[开发基于深度学习的系统,以支持PI-RADS评分确定中的医疗决策]
He Mingze He Mingze1,2,3,4, E Enikeev M1,2,3,4, T Rzaev R1,2,3,4
1Institute for Urology and Reproductive Health, Sechenov University, Moscow, Russia.
Urologiia (Moscow, Russia : 1999)
|May 16, 2025
概括
一个深度学习的计算机辅助诊断 (CAD) 系统显示前列腺癌 (PCa) 评分的希望,提高准确性和减少错误. 需要进一步验证,以提高临床整合的敏感性和细分.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 前列腺癌诊断的诊断方法
背景情况:
- 前列腺癌 (PCa) 诊断依赖于MRI扫描的准确解释,在前列腺成像报告和数据系统 (PI-RADS) 评分中经常存在人为错误.
- 计算机辅助诊断 (CAD) 系统提供了标准化解释和提高诊断一致性的潜力.
研究的目的:
- 开发和评估基于深度学习 (DL) 的CAD系统,用于PCa检测和分级.
- 为了尽量减少PI-RADS评分的人类错误,并支持临床决策.
主要方法:
- 一项回顾性多中心研究利用了136名患者的数据 (108名PCa,28名良性).
- 3D U-Net架构处理了T2加权 (T2W),扩散加权 (DWI) 和动态对比增强 (DCE) 的MRI序列.
- 用灵敏度,特异性,子相似性和AUC来评估诊断性能.
主要成果:
- 在DL-CAD系统实现了78%的准确性,60%的灵敏性和84%的病变检测特异性.
- 前列腺细分产生了0.71.7的子相似系数.
- 接收器运行特征曲线 (AUC) 下的面积为81.16%,高特异性减少了假阳性.
结论:
- DL-CAD系统显示了提高诊断准确度和减少临床显著PCa检测中观察者之间的变异性的潜力.
- 提高灵敏度和细分精度需要更大的数据集和先进的DL技术.
- 多中心验证对于临床整合至关重要.
