深度学习模型的性能,用于对前列腺癌全身骨扫描的响应评估

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 评估前列腺癌骨转移中的治疗反应对于患者管理至关重要.
• 骨扫描是评估骨干涉的标准成像方法.
• 开发响应评估的自动化方法可以提高效率和一致性.

研究的目的:

• 开发和评估深度学习分类器,以评估前列腺癌骨扫描中的治疗反应.
• 为了比较不同图像预处理技术在分类器准确性的性能.

主要方法:

• 分析了来自1528名前列腺癌患者的3791个骨扫描数据集.
• 使用原始,空间规范化 (SN) 和空间和计数规范化 (SCN) 数据训练了一个二维卷积神经网络.
• 通过使用接收器操作特征曲线 (AUCs) 下的面积来评估性能,并使用类激活地图进行可视化.

主要成果:

• 深度学习模型使用原始数据实现了0.632-0.710的AUC.
• 空间正常化 (SN) 显著提高了性能,达到0.784-0.854 (p < 0.001).
• 空间和计数正常化 (SCN) 进一步提高了性能,达到出色的0.954-0.979 (p < 0.001).

结论:

• 深度学习模型,特别是具有空间和数值正常化,在前列腺癌骨扫描上对治疗反应的分类方面表现出色.
• 这种方法有望在临床实践中客观有效地评估治疗疗效.