多模式人工智能结合临床和成像输入,改善前列腺癌检测
Christian Roest1, Derya Yakar, Dorjan Ivan Rener Sitar
1From the Department of Radiology, Medical Imaging Center, University Medical Center Groningen, Groningen, the Netherlands (C.R., D.Y., D.I.R.S., S.J.F., T.C.K.); Department of Radiology, Netherlands Cancer Center Antoni van Leeuwenhoek, Amsterdam, the Netherlands (D.Y.); Department of Radiology, Radboud University Medical Center, Nijmegen, the Netherlands (J.S.B., H.H.); and Department of Radiology, Martini Ziekenhuis Groningen, Groningen, the Netherlands (D.B.R.).
Investigative radiology
|July 29, 2024
概括
这项研究表明,将深度学习 (DL) 与临床数据相结合,可以在MRI上改善前列腺癌的检测. 多模式人工智能 (AI) 整合DL疑似水平和临床参数,为临床显著的前列腺癌 (csPCa) 提供更高的诊断准确性.
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
- 在瘤学瘤学.
背景情况:
- 在MRI上检测前列腺癌的深度学习 (DL) 模型往往忽略了关键的临床因素.
- 整合PSA,前列腺体积和年龄等临床参数可以提高临床显著前列腺癌 (csPCa) 的DL诊断精度.
研究的目的:
- 探索临床参数与基于MRI的DL的整合,以改善csPCa检测.
- 评估多模式人工智能 (AI) 分类器,将DL特征和临床数据结合起来.
主要方法:
- 对932个双参数前列腺MRI检查的回顾性分析.
- 开发六种多式人工智能分类器,使用DL疑似水平,临床参数和病变体积的早期和晚期融合.
- 对AI模型与使用PI-RADS的放射科医生评估进行内部和外部验证.
主要成果:
- 通过早期融合整合DL疑似水平和临床特征的多式人工智能显示出卓越的外部性能 (AUC 0.77).
- 早期核聚变的表现优于晚期核聚变 (AUC 0.77 与外部的 0.73).
- 与放射科医生评估相比,多模式AI的性能没有显著差异 (外部AUC为0.77与0.75).
结论:
- 结合DL疑似水平和临床参数的多式人工智能,超过MRI单独的AI和单独的临床参数来检测csPCa.
- 早期的信息融合在多中心环境中提高了AI的稳定性.
- 纳入病变体积并没有提高诊断效率.
