在双参数MRI上检测前列腺癌的开源深度学习模型的外部评估
Patricia M Johnson1, Angela Tong2, Luke Ginocchio2
1Bernard and Irene Schwartz Center for Biomedical Imaging, Department of Radiology, New York University Grossman School of Medicine, New York, New York, USA. patricia.johnson3@nyulangone.org.
European radiology
|August 2, 2025
概括
一个开源的深度学习模型显示在双参数MRI上检测临床显著的前列腺癌 (csPCa) 的高灵敏度. 分享模型组件对于外部验证和推进PCa检测研究至关重要.
科学领域:
- 医疗成像中的人工智能
- 瘤学 诊断 诊断 瘤学
- 放射学和成像分析分析.
背景情况:
- 读者间的变异性可以影响MRI扫描中临床显著前列腺癌 (csPCa) 的一致检测.
- 深度学习 (DL) 模型有可能提高医学成像中的诊断准确性.
- 双参数MRI (bpMRI) 越来越多地用于前列腺癌评估.
研究的目的:
- 评估使用bpmri检测csPCa的特定开源深度学习模型的诊断准确性.
- 确定共享和外部验证PCa检测模型的基本组件.
- 评估模型在基于PI-RADS评分和组织病理学的前列腺癌病变分类方面的表现.
主要方法:
- 来自151名患者的bpMRI检查的回顾性分析.
- 为PCa检测而训练的公开可用的DL模型的外部验证.
- 使用PI-RADS ≥3,PI-RADS ≥4和csPCa (Gleason ≥7) 的接收器运行特征曲线 (AUC) 下的面积进行性能评估.
- 放射学家的解释和组织病理学作为基本真理.
主要成果:
- 在DL模型中,CSPCa检测的AUC为0.78 (95%CI:0.71-0.86).
- 对PI-RADS≥3和≥4的AUC分别为0.86和0.91.
- 对csPCa的敏感性和特异性分别为0.87和0.53.
- 读者之间的一致性 (Fleiss' kappa) 是0.51.
结论:
- 开源DL模型在bpmri上检测csPCa时表现出高灵敏度.
- 该研究强调了共享模型代码和权重对于强大的外部验证的重要性.
- 这种方法有助于进一步研究和开发用于前列腺癌诊断的AI工具.
