深度学习对自信标记的微超声图像进行前列腺癌的分类
概括
高分辨率的微超声波显示出前列腺癌检测的前景. 用新型联合注册方法训练的人工智能模型实现了与专家审核员相当的性能,表现优于新手.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 微超声波为前列腺癌诊断提供了MRI的负担得起的替代方案.
- 由于组织变形和非标准的图像方向,在将微超声波图像与MRI和病理相关联方面存在挑战.
- 之前已经建立了一种有效的方法来同时记录微超声波,MRI和整体病理学.
研究的目的:
- 利用经过验证的联合注册方法来训练使用重建的微型超声波图像的前列腺癌初步分类器.
- 将这些AI分类器的性能与专家微超声波审查器进行比较.
主要方法:
- 开发并验证了微超声波,MRI和整体病理学的联合注册方法.
- 使用这种方法来自信地标记重建的微型超声波图像.
- 在这些标记图像上训练有素的初步癌症分类器.
- 使用15名患者的数据集,将分类器的性能与专家审查员进行了比较.
主要成果:
- 训练有素的人工智能模型与初学者评审员相比,表现优越.
- 这些模型的性能指标 (灵敏度:78.9%,特异性:72.7%) 与有限数据集的专家审查员 (灵敏度:60.6%,特异性:80.5%) 相似.
- 这项研究强调了AI在解释前列腺癌微超声波方面的潜力.
结论:
- 开发的AI分类器显示了使用微超声波进行前列腺癌识别的令人鼓舞的结果.
- 用更大的数据集和先进模型进行进一步的研究是有必要的,以提高诊断准确度.
- 这种方法可以提高微超声波的实用性,作为前列腺癌诊断中具有成本效益的工具.
