基于MRI的双参数息地分析与深度学习集成,用于预测PI-RADS第3类病变中临床显著的前列腺癌
Shuitang Deng1, Jinwen Hu2, Hui Wang1
1Department of Radiology, Tongde Hospital of Zhejiang Province, Hangzhou, Zhejiang Province, China.
Journal of magnetic resonance imaging : JMRI
|December 16, 2025
概括
在PI-RADS 3病变中准确检测临床显著的前列腺癌 (csPCa) 是具有挑战性的. 一个双参数MRI (bpMRI) 深度学习息地模型显示了PI-RADS 3病变中csPCa预测的高准确性.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 在PI-RADS 3病变中检测临床显著的前列腺癌 (csPCa) 是一个诊断挑战.
- 准确的识别对于适当的患者管理和治疗决策至关重要.
研究的目的:
- 使用深度学习功能开发和验证基于双参数MRI (bpMRI) 的息地分析模型.
- 该模型旨在使用双中心数据预测PI-RADS 3病变中的csPCa.
主要方法:
- 551名PI-RADS 3病变患者的回顾性分析,并得到了他的病理学确认.
- 在T2WI和DWI上使用k-means集群的损伤细分和息地子区域识别.
- 开发基于深度学习的息地模型和整合临床和息地特征的组合模型.
主要成果:
- 组合模型实现了csPCa预测曲线下的高面积 (AUC):0.959 (培训),0.963 (内部验证) 和0.949 (外部验证).
- 深度学习息地模型表现出强的表现,AUC范围从0.857到0.952.
- 综合模型显著优于单独的临床模型.
结论:
- 一个基于bpMRI的深度学习息地分析模型,特别是组合模型,准确地评估PI-RADS 3病变中的csPCa.
- 这种方法提供了一个有前途的工具,可以在具有挑战性的PI-RADS 3病例中提高诊断准确性.
- 这些发现支持将深度学习息地分析纳入常规前列腺MRI解释中.
