扫描仪制造商,肠内线圈使用和临床变量对深度学习辅助前列腺癌分类使用多参数MRI的影响
José Guilherme de Almeida1, Nuno M Rodrigues1,2, Ana Sofia Castro Verde1
1Champalimaud Research, Champalimaud Foundation, Avenida Brasilia, Lisboa, Lisboa 1400-038 Portugal.
Radiology. Artificial intelligence
|January 22, 2025
概括
扫描仪制造商和扫描协议显著影响深度学习模型的性能,用于在双参数MRI (bpMRI) 上对前列腺癌 (PCa) 攻击性进行分类. 当训练和测试相同制造商的数据时,模型的性能更高.
科学领域:
- 医学成像信息学 医疗成像信息学
- 在瘤学中使用人工智能
- 无线电学和机器学习
背景情况:
- 精确的前列腺癌 (PCa) 攻击性分类对于治疗决策至关重要.
- 深度学习 (DL) 模型显示出在PCa检测中分析双参数MRI (bpMRI) 的前景.
- DL模型的通用性通常受到成像硬件和协议的变化所限制.
研究的目的:
- 评估扫描仪制造商和扫描协议对DL模型性能对PCa攻击性分类使用bpmri的影响.
- 评估来自不同子组的数据的影响,包括扫描仪制造商和内肠直肠线圈 (ERC) 的使用,对模型的概括性.
- 为了确定临床特征是否可以提高DL模型在PCa攻击性评估中的性能.
主要方法:
- 从前列腺网数据集中对13个中心的5478个PCa bpMRI病例进行了回顾性分析.
- 开发和测试五个DL模型,以使用最小的损伤信息来预测PCa的攻击性.
- 使用接收器操作特征曲线 (AUC) 下的面积来评估模型性能,比较不同扫描仪制造商 (西门子,飞利浦,通用电气) 和ERC使用的性能.
主要成果:
- 最好的DL模型在训练和测试完整数据集时达到0.73的AUC.
- 在同一个制造商的数据上训练和测试时,模型表现更高 (平均AUC差异为0.05,P <.001).
- 包括临床特征 (年龄,PSA,PI-RADS) 并没有显著改善模型性能 (P = .24).
结论:
- 扫描仪制造商和ERC使用显著影响DL模型的性能和特征分布,用于bpmri上的自动PCa攻击性分类.
- 由于成像采集参数的变化,模型的概括性受到挑战.
- 未来用于PCa分类的DL模型开发需要仔细考虑多中心和多制造商数据协调.
