使用人工智能对没有临床显著前列腺癌的患者进行分类,使用双参数MRI和PSA
Emerson P Grabke1,2, Carolina A M Heming1, Amit Hadari1
1Lunenfeld-Tanenbaum Research Institute, Sinai Health System, Toronto, Canada.
Abdominal radiology (New York)
|May 30, 2025
概括
机器学习对前列腺MRI进行分类,显著减少了放射科医生的12.5%的工作量,同时保持了高精度. 这种人工智能工具在识别临床上显著的前列腺癌方面优于传统的风险计算器.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 前列腺癌的诊断严重依赖于MRI解释.
- 精确的前列腺核磁共振扫描分类对于有效的患者管理至关重要.
- 目前的非成像风险模型在预测临床上显著的前列腺癌方面存在局限性.
研究的目的:
- 开发和评估一种机器学习 (ML) 工具,用于对前列腺MRI扫描进行分类.
- 为了确定MRI扫描对临床显著前列腺癌的负面.
- 将ML工具的性能与现有的非MRI风险模型进行比较.
主要方法:
- 来自内部和公共数据集的2895个前列腺MRI的回顾性分析.
- 风险模型的比较:前列腺癌预防试验风险计算器2.0,前列腺活检协作组计算器,PSA密度,U-Net细分和U-Net与临床参数.
- 使用模拟分类工作流程,灵敏度,特异性,PPV和NPV与基因病理学或负面随访相比的性能评估.
主要成果:
- 具有临床参数的U-Net使放射科医生的工作量减少了12.5% (灵敏度90%,特异性47%).
- 这种基于ML的分类显示了比风险计算器更大的工作量减少,并且与单独的PSA密度和U-Net相比,结果相似.
- U-Net策略改善了正预测值 (PPV),而没有影响负预测值 (NPV).
结论:
- 基于机器学习的前列腺MRI分类可以有效地减少放射科医生的工作量.
- 与非成像风险模型相比,U-Net工具显示出更高的性能.
- 需要进行前性验证,以在临床实践中证实这些发现.
