从使用深度学习的PET/CT扫描中检测局部前列腺癌复发

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 前列腺癌 (PC) 是全球男性癌症相关死亡的一个重要原因.
• 使用前列腺特异性膜抗原 (PSMA) 痕迹仪的正子发射断层扫描 (PET) 有助于检测PC复发和转移.
• 准确的检测对于有效的诊断和治疗计划至关重要.

研究的目的:

• 用[18F]-PSMA-1007 PET/CT数据评估一种人工智能 (AI) 模型,用于检测局部前列腺癌复发.
• 评估兴趣区域选择和患者状态 (前列腺切除术后与未手术后) 对AI模型性能的影响.
• 为了确定数据集的大小是否足以开发可靠的AI模型.

主要方法:

• 1404 [18F]-PSMA-1007 PET/CT扫描的回顾性分析,来自确诊前列腺癌的患者.
• 训练人工神经网络以根据PET成像特征识别局部复发.
• 将不同输入数据的模型进行比较:全扫描 (模型A),膀中心区域 (模型B) 和前列腺切除状态特定模型 (模型C和D).

主要成果:

• 模型A实现了56%的准确性,而模型B (膀中心) 改进到71%的验证准确性.
• 对于前列腺切除术后 (C型) 和未手术 (D型) 患者的专用模型,每个模型都达到77%的准确性.
• 所有模型在训练数据上都显示出近100%的准确性,这表明了显著的过度装配. 低的F1分数和AUC值表明不可靠性.

结论:

• 1404 [18F]-PSMA-1007 PET/CT扫描的数据集不足以达到90%以上的准确度来检测局部前列腺癌复发.
• 本研究中开发的当前人工智能模型没有产生可靠的结果,低F1分数和AUC值表明了这一点.
• 研究的源代码和预训练模型被公开共享,以促进未来的研究和改善前列腺癌检测人工智能模型的开发.