在具有挑战性的临床病例中自动化前列腺细分:比较三种人工智能方法
Latrice A Johnson1, Stephanie A Harmon1, Enis C Yilmaz1
1Molecular Imaging Branch, National Cancer Institute, National Institutes of Health, Bethesda, MD, USA.
Abdominal radiology (New York)
|March 21, 2024
概括
这项研究表明,深度学习 (DL) 前列腺MRI细分模型表现最好,即使在具有挑战性的患者病例中也是如此. 然而,前列腺体积和信号质量会对所有AI细分模型产生负面影响.
科学领域:
- 医学成像医学成像
- 放射学中的人工智能
- 前列腺癌诊断的诊断方法
背景情况:
- 在MRI上进行前列腺自动细分对于准确的诊断和治疗计划至关重要.
- 现有的AI细分算法通常是在理想条件下开发的,这限制了它们在现实世界中的适用性.
- 具有不同解剖学和临床因素的具有挑战性的患者群体需要强大的细分方法.
研究的目的:
- 在复杂的患者队列中评估三种不同的AI前列腺细分算法的性能.
- 将基于深度学习 (DL) 的模型与商用基于形状的模型进行比较.
- 在非理想的MRI场景中识别影响细分精度的因素.
主要方法:
- 对683个前列腺MRI扫描的回顾性分析,这些扫描来自患有各种疾病的患者 (例如,先前的治疗,不同的前列腺体积,不同的MRI参数).
- 评估了三个算法:一个深度学习 (DL) 模型,一个基于商业形状的模型和一个联合的DL模型.
- 使用子相似系数 (DSC) 测量性能,与专家细分相比,并对影响因素进行统计分析.
主要成果:
- 深度学习模型 (总体DSC 0.916和0.894) 的表现明显优于基于形状的模型 (DSC 0.873) (p < 0.01).
- 模型1 (DL) 在各个子组 (分别p < 0.05和p < 0.001) 中表现优于模型2 (以形状为基础) 和模型3 (联合DL).
- 前列腺体积和信号质量差对所有模型产生了负面影响 (p < 0.01),而形状因素影响了DL模型 (p < 0.001).
结论:
- 基于深度学习的AI模型在前列腺MRI细分方面表现出卓越的性能,即使在具有挑战性的临床场景中也是如此.
- 诸如前列腺体积,信号质量和解剖学变异等因素可能会对DL和非DL细分算法的准确性产生不利影响.
- 需要进一步开发,以提高AI细分工具对不同患者群体和成像条件的稳定性.
