深度学习功能可以改善基于放射学的前列腺癌攻击性预测

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:

• 人工智能 (AI) 在改善前列腺癌检测和治疗方面表现有前途.
• 放射学,传统上被视为一个连续的过程,可以与人工智能集成用于增强分析.
• 前列腺细分和重建模型提供了宝贵的特征信息,超出了传统的放射学.

研究的目的:

• 为了研究将深度学习功能与前列腺癌侵略性分类的放射性签名集成的影响.
• 评估不同建模决策的有效性,包括特征聚合和维度减少,对预测性能.
• 为了确定将细分/重建模型中的深度特征与放射性特征相结合是否可以提高分类准确性.

主要方法:

• 从13种不同的模型中使用深度学习特征进行了2,244次实验.
• 从各种前列腺解剖区域训练的模型中提取深度特征.
• 采用特征聚合和缩小维度的技术,包括主要组件分析 (PCA).

主要成果:

• 从完全前列腺上训练的自编码模型中整合深度特征与放射性特征显著改善了疾病攻击性分类.
• 虽然一些深度特征增强了预测,但其他特征是有害的,强调需要仔细选择.
• 主要成分分析 (PCA) 和PCA+缓解被确定为有效的特征选择方法.

结论:

• 将前列腺重建模型的深度特征与放射性特征相结合,可以显著提高预测疾病侵略性的模型的性能.
• 功能的战略选择对于优化预测模型性能至关重要.
• 虽然深度特征提供了潜在的好处,但它们的包含需要彻底的评估,以避免对预测准确性产生负面影响.