使用多模式深度学习与前列腺特异性抗原限制的临床意义的前列腺癌预测

科学领域:

• 在瘤学瘤学.
• 人工智能在医学中的应用
• 医学成像分析 医学成像分析

背景情况:

• 前列腺癌 (PCa) 呈现出显著的临床异质性.
• 准确预测临床显著的PCa至关重要,特别是在低至中等前列腺特异性抗原 (PSA) 水平的患者中.
• 早期识别积极的PCa有助于及时和个性化的治疗策略.

研究的目的:

• 评估多模式深度学习方法对临床意义上的PCa的预测准确度.
• 评估该模型在PSA水平低于或等于20 ng/mL的患者中的性能.
• 证明人工智能在改善PCa的活检前风险分层方面的实用性.

主要方法:

• 分析了一组178名接受超声波导向前列腺活检的患者.
• 包括成像在内的多模式医疗数据被整合到一个深度学习模型中.
• 使用接收机运行特征曲线和曲线下的面积 (AUC) 来评估预测准确性.

主要成果:

• 多模式深度学习模型在所有患者中预测PCa的AUC为0.878.
• 在PSA≤20ng/mL的患者中,该模型显示AUC为0.862,显示出强大的性能.
• 对代表性假负和假阳性病例的分析为模型行为提供了洞察力.

结论:

• 多模式深度学习有效预测临床显著的PCa,特别是在PSA≤20 ng/mL的患者中.
• 这种人工智能驱动的方法可以帮助医生在活检前确定治疗策略.
• 该研究支持将深度学习集成到个性化PCa管理工作流程中.