分相比,3D P-Net显示出更高的诊断性能 (AUC:0.85-0.89),并且与mp-MRI PI-RADS v2.1.2可比.
- 3D P-Net模型将活检率降至34.0%,不必要的活检率降至25.8%.
- 决策曲线分析表明,3D P-Net 模型的净收益最高.
结论:
- 使用前列腺灰度TRUS视频的3D P-Net模型显示出识别csPCa和减少不必要的活检的巨大潜力.
- 进一步的研究和随机对照试验有必要将像P-Net这样的AI模型集成到常规的临床实践中.
