多模式方法,以优化对PI-RADS 3多参数MRI病变的活检决策

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:

• 前列腺癌的诊断通常依赖于前列腺成像报告和数据系统 (PI-RADS) 的得分.
• PI-RADS 3病变存在诊断不确定性,导致有关前列腺活检的决定.
• 准确识别临床显著的前列腺癌 (csPCa) 对于避免诊断不足或过度治疗至关重要.

研究的目的:

• 开发和评估一种多模式方法,以确定PI-RADS 3病变患者前列腺活检的必要性.
• 这种方法将临床参数与基于MRI的双参数人工智能 (AI) 模型集成在一起.
• 目标是提高csPCa检测的准确性,并优化活检决策.

主要方法:

• 对前性招募的PI-RADS 3病变患者队列进行了回顾性研究.
• 数据包括人口统计信息,PSA水平,PSA密度 (PSAD),MRI解释和AI评估.
• 人工智能模型在检测csPCa方面的表现与MRI/US融合导向活检结果进行了比较,使用了诸如费舍尔精确测试和后勤回归等统计方法.

主要成果:

• 这项研究包括248名患有312个PI-RADS 3病变的患者;44名是csPCa.
• 人工智能模型在所有病变中显示了csPCa的负预测值 (NPV) 为89.2%.
• 将AI与PSAD (≥0.15 ng/mL2) 结合起来,显著提高了对77.8%的敏感性,同时保持了高的NPV93.1%.

结论:

• 结合人工智能和PSAD的多模式方法在增强PI-RADS 3病变的前列腺活检决策方面显示出希望.
• 这种策略可以帮助最大限度地减少遗漏cspca的发生.
• 它还有可能减少进行不必要的前列腺活检的数量.