基于深度学习的完全自动检测和骨盆淋巴结的细分在扩散加权图像前列腺癌:一个多中心研究研究

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 尿道瘤学 尿道瘤学

背景情况:

• 准确的淋巴结 (LN) 评估对于前列腺癌 (PCa) 阶段确定至关重要.
• 手动的LN识别和细分可能是耗时和劳动密集的.
• 开发自动化方法可以提高PCa分期的效率和准确性.

研究的目的:

• 开发和验证3DV-Net模型,用于PCa患者的自动LN检测和细分.
• 在细分精度和转移性LN检测方面评估模型的性能.
• 评估该模型在改善临床N阶段工作流程方面的潜力.

主要方法:

• 在1,151名PCa患者 (32,507名LN) 的骨盆扩散权重成像 (DWI) 上训练3D V-Net模型.
• 外部验证来自三家医院 (7,707名临床医生) 的401名患者的数据.
• 使用子相似系数 (DSC),布兰德-阿尔特曼图,相关性分析,灵敏度,特异性和正预测值 (PPV) 的性能评估.

主要成果:

• 外部验证为LN细分实现了0.77-0.82的DSC.
• 该模型的灵敏度为60.1%,PPV为79.2%,用于在LN水平上检测可疑的转移性LN (直径小于8毫米).
• 在患者层面,该模型在转移性疾病检测方面获得了81.1%的灵敏度,75.6%的特异性和93.2%的PPV.

结论:

• 3D V-Net 模型有效地在 PCa 中对来自盆腔 DWI 扫描的 LNs 进行细分.
• 该模型显示与LN大小和体积的手册注释有很强的相关性和一致性.
• 这种人工智能驱动的方法在临床实践中具有很大的潜力,可以促进准确和高效的N分期.