相关实验视频
Updated: Jul 11, 2026
09:11
Use of MRI-ultrasound Fusion to Achieve Targeted Prostate Biopsy
Published on: April 9, 2019
21.5K
用超声波进行自信的前列腺癌检测:一项多中心研究
Paul F R Wilson1, Mohamed Harmanani2, Minh Nguyen Nhat To3
1School of Computing, Queen's University, Kingston, Canada. 1pfrw@queensu.ca.
概括
深度学习模型通过微超声波图像准确地检测前列腺癌 (PCa). 这些人工智能工具提供了自信的诊断,并识别了不确定性,改善了针对性活检的前列腺癌检测.
科学领域:
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
- 前列腺癌诊断的诊断方法
背景情况:
- 前列腺癌 (PCa) 诊断依赖于成像,但成像工件和患者变异性仍然存在挑战.
- 微超声波为PCa检测提供了一个有前途的成像模式.
- 深度学习 (DL) 显示了医疗图像自动分析的潜力.
研究的目的:
- 开发和评估用于检测PCa在微超声波图像中的DL模型.
- 通过结合分布外输入的不确定性估计来增强模型的稳定性.
- 将DL模型的性能与当前的诊断标准进行基准测试.
主要方法:
- 卷积神经网络 (CNN) 模型被训练并使用5个临床中心693名患者的微超声数据进行评估.
- 采用了多种最先进的不确定性估计方法,并进行了基准评估.
- 使用十倍交叉验证来评估模型性能.
主要成果:
- PCa检测模型实现了高性能,平均AUROC得分高达0.
- 纳入不确定性估计的模型显示预期校准误差低 (),表明可靠的信心水平.
- 视觉化证实了模型区分健康和恶性组织的能力.
结论:
- 开发的DL模型可以使用微超声波成像自信地检测PCa病变.
- 这些模型的性能与基于MRI的分析来识别PCa损伤具有竞争力.
- 建议通过微超声波对DL进行进一步的研究,以改善针对性前列腺活检策略.
