相关实验视频
Updated: Sep 16, 2025

Use of MRI-ultrasound Fusion to Achieve Targeted Prostate Biopsy
Published on: April 9, 2019
结合临床和MRI特征的深度学习模型改善了风险分层,并减少了怀疑患有前列腺癌的男性不必要的活检.
Emiliano Bacchetti1, Axel De Nardin2, Gianluca Giannarini3
1Institute of Radiology, Department of Medicine (DMED), University of Udine, and University Hospital "Santa Maria della Misericordia", ASU FC, P.le S. M. Della Misericordia 15, 33100 Udine, Italy.
集成临床和MRI数据的深度学习模型可以改善前列腺癌风险预测. 模型3,使用综合数据,增强分层,可能减少在临床上显著的前列腺癌检测中不必要的活检.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 尿道瘤学 尿道瘤学
背景情况:
- 临床上显著的前列腺癌 (csPCa) 的准确风险分层对于最大限度地减少不必要的前列腺活检至关重要.
- 临床和磁共振成像 (MRI) 变量的深度学习集成提供了提高预测准确性的潜力.
研究的目的:
- 开发和评估用于预测csPCa风险的深度学习模型.
- 用临床数据,MRI数据和组合数据来比较模型的性能.
主要方法:
- 对538名接受MRI和活检的男性进行了回顾性分析.
- 使用5倍交叉验证训练一个完全连接的神经网络.
- 开发三个模型:模型1 (临床特征),模型2 (PI-RADS类别),模型3 (临床+MRI特征).
主要成果:
- 模型3显示出最高的AUC (0.822),表现优于模型2 (0.778) 和模型1 (0.716).
- 模型3比模型2具有更高的特异性,减少了假阳性,避免了更多的活检.
- 决策曲线分析表明,Model 2在低风险值 (≤20%) 和Model 3在高风险值 (>20%) 的优势.
结论:
- 结合的临床和MRI数据 (模型3) 显著改善了csPCa风险分层,特别是在活检不良情景中.
- 模型2 (基于MRI) 在对癌症不利的环境中更有效.
- 这些深度学习模型促进了关于前列腺活检的个性化和上下文敏感的决策.
更多相关视频
06:08A Cognitive Fusion-guided Prostate Biopsy Using Multiparametric Magnetic Resonance Imaging and Transrectal Ultrasound
Published on: March 21, 2025
08:05Detection and Isolation of Cancer in Prostate Biopsies Using Stimulated Raman Histology and Artificial Intelligence
Published on: June 10, 2025