相关实验视频
Updated: Jul 24, 2026
Use of MRI-ultrasound Fusion to Achieve Targeted Prostate Biopsy
Published on: April 9, 2019
一个转移学习的诺米图,用于预测前列腺癌和良性疾病在MRI上
Junhao Chen1,2, Bao Feng2,3, Maoqing Hu2
1Department of Medical Imaging Center, The First Affiliated Hospital of Jinan University, 613 West Huangpu Street, Tianhe District, Guangzhou, Guangdong Province, 510630, PR China.
一个新的转移学习名录 (TLN) 精确地区分前列腺癌 (PCa) 和良性疾病 (BCs) 使用MRI. 这种人工智能驱动的工具在多个验证组中显示出高性能,提供一种非侵入性的诊断方法.
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:
- 深度学习模型越来越多地用于前列腺癌 (PCa) 在医学成像中的检测和表征.
- 在MRI上精确区分PCa和良性疾病 (BCs) 对于患者管理至关重要.
研究的目的:
- 开发和验证一个集成的转移学习名录 (TLN),用于使用磁共振成像 (MRI) 预测PCa和BCs.
主要方法:
- 一项回顾性研究包括709名已确认PCa或BCs的患者,分为培训,内部和外部验证队列.
- 一个转移学习签名 (TLS) 已经开发和微调在预剖析MRI数据.
- 通过整合TLS,PI-RADS得分和使用多变量逻辑回归的临床因素来构建TLN.
主要成果:
- 该TLN表现出高诊断性能,曲线下的区域 (AUC) 为0.9757 (训练),0.9255 (内部验证) 和0.8766 (外部验证).
- 在两个验证队列中,TLN显著优于TLS和临床模型 (CM).
- 决策曲线分析表明,TLN与CM相比,提供了更大的净收益.
结论:
- 开发的TLN显示出作为一种非侵入性工具的显著潜力,用于区分PCa与MRI上的BC.
- 这种人工智能集成的方法可以提高前列腺癌评估的诊断准确性和临床决策.
更多相关视频
06:46Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
Published on: September 27, 2024
06:08A Cognitive Fusion-guided Prostate Biopsy Using Multiparametric Magnetic Resonance Imaging and Transrectal Ultrasound
Published on: March 21, 2025
