在前列腺MRI中使用多编码器交叉注意网络评估癌症的存在
Avtantil Dimitriadis1,2,3, Grigorios Kalliatakis1, Richard Osuala2
1Institute of Computer Science, Foundation for Research and Technology Hellas (FORTH), N. Plastira 100, Vassilika Vouton, 70013 Heraklion, Greece.
Journal of imaging
|April 25, 2025
概括
这项研究引入了一种新的深度学习模型,用于使用双参数MRI进行前列腺癌 (PCa) 诊断. 该模型准确地将PCa存在与非癌症发现区分开来,达到0.91 AUC.
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) 是男性癌症死亡的主要原因,需要准确的诊断方法.
- 目前使用磁共振成像 (MRI) 进行PCa的诊断方法通常集中在病变检测或分类上,而不是癌症本身的存在.
- 从MRI中区分PCa和良性疾病是临床工作流程中关键但未被充分探索的步骤.
研究的目的:
- 开发和评估一个深度学习模型,首次在一个大规模的数据集,以区分前列腺癌的存在和不存在使用MRI.
- 通过专注于在PCa临床工作流程中确定癌症存在的关键任务来弥补当前研究中的差距.
主要方法:
- 使用了多中心的 ProstateNET 影像档案,这是最大的 PCa MR 图像集合,包括来自 11,000 多个病例的 600 多万个表示.
- 训练了一种多编码器交叉注意力融合架构,用于4504名患者的双参数MRI图像和临床变量.
- 在两个独立的测试组中评估了模型的性能:975名回顾性和435名前性患者.
主要成果:
- 获得了0.91的接收器操作特征曲线 (AUC) 下的高面积,表明强大的诊断性能.
- 证明了该模型能够有效地融合来自复杂的双参数成像模式的信息的能力.
- 展示了在不同患者队列中区分PCa存在的增强模型稳定性.
结论:
- 开发的深度学习模型显示,在MRI上准确确定前列腺癌的存在方面,有很大的前景.
- 该方法能够融合多模式成像数据,提高了其稳定性,支持其临床采用潜力.
- 这项工作为提高诊断准确度和通过在瘤学中使用先进的人工智能降低死亡率铺平了道路.
