相关实验视频
Updated: Jul 12, 2026
09:11
Use of MRI-ultrasound Fusion to Achieve Targeted Prostate Biopsy
Published on: April 9, 2019
21.3K
比较和结合人工智能和光谱/统计方法,以提高双参数MRI中的前列腺癌评估:试点研究
Rulon Mayer1, Yuan Yuan2, Jayaram Udupa3
1Oncoscore, Garrett Park, MD 20896, USA.
Diagnostics (Basel, Switzerland)
|March 13, 2025
概括
这项研究发现,将光谱/统计方法与人工智能 (人工智能) 结合起来,显著改善了前列腺癌瘤等级预测. 这些结合方法为非侵入性前列腺瘤评估提供了一个有希望的替代方案.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 精确的前列腺癌管理需要进行非侵入性的定量瘤评估.
- 目前的方法包括MRI上的视觉检查和AI (人工智能) /深度学习 (DL).
- 频谱/统计方法已经在评估前列腺癌的双参数MRI方面取得了成功.
研究的目的:
- 评估和改进前列腺癌评估的光谱/统计方法.
- 将这些方法与基于人工智能的深度学习方法进行比较.
- 调查光谱/统计方法和人工智能的联合潜力.
主要方法:
- 一个区域意识的自我监督的网格网络 (Z-SSMNet) 应用于42名患者的MRI数据.
- 使用Z-SSMNet输出计算了瘤体积和异常率.
- 线性和逻辑回归分析了与ISUP等级和前列腺癌显著性 (PCsPCa) 的相关性.
- 多变量回归结合了Z-SSMNet和光谱/统计输出.
主要成果:
- 与以前的光谱/统计方法相比,Z-SSMNet (AI/DL) 的表现较差.
- 结合人工智能 (平均斑块大小) 和光谱/统计 (SCR) 结果的多变量回归实现了比单变量方法更高的相关性 (R=0.70).
- 综合方法显著提高了瘤等级预测的准确性.
结论:
- 频谱/统计方法在前列腺癌评估中表现强.
- 将AI (Z-SSMNet) 与光谱/统计方法相结合,显著改善了瘤等级的预测.
- 这种综合方法可能为目前的前列腺瘤评估策略提供了一个有价值的替代方案.
更多相关视频
05:49Use of Magnetic Resonance Imaging and Biopsy Data to Guide Sampling Procedures for Prostate Cancer Biobanking
Published on: October 10, 2019
6.2K
06:08A Cognitive Fusion-guided Prostate Biopsy Using Multiparametric Magnetic Resonance Imaging and Transrectal Ultrasound
Published on: March 21, 2025
116
