对于前列腺癌风险分层而言,可泛化深度学习:综合18多中心研究F-PSMA-1007 PET/CT和mpMRI
Cunke Miao1, Houzhang Sun2, Fei Yao2
1The Department of Nuclear Medicine, The First Affiliated Hospital of Wenzhou Medical University, Wenzhou, China (C.M., Y.Y., Y.L.); The First Affiliated Hospital of Wenzhou Medical University, Wenzhou 325000, China (C.M., T.H., Z.R., Y.L.).
Academic radiology
|January 17, 2026
概括
一个新的深度学习模型,CL-MGNET,使用多式成像和临床数据准确预测高风险前列腺癌特征. 这种方法改善了风险分层,即使训练数据有限,也提高了诊断能力.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是指放射学
- 人工智能的人工智能
背景情况:
- 前列腺癌是男性癌症死亡的主要原因,需要精确的风险分层.
- 高侵入性特征如ISUP等级,EPE和PSM对于治疗至关重要,但由于瘤异质性,很难检测到.
- 目前的成像 (18F-PSMA-1007 PET/CT,mpMRI) 在捕捉这些攻击性特征方面存在局限性.
研究的目的:
- 开发一个几次射击的深度学习模型 (CL-MGNET),用于预测高风险前列腺癌的生物特征.
- 整合多式成像 (PET/CT,mpMRI) 和临床数据,以提高预测准确度.
- 即使训练数据有限,也可以优化模型性能.
主要方法:
- 追溯性多中心研究,包括377名患者 (341名内部,36名外部验证).
- 利用多式输入 (PET/CT,mpMRI) 和临床变量来预测ISUP等级,EPE和PSM.
- 在一个小小的子集 (30名患者) 上开发和训练了一种专门的几次射击深度学习网络 (CL-MGNET).
主要成果:
- 为了预测高度侵入性的特征,CL-MGNET获得了高AUC (0.877内部,0.872外部).
- 该模型显著优于临床模型 (AUC 0.792) 和单模成像模型.
- 临床变量的整合进一步提高了CL-MGNET的性能,证明了强大的概括性.
结论:
- 该CL-MGNET模型准确地预测高侵入性前列腺癌的特征,使用多式联络数据和少数射击学习.
- 该模型在不同的生物特征和医疗中心中显示出强大的通用性.
- 这种方法为改善前列腺癌诊断和风险预测在数据有限的环境中提供了一个有希望的解决方案.
