通过级联深度学习和随机森林分类在MRI中自动检测和分类前列腺癌的前列腺外延伸
Benjamin D Simon1, Katie M Merriman2, Stephanie A Harmon2
1Molecular Imaging Branch, NCI, NIH, Bethesda, Maryland, USA (B.D.S., K.M.M., S.A.H., E.C.Y., P.L.C., B.T.); Institute of Biomedical Engineering, Department Engineering Science, University of Oxford, UK (B.D.S.).
Academic radiology
|April 26, 2024
概括
这项研究开发了一种人工智能工作流程,使用MRI扫描在前列腺癌中自动分级前列腺外延伸 (EPE). 人工智能模型的准确性与医生相美,有助于做出手术决策.
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:
- 前列腺外延伸 (EPE) 是前列腺癌攻击性和复发风险的关键指标.
- 对EPE进行准确的手术前评估对于计划激进前列腺切除和手术方法至关重要.
- 目前用于EPE评估的方法可以是主观的,并且在准确度上有所不同.
研究的目的:
- 开发和评估基于深度学习的人工智能 (AI) 工作流程,用于从前列腺MRI进行EPE的自动分级.
- 评估人工智能工作流程在预测EPE方面的表现,而不是对病原体的预测.
- 探索AI在提高EPE评估的一致性和准确性方面的潜力.
主要方法:
- 使用了634名潜在MRI评估患者的队列,507名培训组和127名患者的测试组.
- 用前列腺细分的深度学习模型来提取用于随机森林分类的特征.
- 模型性能使用平衡精度,ROC AUC,灵敏度,特异性和精度与基因病理基础真相进行了评估.
主要成果:
- 人工智能工作流实现了0.390 ± 0.078.8的平衡精度.
- 在AI分配的EPE等级0-3的ROC AUC分别为0.70,0.65,0.68和0.55.
- 对于EPE≥1,人工智能模型实现了0.67的灵敏度,0.73的特异性和0.72的准确性,而放射科医生的性能为0.81的灵敏度,0.62的特异性和0.66的准确性.
结论:
- 开发的AI工作流程在预测接近医生的表现的组织学EPE方面表现出准确性.
- 这种自动化系统有可能提高医生在评估前列腺癌患者EPE风险时的决策能力.
- 人工智能工作流程的一致性和自动化可以提高EPE等级在临床实践中的可靠性.
