基于深度学习的图像质量评估:对MRI前列腺癌前列腺外延伸检测准确性的影响
Yue Lin1, Mason J Belue1, Enis C Yilmaz1
1Molecular Imaging Branch, National Cancer Institute, National Institutes of Health, 10 Center Dr., MSC 1182, Building 10, Room B3B85, Bethesda, MD, 20892, USA.
Abdominal radiology (New York)
|July 3, 2024
概括
高质量的前列腺MRI T2WI图像显著提高了前列腺癌中检测前列腺外延伸 (EPE) 的特异性,有助于准确的病理预测. 这一发现凸显了图像质量在人工智能辅助癌症诊断中的重要性.
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:
- 前列腺癌的分期依赖于精确检测前列腺外延伸 (EPE).
- 磁共振成像 (MRI) 对于EPE评估至关重要,但图像质量可能会影响诊断准确性.
- 基于深度学习的人工智能 (AI) 算法为客观的图像质量评估提供了潜力.
研究的目的:
- 用深度学习AI算法评估前列腺MRI图像质量对前列腺外延伸 (EPE) 检测的影响.
- 为了确定AI分类图像质量是否会影响EPE检测的准确性与病理结果相比.
主要方法:
- 对773名接受前列腺核磁共振和急性前列腺切除术的患者进行了回顾性分析.
- 人工智能算法将T2加权图像 (T2WI) 分类为低质量或高质量.
- 使用费舍尔精确测试和单变量/多变量分析,比较低质量和高质量图像之间的EPE检测指标 (灵敏度,特异性,PPV,NPV).
主要成果:
- 高质量的T2WI显著提高了检测EPE的特异性 (等级≥1) 与低质量的图像相比 (72%对63%,P=0.03).
- 对于EPE等级≥1.1,在图像质量组之间没有观察到敏感度,PPV或NPV的显著差异.
- 高质量的图像显示,NCI EPE等级1 (OR 3.05对1.76) 的病理EPE与病理EPE的关联更强.
结论:
- 深度学习的人工智能算法可以有效地分类前列腺MRI图像质量.
- 前列腺MRI上更高质量的T2WI与检测前列腺外延伸 (EPE) 的特异性提高有关.
- 图像质量是精确的人工智能辅助EPE预测前列腺癌分期的关键因素.
