基于深度学习的检测和骨损伤的分类在前列腺癌的分期计算机断层扫描:一个发展研究研究
Mason J Belue1, Stephanie A Harmon1, Dong Yang2
1Molecular Imaging Branch, National Cancer Institute, National Institutes of Health, 10 Center Dr., MSC 1182, Building 10, Room B3B85, Bethesda, Maryland, USA (M.J.B., S.A.H., N.S.L., E.C.Y., T.E.P., B.S., L.L., E.M., P.L.C., B.T.).
Academic radiology
|January 23, 2024
概括
这项研究开发了一种人工智能 (AI) 模型,用于检测和分类前列腺癌 (PCa) 阶段CT扫描中的骨损伤. 人工智能在识别转移性与良性病变方面表现相当于放射科医生.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 前列腺癌的诊断方法 前列腺癌的诊断方法
背景情况:
- 在前列腺癌中检测转移性骨病变 (PCa) 阶段CT扫描对于专家来说至关重要,但耗时.
- 目前的方法通常需要额外的成像,如PET/CT,增加成本和患者负担.
- 需要自动化解决方案来提高病变表征的效率和准确性.
研究的目的:
- 开发和评估两种深度学习人工智能模型组合,用于PCa患者的骨损伤检测,细分和分类.
- 将开发的AI模型与放射科医生的性能进行比较,以区分良性与转移性骨病变.
主要方法:
- 开发了两个人工智能模型:3DAISeg用于病变细分和3DAIClass用于分类,使用PCa患者的297次分期CT扫描.
- 通过随访扫描,骨活检或PET/CT验证的转移性病变.
- 使用Dice相似系数,F1得分和准确度评估AI性能,并与初级和高级放射科医生进行了多读者研究.
主要成果:
- 人工智能模型在看不见的CT扫描中实现了100%的转移性病变的患者水平检测.
- 该分类AI (3DAIClass) 显示F1得分为94.8%的放射科医生轮和92.4%的AI轮.
- 3DAIClass向初级和高级放射科医生显示了可比的正预测值 (PPV) 和负预测值 (NPV).
结论:
- 开发的AI模型用于病变检测和分类,在PCa分期CTs上识别良性和转移性骨病变方面与放射科医生同步.
- 这种人工智能组合提供了一个有前途的工具,可以帮助有效和准确地评估前列腺癌护理中的骨转移.


