在组织性前列腺癌检测中对前列腺MRI进行人工智能辅助阅读的试点研究

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:

• 前列腺癌查依赖于前列腺磁共振成像 (MRI) 的准确解释.
• 深度学习 (DL) 算法为自动化图像分析提供了潜力,但它们在有组织的选设置中的性能需要评估.
• 组织性前列腺癌检测 (OPT) 旨在标准化前列腺癌检测.

研究的目的:

• 评估CE标记深度学习 (DL) 算法的可行性和性能,以在有组织的查计划中读取前列腺MRI.
• 为了比较DL算法的诊断准确度与现场和参考放射科医生.
• 为了评估读者之间的变异性和与活检结果的一致性.

主要方法:

• 在OPT内进行双参数MRI的57名 PSA升高的男性的回顾性分析.
• 将DL算法的PI-RADS/Likert分数与当地和专家放射科医生的PI-RADS/Likert分数进行比较.
• 通过使用加权的卡帕统计数据和与活检结果的比较来评估读者变异性.

主要成果:

• 与当地放射科医生 (23%) 和专家共识 (14%) 相比,DL算法发现了显著更多的阳性MRI (51%).
• 在本地和专家放射科医生之间,读者间的一致性是适度的 (kappa=0.55),但在放射科医生和DL算法之间却很小 (kappa=0.12-0.17).
• DL算法正确识别了10种高等级癌症中的7种 (Gleason ≥3+4) 癌症为阳性 (Likert ≥4).

结论:

• 在这个队列中,DL算法与本地和专家放射科医生的一致性很低.
• 目前的DL算法在临床实施之前需要在有组织的查队伍中进行特定的培训和验证.
• 需要进一步的研究来优化DL性能,以便可靠的前列腺癌查.