前列腺序列分类和细分的算法:一个外部验证研究

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 前列腺癌的诊断严重依赖于磁共振成像 (MRI).
• 精确的前列腺MRI细分和分类对于有效的诊断和治疗计划至关重要.
• 目前的手动方法可能耗时,并且受观察者之间的变化影响.

研究的目的:

• 在T2加权成像 (T2WI) 上对前列腺多参数MRI (mpMRI) 序列分类和前列腺细分进行外部验证两个人工智能 (AI) 模型.
• 评估AI模型在不同MR场强度和序列的性能.

主要方法:

• 从两家医院的719名患者的mpMRI数据的回顾性收集,使用来自四家供应商的九台MRI扫描仪.
• 使用预训练的Med3D深度学习架构进行图像分类,并使用UNet-3D架构进行前列腺细分.
• 使用子相似系数 (DSC),体积相似性 (VS) 和平均豪斯多夫距离 (AHD) 评估细分精度.

主要成果:

• 该分类模型实现了99%的准确性,kappa为0.932.
• 分段模型的性能显示中位数DSC为0.942-0.955,中位数VS为0.974-0.982,中位数AHD为5.55-6.49毫米.
• 模型性能在不同的磁场强度 (1.5 T, 3.0 T) 中有显著差异,在 3.0 T 时的精度更高.

结论:

• 用于mpMRI分类和前列腺细分的AI模型在外部验证中表现出强的表现.
• 这些经过验证的AI工具有可能提高使用mpMRI测量前列腺体积和检测癌症的效率.
• 这些模型可以显著提高癌症检测,前列腺体积测量和图像导向活检的工作流效率.