3D-AttenNet模型可以预测PI-RADS类别3患者的临床显著前列腺癌:一项回顾性多中心研究
Jie Bao1, Litao Zhao2,3, Xiaomeng Qiao1
1Department of Radiology, The First Affiliated Hospital of Soochow University, Suzhou, China.
Insights into imaging
|January 29, 2025
概括
使用MRI的深度学习模型可以准确地重新分层PI-RADS类别3患者的前列腺癌 (PCa) 风险. 这种非侵入性工具有助于识别那些可能避免不必要的活检的患者.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 前列腺成像报告和数据系统 (PI-RADS) 3类表示临床显著前列腺癌 (csPCa) 的模两可的风险.
- 准确的风险分层对于PI-RADS 3患者至关重要,以避免不必要的侵入性手术.
研究的目的:
- 开发和验证PI-RADS类别3患者风险再分层的深度学习模型.
- 提高诊断准确性临床显著的前列腺癌 (csPCa) 在这个患者群体.
主要方法:
- 一项回顾性研究,涉及1567名来自六个中心的双参数MRI数据患者.
- 开发AttenNet深度学习模型,其中包括预测PCa和csPCa的注意力模块.
- 模型在PI-RADS 1-2和4-5图像上进行了预训练,并在PI-RADS 3图像上进行了重新训练/测试.
主要成果:
- 在测试队列中,AttenNet模型表现出高的预测性能 (PCa的AUC从0.795到0.963不等,csPCa的AUC从0.827到0.926不等).
- 这些模型成功识别了71.1%至92.2%的非csPCa患者,可能使他们免受侵入性手术.
结论:
- 深度学习模型,特别是AttenNet,为PI-RADS 3患者的风险再分层提供了一个非侵入性的工具.
- 这些模型可以减少不必要的侵入性活检,并提高前列腺癌检测的效率.
