自动化前列腺癌分级:使用分类和细分进行自动前列腺癌分级评估的新型深度学习框架
Saidul Kabir1, Rusab Sarmun1, Rafif Mahmood Al Saady2
1Department of Electrical and Electronic Engineering, University of Dhaka, Dhaka, 1000, Bangladesh.
Journal of imaging informatics in medicine
|February 6, 2025
概括
这项研究引入了一种自动化的深度学习系统,以提高前列腺癌 (PCa) 评分准确度. 该创新框架提高了诊断精度,为评估PCa严重程度提供了可靠的工具,并有助于临床决策.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 前列腺癌 (PCa) 的分级依赖于主观的格里森系统,需要更客观的方法.
- 当前的诊断变化凸显了需要自动化,可靠的工具,以提高准确性和最大限度地减少人类错误.
- 深度学习有可能提高医学图像分析和癌症分级的精度.
研究的目的:
- 开发和评估一个创新的三阶段深度学习框架,用于自动化前列腺癌分级.
- 使用自动化系统提高PCa严重性评估的准确性和可靠性.
- 为临床显著和高效的PCa评估提供前性预后工具.
主要方法:
- 使用PANDA挑战数据集 (2699个案例) 开发了一个三阶段的深度学习框架.
- 阶段包括:使用DNN对PCa等级 (良性,格里森3-5级) 的分类,PCa等级的细分以及通过ML分类器计算ISUP等级.
- 优化补丁采样,DeepLabV3与Self-ONN以及EfficientNet_b0被用于分类和细分.
主要成果:
- EfficientNet_b0获得了83.83%的F1分数进行分类.
- DeepLabV3+与Self-ONN和EfficientNet编码器为细分提供了84.9%的子相似系数 (DSC).
- 该框架使用RandomForest分类器实现了0.9215的二次加权卡帕 (QWK) 评分,用于最终的ISUP等级预测.
结论:
- 拟议的深度学习框架显示了前列腺癌自动分级的有希望的结果.
- 该系统提供了一种可靠和有效的方法来评估PCa的严重程度,并可能作为预后工具.
- 需要进一步的研究来验证该框架在各种临床环境中的适应性.
