一个深度学习模型,NAFNet,使用MRI预测前列腺癌的不良病理和复发
Wei-Jie Gu1,2,3, Zheng Liu1,2,3, Yun-Jie Yang1,2,3
1Department of Urology, Fudan University Shanghai Cancer Center, Shanghai, China.
NPJ precision oncology
|December 11, 2023
概括
一个新的深度学习网络NAFNet准确地预测了使用MRI的前列腺癌患者的不良病理和生化无复发生存期 (bRFS). 这种人工智能工具增强了医学成像中的风险分层.
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:
- 准确预测不良病理和生化无复发生存率 (bRFS) 对前列腺癌管理至关重要.
- 目前的风险分层工具可能在预测患者结果方面存在局限性.
研究的目的:
- 应用NAFNet深度学习网络来预测前列腺癌中的不良病理和bRFS,使用预治疗MRI.
- 开发和验证基于深度学习的名ogram (DL-nomogram) 以改善风险分层.
主要方法:
- 在多个中心的514名前列腺癌患者的MRI数据上训练并验证了NAFNet模型.
- 构建了一个DL-nomogram,将NAFNet预测与临床T阶段和活检结果集成在一起.
- 将DL-nomogram与PI-RADS和CAPRA分数的性能进行比较.
主要成果:
- 在外部测试组中,NAFNet-分类器在预测不良病理方面表现优于ResNet50.
- DL-nomogram实现了最高的AUC (0.915) 和准确度 (0.850) 预测不良病理.
- 与CAPRA得分相比,DL-nomogram在预测bRFS方面表现优异 (C指数:0.732),与CAPRA得分相比.
结论:
- 开发的DL-nomogram,由NAFNet提供动力,准确预测前列腺癌的不良病理和预后.
- 这种由人工智能驱动的工具显示出在前列腺癌医学成像中增强风险分层的潜力.
更多相关视频
06:08A Cognitive Fusion-guided Prostate Biopsy Using Multiparametric Magnetic Resonance Imaging and Transrectal Ultrasound
Published on: March 21, 2025
234
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K