通过深度学习辅助的侵袭性前列腺癌检测器有效减少不必要的活检
Nuno M Rodrigues1,2, José Guilherme de Almeida3, Ana Sofia Castro Verde3
1Computational Clinical Imaging Group, Champalimaud Foundation, Lisbon, Portugal. nuno.mvrodrigues1@gmail.com.
Scientific reports
|April 30, 2025
概括
本研究开发了使用多参数MRI (mpMRI) 检测侵袭性前列腺癌 (PCa) 的计算模型. 专注于高风险病例可以减少不必要的活检,改善早期诊断和患者的治疗结果.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 在瘤学瘤学.
背景情况:
- 前列腺癌 (PCa) 很普遍,高的生存率取决于早期检测.
- 目前的诊断方法,如活检和PSA测试,可以是侵入性的,并有观察者之间的变化.
- 多参数MRI (mpMRI) 为PCa检测和监测提供了一种非侵入性的方法.
研究的目的:
- 用mpMRI数据开发计算模型,准确检测使用mpMRI数据的侵袭性前列腺癌病变.
- 通过专注于临床上显著的疾病,减少不必要的侵入性手术,如活检.
- 与传统的放射性评估相比,提高PCa损伤识别的一致性和确定性.
主要方法:
- 利用来自前列腺网和PI-CAI数据集的多参数MRI (mpMRI) 数据.
- 在具有国际泌尿病学学会 (ISUP) 2或更高等级的样本上训练的开发计算模型.
- 专注于积极的索引病变检测,以确定临床显著的PCa.
主要成果:
- 开发的计算模型证明了对攻击性前列腺癌的准确检测.
- 这些模型利用mpMRI信息以高确定性定位病变.
- 通过专注于侵袭性疾病 (ISUP≥2),这些模型为活检提供了可靠的指示.
结论:
- 使用mpMRI的计算模型对于检测侵袭性前列腺癌是有效的.
- 这种方法可以作为一个有价值的工具来指导活检决策,尽量减少不必要的程序.
- 这些模型有望提高PCa诊断和管理的准确性和效率.
