使用纹理特征和机器学习方法在T2加权图像采集上对前列腺可疑病变的自动表征:试点研究
Teodora Telecan1,2, Cosmin Caraiani3, Bianca Boca3,4,5
1Department of Anatomy and Embryology, "Iuliu Hatieganu" University of Medicine and Pharmacy, 400012 Cluj-Napoca, Romania.
Diagnostics (Basel, Switzerland)
|January 11, 2025
概括
人工智能 (AI) 和放射学可以使用T2MRI预测前列腺癌 (PCa) 预后组. 这种人工智能系统准确地区分了临床上显著的PCa和惰的PCa,帮助治疗决策.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 瘤学和癌症研究研究.
背景情况:
- 前列腺癌 (PCa) 是一种常见的男性瘤,预后不同.
- 多参数MRI (mpMRI) 有助于PCa评估,但缺乏直接的组织病理相关性.
- 人工智能和放射学在弥合成像和瘤分类之间的差距方面表现有希望.
研究的目的:
- 开发一种机器学习算法,用于预测国际泌尿病学学会 (ISUP) 的前列腺结节等级.
- 用T2加权MRI将前列腺结节分为临床显著和惰的组.
- 为了利用放射学和人工智能来改善PCa预测.
主要方法:
- 在55名患者的T2加权MRI中手动细分76个前列腺结节.
- 使用PyRadiomics (3.0.1版本) 提取放射性特征.
- 机器学习分类器的开发和应用,用于ISUP等级预测和分类.
主要成果:
- 开发的人工智能算法在分类惰性与临床显著PCa时达到87.2%的准确性.
- 该算法在区分特定的ISUP等级组时显示了80.3%的准确性.
- 很大一部分 (85.52%) 的结节是PI-RADS 4或更高的,这表明有重大疾病.
结论:
- 成功开发了一个基于AI的决策支持系统.
- 该系统准确地区分PCa预后组,仅使用T2MRI和放射学.
- 这种方法为PCa评估和治疗规划提供了一个强大的工具.
