相关实验视频
Updated: Jul 15, 2025

Detrusor Underactivity Model in Rats by Conus Medullaris Transection
Published on: August 28, 2020
基于MRI的多个解剖学参数预测术后尿失禁的人工智能方法
Jiakun Li1,2, Xuemeng Fan1,2, Tong Tang2,3
1Department of Urology, West China Hospital, Sichuan University, Chengdu, China.
深度学习模型可以使用MRI测量预测前列腺癌手术后的尿失禁. 可解释的人工智能识别了关键的解剖特征,帮助临床决策,改善了机器人辅助激进前列腺切除术 (RARP) 后的患者结果.
科学领域:
- 医疗成像和人工智能的人工智能
- 泌尿病学和瘤学 尿病学和瘤学
- 机器学习可以解释机器学习的解释性.
背景情况:
- 深度学习 (DL) 模型在医学中具有潜力,但往往缺乏可解释性.
- 解读神经网络的工具Captum在医学研究中未得到充分利用.
- 有限的数据存在于前列腺癌患者的MRI解剖测量后机器人辅助激进前列腺切除术 (RARP),阻碍了禁欲预测.
研究的目的:
- 使用MRI数据探索DL模型的能源效率,用于预测RARP后的尿失禁.
- 分析和比较用于禁欲预测的统计和DL模型.
- 为在临床环境中应用可解释的DL模型提供参考.
主要方法:
- 利用了2019年7月至2020年12月期间接受RARP的患者的MRI解剖测量.
- 采用统计方法和计算模型来识别禁欲特征并评估其影响.
- 开发并分析了一个DL模型 (UINet7) 用于特征发现和预测.
主要成果:
- 该UINet7模型在预测失禁时达到0.97准确度.
- 年龄和六个解剖学测量被确定为前七个禁欲特征.
- 由UINet7确定的前四个特征也得到了初级统计分析的证实.
结论:
- 本研究解决了理解RARP后禁特征的差距,使用可解释的DL.
- 它介绍了DL模型对临床泌尿病问题的新应用.
- 可解释AI分析显示了临床应用在预测患者结果方面的巨大潜力.
更多相关视频
07:41Quantification of Levator Ani Hiatus Enlargement by Magnetic Resonance Imaging in Males and Females with Pelvic Organ Prolapse
Published on: April 17, 2019
06:46Author Spotlight: Enhanced Urodynamic Method for Precise Urine Measurement in Awake Mice with Neurogenic Bladder
Published on: June 7, 2024
相关概念视频
Imaging Studies IV: Magnetic Resonance Imaging
Imaging Studies VI: Voiding Cystourethrography and Cystography