已验证的前列腺MRI深度学习系统应用于独立的同一供应商多机构数据:证明可转移性的证明

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
• 深度学习用于放射学.

背景情况:

• 在MRI上精确检测和细分临床显著的前列腺癌 (csPCa) 对患者管理至关重要.
• 深度学习 (DL) 系统为自动化这一过程提供了潜力,但它们对外部数据集的概括性至关重要.
• 在不参与培训的机构的数据上评估DL的表现对于现实世界的适用性至关重要.

研究的目的:

• 评估全自动深度学习系统 (UNETM) 在前列腺MRI上检测和细分csPCa的性能.
• 在两个独立的外部机构和公共挑战数据集中验证系统的通用性.
• 为了比较DL系统的性能与放射科医生划分,并分析不同MRI序列的影响.

主要方法:

• 一项回顾性研究将验证的DL系统 (UNETM) 应用于来自两个外部机构和公共数据集的双参数MRI数据.
• csPCa是由来自MRI/透直肠US融合活检的ISUP等级组≥2定义的.
• 使用ROC AUC,特异性,Dice系数,FROC和waFROC评估性能,并分析扩散序列的影响.

主要成果:

• 在本地和外部数据集中,DL系统显示了可比的考试级别诊断性能 (ROC AUC:0.80-0.87).
• 在各个队列的不同灵敏度水平下,特异性有所不同 (例如,在队列A中,在95%/90%灵敏度下,30%/50%).
• 损伤水平分析显示,Dice系数为0.36 (A) 和0.49 (B),waFROC AUC为0.67 (A) 和0.70 (B).

结论:

• 全自动深度学习系统在独立的外部数据集上保持了可接受的诊断性能,在不需要再培训的情况下证明了适用性.
• 该系统的概括能力表明,人工智能模型可以将领域知识转移到基于MRI的前列腺癌评估中.
• 对概率值的机构特定校准对于在部署人工智能模型时优化灵敏度和特异性很重要.