多模式数据融合与不规则的PSA动力学用于自动化前列腺癌分级
Oleksii Bashkanov1, Lucas Engelage2, Niklas Behnel2
1Faculty of Computer Science, University of Magdeburg, Universitaetsplatz 2, Magdeburg, 39106, Saxony-Anhalt, Germany.
概括
这项研究引入了一个新的人工智能框架,用于前列腺癌 (PCa) 检测和分级. 它有效地将成像与不规则的患者数据 (如PSA水平) 结合在一起,提高诊断准确度,并可能减少不必要的活检.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 前列腺癌 (PCa) 的检测和分级是关键的诊断挑战.
- 目前的深度学习和多式融合方法在与不规则的时间序列数据 (如前列腺特异性抗原 (PSA) 测量) 斗争.
- 现有的方法往往忽略了有价值的纵向患者信息.
研究的目的:
- 开发一种新的多式联接融合框架,将成像数据与纵向患者信息整合起来,包括不规则的PSA测量.
- 提高PCa检测和疾病分级的准确性.
- 创建一个临床决策支持工具,减少不必要的活检.
主要方法:
- 一个新的多式联接融合框架,将成像数据与纵向患者数据 (PSA,人口统计,实验室) 结合起来.
- 定制嵌入技术可以处理时间序列而无需归算.
- 评估来自多个临床中心的综合内部和外部验证队列.
主要成果:
- 与仅使用图像方法相比,更高AUC (0.843比0.808) 的临床显著PCa (csPCa) 的检测得到改善.
- 更准确的前列腺疾病分类 (二次加权卡帕0.645与0.557).
- 强大的外部验证性能 (AUC 0.765) 在各种MRI设备和欧洲中心.
- 更高的灵敏度 (74.5%) 比放射科医生在匹配的特异性 (76.5%).
结论:
- 新的框架有效地将不规则的时间患者数据与成像进行集成,以改善PCa诊断.
- 该方法在检测csPCa和疾病分级方面表现出卓越的表现.
- 这种人工智能工具显示出作为临床决策支持系统的巨大潜力,有助于活检决策并减少不必要的程序.
