超越VI-RADS不确定性:利用时空DCE-MRI预测膀癌肌肉入侵
Minghui Song1, Haonan Ren1,2, Lijuan Wang3
1School of Biomedical Engineering, Air Force Medical University, Xi'an 710032, China.
Bioengineering (Basel, Switzerland)
|December 30, 2025
概括
一个新的深度学习模型使用动态对比增强MRI (DCE-MRI) 时空数据增强非肌肉侵入性膀癌 (NMIBC) 诊断. 这种人工智能工具提高了对挑战VI-RADS类别2和3案例的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 膀成像报告和数据系统 (VI-RADS) 在VI-RADS类别2和3中的非肌肉侵入性膀癌 (NMIBC) 的准确性有限.
- 动态对比增强型MRI (DCE-MRI) 提供了通过分析瘤血管性的NMIBC评估的潜力,但由于复杂的时空数据而未得到充分利用.
研究的目的:
- 开发和验证一个深度学习模型,以改善VI-RADS 2/3病例中的NMIBC诊断.
- 利用DCE-MRI的时空特征来提高膀癌症的分类.
主要方法:
- 创建了一个深度学习模型来量化来自184名患者的多相DCE-MRI的时空特征 (VI-RADS 2或3).
- 该模型包含多尺度特征提取和上下文注意力机制.
- 模型的性能与基准和常规值进行了评估.
主要成果:
- 深度学习模型在NMIBC获得了0.90的灵敏度,在VI-RADS 2/3个案例中,总体分类的AUC为0.82.
- 它的表现优于现有的基准和VI-RADS ≤2值 (灵敏度为0.67).
- 可视化证实了模型能够识别与肌肉入侵相关的关键时空模式的能力.
结论:
- 对DCE-MRI时空数据的深度学习分析显著提高了VI-RADS 2/3分类的NMIBC诊断准确度.
- 这种人工智能驱动的方法为克服当前VI-RADS评估局限性提供了宝贵的工具.
- 该模型为膀癌分期提供了改进的临床决策.
