评估一个深度学习的前列腺癌检测系统在双参数MRI与放射性读数对照

科学领域:

• 医疗成像中的人工智能
• 前列腺癌的诊断方法 前列腺癌的诊断方法
• 深度学习用于放射学.

背景情况:

• 准确检测临床显著的前列腺癌 (csPCa) 对于有效的患者管理至关重要.
• 双参数MRI (bpMRI) 越来越多地用于前列腺癌评估.
• 需要人工智能驱动的工具来提高诊断准确性,特别是对于非专家读者来说.

研究的目的:

• 评估深度学习 (DL) 管道用于检测csPCa (Gleason等级组 [GGG] ≥2) 使用bpMRI.
• 为了比较DL模型的性能与放射学解释.
• 评估人工智能的潜力,以提高前列腺癌成像中的诊断准确性.

主要方法:

• 在4381个bpMRI病例的大数据集上训练了一个3D nnU-Net DL模型.
• 该模型在PROSTATEx数据集中的328个病例的独立测试集上进行了评估.
• 使用基于组织病理学的注释,患者和病变水平指标,并与解释mpMRI的非专家放射科医生进行比较,评估了性能.

主要成果:

• DL模型的AUC为0.83,在0.5FP/体积下,病变水平的灵敏度为0.85.
• 该模型对病变>650毫米3的高灵敏度 (>0.90) 和在GGGs中一致的性能.
• 在DL模型中,真实阳性率高于放射科医生,但假阳性率相等.

结论:

• DL模型在bpMRI上检测csPCa方面表现强,超过了放射学解释.
• 人工智能有可能显著提高前列腺癌检测的诊断准确性,特别是对于非专家放射科医生来说.
• 检测较小的前列腺癌病变仍然是当前DL模型的一个挑战.