基于深度学习的级联算法的评估,用于在双参数MRI中检测前列腺损伤
Yue Lin1, Enis C Yilmaz1, Mason J Belue1
1From the Molecular Imaging Branch (Y.L., E.C.Y., M.J.B., S.A.H., T.E.P., K.M.M., N.S.L., P.L.C., B.T.), Center for Interventional Oncology (L.H., C.G., B.J.W.), Laboratory of Pathology (A.T., M.J.M.), and Urologic Oncology Branch (S.G., P.A.P.), National Cancer Institute, National Institutes of Health, 10 Center Dr, MSC 1182, Bldg 10, Rm B3B85, Bethesda, MD 20892; NVIDIA, Santa Clara, Calif (J.T., D.Y., Z.X., D.X.); Department of Radiology, Clinical Center, National Institutes of Health, Bethesda, Md (L.H., C.G., B.J.W.); and Department of Radiology, Singapore General Hospital, Singapore (Y.M.L.).
Radiology
|May 7, 2024
概括
一个人工智能 (AI) 算法在双参数MRI扫描上检测前列腺癌 (PCa) 的高精度,在识别临床显著病变方面表现相当于经验丰富的放射科医生.
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:
- 多参数MRI (mpMRI) 增强前列腺癌 (PCa) 检测,但面临互读器变化.
- 人工智能 (AI) 模型为一致的mpMRI解释提供了潜力.
- 大数据集和严格的测试对于医疗成像中的AI模型开发至关重要.
研究的目的:
- 评估AI算法在双参数MRI上检测和细分前列腺内病变的能力.
- 为了比较人工智能算法的性能与放射学家的解释和基因病理学发现.
主要方法:
- 一个潜在的注册表的二次分析,涉及疑似PCa.患者.
- 在双参数MRI扫描上对级联深度学习算法的评估.
- 人工智能性能 (灵敏度,PPV,Dice相似系数) 与放射科医生的读数和活检结果的比较.
主要成果:
- 人工智能算法检测到96%的参与者具有临床显著的PCa,与放射科医生 (98%) 相比.
- 该算法在不同国际泌尿病学学会 (ISUP) 等级组中显示出高灵敏度 (84%-98%).
- 损伤水平检测灵敏度为55%,PPV为57%;损伤细分 子相似系数为0.29.
结论:
- 人工智能算法在双参数MRI上检测可疑癌症病变方面表现相当于经验丰富的放射科医生.
- 人工智能算法可靠地识别出具有临床意义的前列腺癌病变,有助于诊断和管理.
