在双参数MRI上进行临床显著前列腺癌检测的解剖学导向自适应深度神经网络:一个多中心研究
Ahmet Karagoz1,2, Deniz Alis3,4, Mustafa Ege Seker5
1Department of Computer Engineering, Istanbul Technical University, Istanbul, Turkey.
Insights into imaging
|June 19, 2023
概括
一个深度学习模型有效地检测出临床显著的前列腺癌 (csPCa) 使用跨多种数据集的双参数MRI扫描. 这种先进的AI表现出强大的性能,突出了其在临床环境中改善前列腺癌诊断的潜力.
科学领域:
- 医疗成像中的人工智能
- 前列腺癌的诊断方法 前列腺癌的诊断方法
- 深度学习应用程序
背景情况:
- 双参数MRI (bp-MRI) 对于前列腺癌的检测至关重要.
- 深度学习模型在分析医疗图像方面表现有前途.
- 评估各种数据集的AI概括性是必不可少的.
研究的目的:
- 评估自适应深度网络在检测临床显著前列腺癌 (csPCa) 的有效性.
- 在外部,多中心和多人口统计数据上验证模型.
- 探索转移学习对模型性能的好处.
主要方法:
- 在PI-CAI数据集中的1500个bp-MRI扫描上训练了一个3D nnU-Net模型.
- 该模型使用概率前列腺面膜进行训练.
- 在使用AUROC的内部 (PI-CAI) 和外部 (内部) 数据集上评估了性能.
主要成果:
- 该模型在验证数据上达到0.888的AUROC,在测试数据上达到0.889的高性能.
- 在内部数据集 (AUROC 0.886) 上观察到出色的表现.
- 转移学习显示表现略有下降 (AUROC 0.870).
结论:
- 深度学习模型在检测csPCa方面表现出强大且可泛化的性能.
- 这些发现支持在大规模的bp-MRI数据上训练的人工智能用于前列腺癌检测的有效性.
- 这项技术具有显著的潜力,可以提高临床前列腺癌诊断.
