相关实验视频
Updated: Jun 22, 2025
09:11
Use of MRI-ultrasound Fusion to Achieve Targeted Prostate Biopsy
Published on: April 9, 2019
21.5K
使用前列腺MRI全自动深度学习进行前列腺癌风险评估和避免前列腺活检:与PI-RADS进行比较,并与nomograms中的临床数据进行整合
Adrian Schrader1,2, Nils Netzer1,2, Thomas Hielscher3
1Division of Radiology, German Cancer Research Center (DKFZ), Heidelberg, Germany.
European radiology
|July 2, 2024
概括
前列腺MRI的深度学习 (DL) 分析可以增强活检决策的风险计算器. 将DL与PI-RADS相结合,可以改善患者分层,从而减少不必要的活检.
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:
- 风险计算器 (RCs) 帮助使用临床数据和MRI的PI-RADS得分来选择前列腺活检.
- 完全自动化的深度学习 (DL) 模型显示性能与放射科医生相美,但尚未集成到RC中.
研究的目的:
- 评估使用DL取代PI-RADS的RCs.
- 通过将DL添加到现有RC中来评估业绩增长.
- 为了比较诊断质量和对前列腺活检患者选择的影响.
主要方法:
- 对1627个前列腺MRI检查的回顾性分析.
- 训练DL模型 (nnUNet) 来预测显著的前列腺癌 (sPC) 概率和利克特分数.
- 通过将PI-RADS替换为DL (UNet-Likert) 并将DL (UNet-probability) 添加到PI-RADS旁边来验证RC.
主要成果:
- 在RC中用DL (UNet-Likert) 取代PI-RADS可以保持诊断性能.
- DL向PI-RADS提供了补充信息.
- 结合DL的新RC节省了49%的活检,同时保持了94%的负预测值,单独超过PI-RADS (37%节省).
结论:
- 在RC中将DL作为独立标记物的结合改善了前列腺活检的患者分层.
- DL分析为PI-RADS提供了补充信息,提高了诊断准确度.
- 通过MRI,DL和nomograms进行全面的检查,可以识别低风险患者,可能避免侵入性活检.
