通过基于双参数超声波的深度学习放射学模型预测临床意义上的前列腺癌的回顾性研究

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 准确预测临床显著的前列腺癌 (csPCa) 对于及时干预至关重要.
• 当前的诊断方法可能有局限性,需要改进预测模型.
• 双参数超声波 (BP-US) 为前列腺评估提供一种非侵入性成像方式.

研究的目的:

• 开发和验证使用基于双参数超声波的深度学习放射学 (DLR) 与临床因素集成的csPCa的预测模型.
• 与单个组件相比,评估拟议模型的诊断性能.

主要方法:

• 在前列腺活检之前,对232名接受BP-US和剪波弹性图 (SWE) 的患者进行了回顾性分析.
• 开发一个整合DLR特征和临床数据的名图.
• 使用单独的测试队列验证名录的验证.
• 通过ROC曲线和决策曲线分析评估诊断性能.

主要成果:

• 在测试组中,综合名图实现了0.87的AUC (95%CI:0.77-0.95),单独超过DLR (AUC=0.80) 和临床模型 (AUC=0.79).
• 诺米图表显示出优越的诊断性能和在各种风险值中获得更大的净益处.
• DLR模型本身表现良好 (AUC=0.80),超过了个别的放射学或深度学习模型.

结论:

• 这项研究介绍了第一个将基于超声波的DLR与csPCa预测的临床指标相结合的诺米克图.
• 拟议的名图显著提高了csPCa的预测准确性.
• 这种工具可以帮助医生做出自信的临床决策,特别是在MRI无法使用的环境中.