生物Aug-Net:一个由生物图像传感器驱动的注意力增强细分框架,用于T2加权MRI中早期检测前列腺癌的生理合

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 生物医学工程 生物医学工程
• 在瘤学瘤学.

背景情况:

• 在T2加权MRI中精确的前列腺外周区域 (PZ) 分段对于早期前列腺癌检测至关重要.
• 目前的方法受到观察者之间的变化,边界局部化不佳,运动工件和临床整合挑战的影响.

研究的目的:

• 引入BioAug-Net,这是一个新的框架,将实时生理信号反与MRI数据集成在一起,以增强PZ细分.
• 利用基于变压器的注意力机制和概率临床决策支持系统 (PCDSS) 来提高准确性和临床实用性.

主要方法:

• 生物Aug-Net采用双分支非对称的注意力机制,通过BiGRU驱动的自适应掩饰模块处理空间MRI和时间传感器信号.
• 基于马尔科夫决策过程的PCDSS将细分输出映射到PI-RADS得分,并对不确定性进行量化.
• 在多机构数据集 (n=1,542) 上验证.

主要成果:

• 生物Aug-Net实现了最先进的性能:子89.7%,灵敏度91.2%,特异性88.4%,HD95 2.14毫米.
• 传感器集成使细分精度提高了12.6%,观察者之间的差异减少了48.3%.
• 放射科医生评估显示,诊断时间减少了15.0%,读者之间协议得到改善 (K=0.68到K=0.82).

结论:

• 生物Aug-Net为早期前列腺癌检测提供了一个临床可行的解决方案.
• 该框架增强了生理合,并提供可解释的AI诊断.
• 与现有方法相比,这种方法显著提高了细分精度和诊断效率.