PRAD-Hybrid CNN (PRADHC):一个深度学习模型用于MRI前列腺癌辅助诊断
Jingpeng Liu1, Lingxuan Hou2, Yang Xu3
1Department of Urology, Beijing Tiantan Hospital, Capital Medical University, Beijing, China.
Current medical imaging
|March 16, 2026
概括
一个新的前列腺腺癌混合卷积神经网络 (PRADHC) 模型显著改善了使用MRI扫描进行前列腺癌诊断. 这种人工智能工具提高了准确性,帮助临床医生更有效地检测早期癌症.
科学领域:
- 医疗成像中的人工智能
- 深度学习用于癌症检测
- 放射学和泌尿病学的创新 放射学和泌尿病学的创新
背景情况:
- 前列腺癌是一种常见的男性恶性瘤.
- 目前前前列腺MRI诊断是主观的,可能会错过早期癌症.
- 需要更有效的诊断技术.
研究的目的:
- 引入一种新的深度学习模型,用于自动化前列腺癌诊断.
- 为了提高诊断准确度,特别是在前列腺癌的早期阶段.
- 为临床医生提供一种有效的辅助诊断工具.
主要方法:
- 开发了前列腺腺癌混合卷积神经网络 (PRADHC) 模型,结合了EfficientNet和剩余块.
- 在64名患者的1528张MRI图像上验证了PRADHC模型.
- 增强了EfficientNet,拥有更多的CNN层和集成的剩余网络,以提高准确性和减轻梯度消失.
主要成果:
- PRADHC模型实现了99.34%的准确性和99.32%的AUC.
- 与传统的EfficientNet.Net相比,其准确度提高了4%.
- 超过了基线的基本CNN模型 (95.72%的准确率,96.74%的AUC).
结论:
- PRADHC模型为自动化前列腺癌诊断提供了一种新的深度学习方法.
- 这种人工智能工具可以增强放射科医生和泌尿科医生的诊断能力,帮助早期检测和治疗规划.
- 虽然该系统承认虚假阳性等局限性,但作为诊断支持的宝贵补充工具.
