完全自动化的深度学习模型在MRI中检测临床显著的前列腺癌
Jason C Cai1, Hirotsugu Nakai1, Shiba Kuanar1
1From the Departments of Radiology (J.C.C., H.N., S.K., A.T.F., H.T., P.K., P.R., A.K.B., G.M.C., B.J.E., N.T.) and Urology (L.A.M.), Mayo Clinic, 200 First St SW, Rochester, MN 55905; Department of Radiology, Massachusetts General Hospital, Boston, Mass (J.C.C.); Departments of Radiology (C.W.B.) and Urology (C.D.D.), Mayo Clinic, Jacksonville, Fla; and Departments of Radiology (A.K.) and Urology (M.R.H.), Mayo Clinic, Scottsdale, Ariz.
Radiology
|August 6, 2024
概括
一个深度学习 (DL) 模型在使用MRI扫描检测临床显著前列腺癌 (csPCa) 方面表现与放射科医生相当. 这种人工智能工具精确地定位了瘤,为前列腺癌诊断提供了有前途的进步.
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:
- 多参数核磁共振 (mpMRI) 有助于识别临床显著的前列腺癌 (csPCa),但其准确性受到读者变异性的限制.
- 深度学习 (DL) 提供了一个潜在的解决方案,通过为图像分析提供一致的确定性输出.
研究的目的:
- 开发和评估一个DL模型,仅使用患者级别标签,从MRI数据中预测csPCa.
- 将DL模型的诊断性能与经验丰富的放射科医生进行比较.
主要方法:
- 一个卷积神经网络被训练在T2加权,扩散加权,明显扩散系数和对比度增强的T1加权MRI图像上.
- 通过使用接收器操作特征曲线 (AUC) 下的面积来评估DL模型的性能,并与内部和外部测试套件上的放射科医生性能进行比较.
- 使用梯度加权类激活图 (Grad-CAMs) 通过DL模型可视化瘤局部.
主要成果:
- DL模型在内部测试组中达到0.89的AUC,在外部测试组中达到0.86的AUC,与放射科医生 (分别为0.89和0.84) 相比.
- DL和放射科医生的组合产生了0.89.89的改善AUC.
- 在两种测试组中,Grad-CAM在高比例的真阳性病例中成功定位了csPCa病变.
结论:
- 通过MRI检测CSPCa的DL模型的性能与放射科医生的性能相当.
- 用像Grad-CAMs这样的可视化技术增强的DL模型可以可靠地识别和定位前列腺癌病变.
