多区域多参数深度学习放射学用于诊断临床显著的前列腺癌
Xijun Liu1,2, Rongzong Liu3, Haihao He1,2
1The SMART (Smart Medicine and AI-Based Radiology Technology) Lab, School of Communication and Information Engineering, Shanghai University, Shanghai, China.
Journal of imaging informatics in medicine
|August 29, 2025
概括
使用MRI的新型深度学习放射学方法精确地识别出临床意义上的前列腺癌 (csPCa). 这种可解释的多区域方法可以提高诊断准确度,而不是单一区域模型,从而更好地管理患者.
科学领域:
- 医学成像
- 医学的人工智能
- 癌症学
背景情况:
- 准确的,非侵入性的前列腺癌 (csPCa) 鉴定对于有效的前列腺疾病治疗至关重要.
- 目前的诊断方法可能缺乏精度, 需要先进的方法.
研究的目的:
- 开发和验证使用MRI进行csPCa的新型,可解释,多区域,多参数深度学习放射学诊断模型.
- 提高csPCa识别的精度和临床适用性.
主要方法:
- 使用深度学习框架 (CNN和变压器) 进行前列腺外围区域 (PZ) 和过渡区域 (TZ) 的自动细分.
- 从多参数MRI (PZ,TZ和组合区域) 中提取和选择放射性特征.
- 开发一个多区域的,多参数的放射学模型,对可解释性的量化特征贡献.
主要成果:
- 多区域模型的AUC为0.903 (内部) 和0.881 (外部测试集),表现优于单区域模型.
- 扩散权重成像 (53. 28%) 和明显扩散系数 (39. 52%) 是主要的诊断特征.
- 与其他方法相比,该模型表现出卓越的性能.
结论:
- 拟议的可解释,多区域,多参数深度学习放射学模型显著提高了csPCa的诊断准确性.
- 该模型提供了对关键成像参数的有价值的见解,显示了在csPCa管理中临床应用的强大潜力.


