从MRI深度学习前列腺区域细分模型计算的过渡区PSA密度,用于预测临床显著的前列腺癌
Shiba Kuanar1, Jason Cai1,2, Hirotsugu Nakai1
1Department of Radiology, Mayo Clinic, Rochester, MN, 55905, USA.
Abdominal radiology (New York)
|June 19, 2024
概括
一个新的深度学习模型准确地划分前列腺MRI区域. 这种区域性前列腺特异性抗原密度 (TZ-PSAD) 是临床显著前列腺癌 (csPCa) 的略好预测因素,而不是传统的PSAD.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 前列腺癌的诊断方法 前列腺癌的诊断方法
背景情况:
- 前列腺癌 (PCa) 诊断依赖于成像和生物标志物.
- 精确的前列腺MRI区域细分对于精确的生物标志物计算至关重要.
- 目前计算前列腺特异性抗原密度 (PSAD) 的方法缺乏区域特异性.
研究的目的:
- 从T2加权图像开发前列腺MRI区域细分的深度学习 (DL) 模型.
- 评估过渡区PSAD (TZ-PSAD) 在预测临床显著前列腺癌 (csPCa) 的疗效,与传统的PSAD相比.
主要方法:
- 一个DL模型是使用前列腺MRI从1020名患者开发出来的.
- 用Dice指数对照放射科医生的手动细分来评估模型的性能.
- 计算TZ-PSAD和PSAD,并比较使用内部和外部测试集中的AUC进行csPCa预测.
主要成果:
- DL模型在过渡区 (TZ) 和边缘区 (PZ) 分段 (0.87/0.87和0.74/0.72) 中获得了高的子分数.
- 在内部和外部测试集中,TZ-PSAD在csPCa预测方面表现出明显高于PSAD的AUC.
- 该模型的区域细分可以实现实际的TZ-PSAD测量.
结论:
- 基于深度学习的区域细分促进了实际的TZ-PSAD测量.
- 与传统的PSAD相比,TZ-PSAD是csPCa的稍微优异的预测器.
- 在标准特异性水平下,实施TZ-PSAD可以将csPCa检测灵敏度提高2-5%.
