使用MRI数据对机器学习分类模型进行评估,以减少使用MRI数据检测前列腺癌的假阳性
Malte Rippa1,2, Ruben Schulze2, Georgia Kenyon3,4
1Institute for Medical Informatics, University of Lübeck, 23562 Lübeck, Germany.
Diagnostics (Basel, Switzerland)
|August 10, 2024
概括
这项研究评估了机器学习 (ML) 和深度学习模型用于前列腺癌 (PCa) 诊断,使用MRI数据. 研究建议特定的ML模型来增强损伤细分和分类管道,以提高准确性.
科学领域:
- 医疗成像医学成像
- 医疗保健中的机器学习
- 在瘤学瘤学.
背景情况:
- 前列腺癌 (PCa) 诊断依赖于MRI数据的准确解释.
- 改善前列腺病变的细分和分类对于有效诊断至关重要.
研究的目的:
- 调查和比较各种机器学习 (ML) 和深度学习算法用于前列腺病变细分和分类的性能.
- 确定最佳的ML模型,以增强现有的诊断管道.
主要方法:
- 评估了经典的ML算法 (SVM,RDF,MLP) 和深度学习模型 (如ConvNeXt,ConvNet,ResNet等CNN).
- 使用PCA或mRMR特征选择的放射性特征.
- 对整个图像和细分区域 (腺体,外围区域,病变) 的性能进行比较,包括转移学习方法.
主要成果:
- 评估了不同ML和深度学习架构在良性和恶性前列腺组织的二元分类中的有效性.
- 对细分和分类任务的各种优化策略进行了比较.
- 在PCa诊断中对ML模型的适用性进行了详尽的检查.
结论:
- 这项研究提供了关于各种ML方法用于前列腺癌检测的性能的见解.
- 确定了首选的ML模型或模型家族,以优化诊断管道上游过.
- 旨在指导选择最适合的ML模型来改善前列腺MRI分析.
