基于深度学习的模型的开发和验证,用于预测灰色区域PSA水平的患者的前列腺癌:与临床医生观察的比较研究
Yinzhong Wang1,2,3,4, Wenhui Zhao5, Ruiping Wang5
1Department of radiology, First Hospital of LanZhou University, Lanzhou, 730000, Gansu, China.
World journal of urology
|December 31, 2025
概括
使用MRI数据的深度学习模型准确地检测出未确定PSA水平的患者的前列腺癌. 这种人工智能工具与经验丰富的放射科医生相匹配,有助于临床决策并减少不必要的活检.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 在患有灰色区域前列腺特异性抗原 (PSA) 水平的患者中,前列腺癌 (PCa) 检测可能具有挑战性.
- 多参数磁共振成像 (mp-MRI) 对于PCa诊断至关重要.
- 深度学习 (DL) 提供了改善医学成像诊断准确性的潜力.
研究的目的:
- 开发和验证基于DL的模型,用于使用mp-MRI检测PCa在灰色区域PSA水平的患者中.
- 为了比较DL模型的性能与不同专业知识的放射科医生.
- 评估整合T2加权成像 (T2WI) 和明显扩散系数 (ADC) 数据的实用性.
主要方法:
- 从多中心数据 (2015年12月 - 2023年10月) 追溯分析了274名怀疑患有前列腺病变的患者.
- 在T2WI和ADC值上训练DL算法 (多属性卷积神经网络 - CNNs).
- 使用接收器操作特征曲线 (AUC) 下面面积的性能评估和与放射科医生的性能比较.
主要成果:
- CNNs模型的AUC为0.84,超过单个T2WI和ADC模型,以及基于变压器的模型 (AUC为0.79).
- DL模型的性能 (AUC 0.86) 与经验丰富的放射科医生 (AUC 0.86) 相美,与经验较少的放射科医生 (AUC 0.71) 相美.
- 集成ADC和T2WI的多式联网CNNs模型表现出高精度.
结论:
- 集成ADC和T2WI数据的多式CNN显示PCa检测在灰色区域PSA患者的高准确性.
- DL模型的性能与高级放射科医生相美,提供了宝贵的临床支持.
- 这种人工智能工具可以在具有挑战性的病例中提供帮助,并可能减少不必要的前列腺活检.
