PCa-RadHop:一种透明和轻量级的前方法,用于临床上显著的前列腺癌细分
Vasileios Magoulianitis1, Jiaxin Yang1, Yijing Yang1
1Electrical and Computer Engineering Department, University of Southern California (USC), 3740 McClintock Ave., Los Angeles, 90089, CA, USA.
概括
通过透明,高效的管道,PCa-RadHop通过减少虚假阳性来改善前列腺癌诊断. 与深度学习模型相比,这种方法提供了具有竞争力的性能,模型大小和复杂性要小得多.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 前列腺癌的诊断依赖PI-RADS,它具有很高的错误阳性率,增加了成本和患者的不适.
- 深度学习 (DL) 模型提供了高细分性能,但由于大尺寸,复杂性和缺乏可解释性,被认为是"黑子".
- 在前列腺癌检测方面,需要更加透明和高效的诊断工具.
研究的目的:
- 引入PCa-RadHop管道,用于在前列腺癌检测中进行透明的特征提取.
- 为了利用绿色学习 (GL) 范式来实现小型模型大小和低复杂性.
- 用双参数磁共振成像 (bp-MRI) 来降低前列腺癌诊断中的错误阳性率.
主要方法:
- PCa-RadHop管道采用使用绿色学习 (GL) 的两阶段方法.
- 第1阶段从bp-MRI中提取放射性特征,以预测初始的热图.
- 第二阶段通过将检测到的感兴趣区域 (ROI) 的上下文信息和放射学特征纳入预测,以最大限度地减少误报.
主要成果:
- 在PI-CAI数据集上,PCa-RadHop管道表现出与深度学习模型相比具有竞争力的性能.
- 在1000名患者的队列中达到0.807的曲线下的面积 (AUC).
- 与现有的DL模型相比,保持了显著较小的模型大小和复杂性.
结论:
- PCa-RadHop为前列腺癌诊断提供了一个透明和高效的替代方案.
- 该方法有效地减少了假阳性,同时保持了高诊断性能.
- 管道的小型模型尺寸和低复杂性使其成为临床应用的实用工具.
