过渡区前列腺癌:基于纹理的机器学习和基于图像的深度学习的性能.

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 过渡区前列腺癌 (TZPCa) 的检测具有挑战性,通常被良性前列腺增生 (BPH) 掩盖.
• 基于MRI的精确检测TZPCa对于有效的患者管理至关重要.

研究的目的:

• 为了比较基于纹理的机器学习和基于图像的深度学习对TZPCa检测的性能.
• 用MRI评估这些AI方法来区分TZPCa与BPH.
• 评估它们作为诊断或查工具的潜力.

主要方法:

• 使用机器学习的纹理分析 (逻辑回归,SVM,随机森林) 在T2WIMRI上.
• 基于图像的深度学习 (卷积神经网络) 应用于TZPCa和BPH图像.
• 验证使用单次离开和十倍交叉验证,使用包括AUC和ROC曲线在内的性能指标.

主要成果:

• 基于纹理的方法实现了高AUC (0.854-0.861) 和特异性 (0.710-0.775).
• 基于图像的深度学习显示高灵敏度 (0.946) 与良好的AUC (0.802) 但适度的特异性 (0.643).

结论:

• 基于纹理的机器学习显示出作为可疑TZPCa病变的支持性诊断工具的希望.
• 基于图像的深度学习是有效的选工具,用于识别可疑的TZPCa病变,因为它的高灵敏度.