半监督学习与以报告为指导的伪标签,用于基于深度学习的前列腺癌检测,使用双参数MRI

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 用于恶性瘤检测的深度学习模型需要大量的注释数据集,这些数据集的获取是昂贵的和耗时的.
• 前列腺癌的诊断严重依赖于MRI,但准确的解释可能具有挑战性.
• 半监督学习 (SSL) 提供了一种利用未标记数据的方法,但其性能可能受到限制.

研究的目的:

• 评估一种新的报告引导半监督学习 (RG-SSL) 方法,用于检测临床显著的前列腺癌.
• 评估RG-SSL在利用深度学习的诊断报告中的自动化稀疏信息方面的效率.
• 将RG-SSL的性能与传统的监督学习 (SL) 和其他SSL方法进行比较.

主要方法:

• 开发了一种以报告为指导的半监督学习 (RG-SSL) 方法,使用双参数MRI检测前列腺癌.
• 训练有素的RG-SSL,SL和最先进的SSL方法在不同数量的手动注释MRI检查 (100-3050) 上.
• 在外部数据集上比较模型性能,使用接收器运行特性 (ROC) 和自由响应ROC分析.

主要成果:

• 在100个注释中,RG-SSL实现了比SL (0.78) 高的诊断AUC (0.86) 和最佳SSL (0.81).
• RG-SSL与SL的基于考试的表现相匹配,使用的注释数量减少了14倍 (169对3050).
• 有431个注释的RG-SSL基于损伤的性能相当于有3050个注释的SL.

结论:

• 在检测临床上显著的前列腺癌方面,RG-SSL显著优于标准SSL.
• RG-SSL实现了与监督学习可比的性能,注释要求大大减少.
• 这种方法为基于深度学习的前列腺癌检测提供了一种高效的方法,提高了注释效率.