通过符合性预测量化的不确定性量化对基于深度学习的MRI前列腺细分体的体积评估的影响

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 准确的前列腺体积 (PV) 评估对于前列腺癌 (PC) 风险分层至关重要.
• 深度学习 (DL) 算法提供自动细分,但可能缺乏可靠的不确定性估计.
• 符合性预测 (CP) 是一种量化机器学习预测不确定性的方法.

研究的目的:

• 使用CP. 估计基于DL的前列腺细分算法的不确定性.
• 评估CP对PC风险患者PV计算准确性的影响.
• 评估基于DL的光伏评估的可靠性和安全性,以不确定性量化.

主要方法:

• 对377个多中心3-特斯拉T2加权MRI检查的回顾性分析,来自PC风险较高的男性.
• 使用DL模型进行前列腺细分,PV通过圆式和DL细分计算.
• 在85%的可信度下应用CP来识别不可靠的DL细分,然后进行PV重新计算,排除不确定的像素.
• 使用类内相关系数 (ICC) 和Bland-Altman图片对照参考标准对协议的评估.

主要成果:

• 与标准DL算法相比,CP显著降低了相对体积差异 (RVD) (RVD -2.81±8.85对比 -8.01±11.50).
• 使用CP计算的PV与没有CP (6.07mL) 相比,与参考标准 (平均差异1.27mL) 达成的一致性明显更好.
• 基于DL的PV与CP观察到优异的ICC (0.97),表明其可靠性很高.

结论:

• 使用CP量化不确定性可以提高PC风险患者基于DL的PV评估的准确性和可靠性.
• CP有效地标记不确定的前列腺细分,提高体积分析的安全性.
• 与CP结合的DL显示了前列腺体积评估的高准确性,改善了与既有方法的一致性.