相关实验视频
Updated: Jun 29, 2025

09:11
Use of MRI-ultrasound Fusion to Achieve Targeted Prostate Biopsy
Published on: April 9, 2019
21.5K
使用弱监督的深度学习模型检测MRI隐形的前列腺癌
Yao Zheng1, Jingliang Zhang2, Dong Huang1
1School of Biomedical Engineering, Air Force Medical University, No. 169 Changle West Road, Xi'an, Shaanxi, China.
International journal of biomedical imaging
|March 27, 2024
概括
一个新的AI模型,弱监督的UNet (WSUNet),有效地检测MRI隐形前列腺癌 (MIPCas). 这通过提高精度和减少所需的活检针数量来减少不必要的活检.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 磁共振成像 (MRI) 对于前列腺癌的检测至关重要.
- 由于外观与正常组织相似,MRI隐形前列腺癌 (MIPCas) 存在诊断挑战.
- 为了识别MIPCas,通常需要进行广泛的系统活检.
研究的目的:
- 开发和验证一个弱监督的UNet (WSUNet) 模型来检测MIPCas.
- 评估WSUNet在改善前列腺癌诊断和减少不必要的活检方面的有效性.
主要方法:
- 一组777名患者 (600名培训,177名测试) 接受了MRI-超声波融合导向活检.
- 从系统活检结果中,根据格里森等级 (≥7) 确定了MIPC.
- 使用测试集开发和验证了WSUNet模型.
主要成果:
- 在测试组中,WSUNet在测试组中实现了0.764的AUC (95%CI:0.728-0.798).
- 该模型显示,比传统方法的精度提高了91.3% (p < 0.01).
- 不必要的活检针减少了47.6% (p < 0.01),同时保持了检测率.
结论:
- 开发的WSUNet模型有效地检测MRI隐形的前列腺癌.
- WSUNet显著减少了不必要的前列腺活检的需要.

