一个基于双参数MRI扫描策略的半自动深度学习模型,用于预测新诊断的前列腺癌患者的骨转移

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是指放射学
• 人工智能的人工智能

背景情况:

• 前列腺癌 (PCa) 骨转移 (BM) 显著影响患者的预后和治疗策略.
• 准确预测BM对于PCa患者的有效治疗计划至关重要.
• 双参数MRI (bpMRI) 为PCa评估提供了一种有价值的成像模式.

研究的目的:

• 开发和验证一个半自动模型来预测前列腺癌 (PCa) 患者的骨转移 (BM).
• 整合放射学,深度学习和临床特征,以提高使用bpmri的BM预测准确度.
• 评估开发模型的性能与单个组件相比,以及在外部验证中.

主要方法:

• 研究人员对来自两所医院的414名PCa患者 (BM,n=136;NO-BM,n=278) 进行了回顾性研究.
• 在bpMRI上感兴趣的瘤区域 (ROI) 被自动细分并改进以训练ResNet深度学习模型.
• 临床,放射学和深度学习特征被合成到ResNet-C模型中进行预测,并使用接收器操作特征 (ROC) 分析进行评估.

主要成果:

• 开发的ResNet-C模型实现了高精度 (ACC) 和曲线下的面积 (AUC) 值,超过了个别的放射学和深度学习模型.
• 对ResNet-C的内部验证显示ACC为0.902和AUC为0.934.
• 外部验证证明了ResNet-C的稳定性,其ACC为0.885和AUC为0.903.

结论:

• 利用bpMRI的ResNet-C模型准确预测新诊断的前列腺癌 (PCa) 患者的骨转移 (BM) 状态.
• 这种综合方法有助于精确的治疗规划,并有可能改善患者的预后.
• 这项研究强调了结合深度学习,放射学和临床数据的有效性,以实现可靠的BM预测.