在多模态MRI上进行前列腺癌分类的自适应组合学习:减少不必要的活检
Samet Aymaz1, Nur Kara Oğuz2, Şeyma Aymaz3
1Department of Computer Engineering, Trabzon University, Trabzon, Türkiye. sametaymaz@trabzon.edu.tr.
BMC medical imaging
|January 12, 2026
概括
这项研究开发了一种适应性加权合奏模型,用于使用多模态核磁共振 (MRI) 检测前列腺癌. 该模型显著减少了不必要的活检,同时在识别PI-RADS 3-5病变方面保持了高准确性.
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:
- 前列腺癌的诊断依赖于多参数MRI (mpMRI) 和活检.
- 准确的PI-RADS 3-5病变分类对于避免不必要的侵入性手术至关重要.
- 目前的诊断方法可以改进,以获得更好的患者结果.
研究的目的:
- 为PI-RADS 3-5前列腺病变的多模态MRI分类开发和评估一个自适应加权合体学习模型.
- 为了提高前列腺癌检测准确度和减少侵入性活检.
- 集成多个卷积神经网络 (CNN) 功能提取器,以提高诊断性能.
主要方法:
- 一项回顾性研究分析了196名PI-RADS 3-5病变的患者.
- 在一个自适应加权组合模型中使用了五个CNN特征提取器 (MobileNet_v2,VGG16,DenseNet121,EfficientNet_b0,ResNet50).
- 该模型整合了DCE,DWI和T2权重的MRI序列的动态权重,使用5倍交叉验证与数据增强和ADASYN平衡进行评估.
主要成果:
- VGG16实现了最高的诊断准确性 (99.0%) 和AUC (99.9%).
- 与放射科医生的建议相比,整体模型显示出更高的特异性 (98.9%),保持高灵敏度 (99.1%).
- 动态加权突出显示DCE (41.6%),T2加权 (33.9%) 和DWI (24.6%) 序列是最重要的.
结论:
- 适应加权组合模型显示了前列腺癌分类的优越诊断性能.
- 该模型显示了显著的潜力,可以减少不必要的前列腺活检,同时保持癌症检测的高灵敏度.
- 这种方法可以提高前列腺癌诊断效率,并支持临床决策.
