检测前列腺癌的不良病理与深度学习方法基于3D旋转变压器模型和双参数核磁共振:一个多中心的回顾性研究
Litao Zhao1,2,3, Jie Bao4, Ximing Wang4
1School of Engineering Medicine, Beihang University, Beijing, China.
Journal of magnetic resonance imaging : JMRI
|August 21, 2023
概括
深度学习模型TransNet和TransCL在前列腺癌中检测不良病理 (AP) 方面表现有前途,优于临床模型和放射科医生. 这有助于个性化治疗决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 精确检测前列腺癌中不良病理 (AP) 对于个性化治疗至关重要.
- 基于临床因素的放射科医生的评估在识别AP存在时显示出有限的准确性.
研究的目的:
- 开发深度学习 (DL) 模型,用于检测前列腺癌中的AP.
- 将这些DL模型的性能与临床模型 (CM) 和放射科医生的解释 (RI) 进行比较.
主要方法:
- 一项回顾性研究涉及616名接受激进前列腺切除术的男性,分为培训和验证队列.
- 使用了T2加权和扩散加权的MRI序列. 一个Swin-Transformer网络 (TransNet) 被开发出来,以及一个集成模型 (TransCL),将TransNet与临床特征相结合.
- 使用接收器操作特征曲线 (AUC) 下的面积,灵敏度和特异性来评估性能.
主要成果:
- 集成的TransCL模型实现了0.813的AUC,超过了TransNet (0.791),临床模型 (0.749) 和放射科医生的解释 (0.664).
- 与临床模型和放射科医生的解释相比,TransCL在检测AP的准确性显著更高.
结论:
- 深度学习模型TransNet和TransCL显示出在帮助检测前列腺癌中的AP和特定不良病理特征方面的潜力.
- 这些先进的模型有可能提高诊断准确性,并支持前列腺癌患者的临床决策.
