人工智能生成的ADC地图对前列腺癌计算机辅助诊断的影响:可行性研究
Kutsev B Ozyoruk1, Stephanie A Harmon1, Enis C Yilmaz2
1Artificial Intelligence Resource, Molecular Imaging Branch, National Cancer Institute, Bethesda, Maryland (K.B.O., S.A.H., D.G.G., B.D.S., R.L., P.L.C., B.T.); Molecular Imaging Branch, National Cancer Institute, Bethesda, Maryland (K.B.O., S.A.H., D.G.G., B.D.S., R.L., P.L.C., B.T.).
Academic radiology
|June 5, 2025
概括
人工智能生成的明显扩散系数 (ADC) 地图在3D U-Net模型中提高了前列腺癌检测准确度. 虽然细分性能略有下降,但整体诊断能力有所改善,有助于计算机辅助诊断.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 双参数MRI (bpMRI) 对于前列腺癌 (PCa) 检测至关重要.
- 表面扩散系数 (ADC) 地图是解释bpmri的关键.
- 人工智能模型可以帮助PCa检测和细分.
研究的目的:
- 评估AI生成的ADC地图对PCa检测和细分的3DU-NetAI模型的影响.
- 在bpmri中使用传统与人工智能生成的adc地图来比较诊断性能.
主要方法:
- 对178名患者 (119例PCa病例,59例对照) 的回顾性分析,这些患者接受了3.0T的bpMRI.
- 将3D U-Net AI模型的性能与传统的ADC地图与人工智能生成的ADC地图进行比较.
- 使用威尔科克森签名等级测试和对置信区间进行引导的统计分析.
主要成果:
- 人工智能生成的ADC地图改善了病变检测准确度从0.70到0.78 (p<0.01) 和特异性从0.22到0.47 (p<0.001).
- 在AI-ADC地图中,灵敏度仍然很高 (0.94对0.93,p>0.05).
- 与AI-ADC地图 (0.225与0.276,p<0.05) 相比,细分性能显示了子相似系数 (DSC) 的下降.
结论:
- 人工智能生成的ADC地图可以提高人工智能模型用于前列腺癌检测的诊断性能.
- 可能需要进一步的研究来优化人工智能生成的ADC地图,以提高细分精度.
更多相关视频
08:05Detection and Isolation of Cancer in Prostate Biopsies Using Stimulated Raman Histology and Artificial Intelligence
Published on: June 10, 2025
677
06:08A Cognitive Fusion-guided Prostate Biopsy Using Multiparametric Magnetic Resonance Imaging and Transrectal Ultrasound
Published on: March 21, 2025
385