评估人工智能预测的bpMRI图像特征用于预测前列腺癌攻击性的可行性:一项多中心研究
Kexin Wang1, Ning Luo2, Zhaonan Sun3
1School of Basic Medical Sciences, Capital Medical University, Beijing, 100069, China.
Insights into imaging
|January 15, 2025
概括
人工智能 (AI) 可以使用双参数MRI (bpMRI) 功能预测前列腺癌 (PCa) 攻击性. 一个深度学习放射学模型在外部验证中显示出高准确性和通用性,提供了一个非侵入性评估工具.
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
- 在瘤学瘤学.
背景情况:
- 准确预测前列腺癌 (PCa) 攻击性对于最佳治疗计划至关重要.
- 目前评估PCa攻击性的方法在准确性和侵入性方面存在局限性.
研究的目的:
- 评估使用人工智能 (AI) 预测的双参数MRI (bpMRI) 功能来预测PCa攻击性的可行性.
- 将人工智能驱动的深度学习放射学模型与传统方法的性能进行比较.
主要方法:
- 来自四家医院的前列腺切除术后878名PCa患者的病理结果的回顾性分析.
- 利用预训练的AI算法识别可疑的PCa病变并提取图像特征.
- 开发和评估了五种预测模型:临床成像,PIRADS类别,常规放射学,深度学习放射学和活检病理学.
主要成果:
- 基于深度学习的放射学模型在外部验证中获得了最高的曲线下面积 (AUC) (0.7000.791).
- 这种模型的表现优于临床成像模型 (AUC 0.5970.718),传统放射学 (AUC 0.5660.632),PIRADS评分 (AUC 0.5540.613) 和活检病理学 (AUC 0.5370.578).
- 在三个外部验证的医院 (p > 0.05) 中没有观察到AUC的统计学上显著差异.
结论:
- 使用bpmri人工智能提取的特征的深度学习放射学模型显示出预测PCa攻击性的巨大潜力.
- 这些模型显示出强大的通用性,可以作为PCa评估的客观,非侵入性工具.
- 这些发现支持将人工智能纳入放射性评估,以改善前列腺癌管理.
