文献速递泌尿生殖腹部MR

基于预测不确定性指标的AI前列腺癌检测路径模拟工作负荷减少

Simulating workload reduction with an AI-based prostate cancer detection pathway using a prediction uncertainty metric.
PubMed 文献 · Eur Radiol · 2025-06-07

这项回顾性多中心研究用1612例前列腺MRI比较meanUQ与varUQ两种不确定性量化指标在AI排除路径中的表现,发现在0.10非劣效特异度界值下,varUQ可使中心A工作量减少20%、中心B减少10%,中心C无显著减少;0.05界值下各中心均无显著减少。作者认为该路径有潜力减少放射科医生阅片量,但阈值需按机构校准。

要点

  • AI排除路径将高置信度病例自动判读,不确定病例转放射科医生,varUQ在0.10特异度界值下中心A减少20%、中心B减少10%工作量。
  • varUQ与meanUQ的AUROC差异无统计学意义(中心A p=0.9、中心B p=0.08、中心C p=0.4)。
  • 0.05非劣效特异度界值下各中心工作量减少均无统计学意义(中心A p=0.153、中心B p=0.243、中心C p=0.463)。

核心结论

  • meanUQ与varUQ在基于AI的csPCa排除检测中均显示出应用前景,varUQ路径可减少放射科医生需阅片的数量。
  • UQ排除路径的性能随机构而异,提示需要机构特异性的UQ阈值。

研究设计与样本

  • 回顾性、连续、多中心研究,纳入3个中心共1612例MRI扫描(中心A 689例次/625例患者,中心B 723例次/571例患者,中心C 200例次/200例患者),用于csPCa(Gleason Grade Group ≥ 2)评估。
  • AI模型基于nnU-Net框架,训练集为7756例前列腺MRI(Siemens扫描仪),五折交叉验证(6205例训练、1551例验证)并三次重启,产生15个独立子模型,子模型平均值为最终预测。
  • 参考标准为靶向穿刺联合系统穿刺的Gleason Grade Group ≥ 2;PI-RADS 1或2未行活检者因PI-RADS高阴性预测值视为阴性。
  • 影像方案包括轴位T2加权成像、高b值(> b1400)DWI和ADC图,遵循PI-RADS推荐。

诊断标准与关键数值

  • meanUQ定义为患者水平平均预测值减0.5的绝对值,低meanUQ为不确定、高meanUQ为确定;varUQ定义为患者水平预测值的标准差,低varUQ为确定、高varUQ为不确定。
  • meanUQ的Youden指数阈值:中心A 0.32(确定459例,66.61%)、中心B 0.29(确定475例,65.70%)、中心C 0.31(确定125例,62.50%);对应AUROC分别为0.72、0.68、0.91。
  • varUQ的Youden指数阈值:中心A 0.094(确定224例,32.51%)、中心B 0.087(确定247例,34.16%)、中心C 0.037(确定62例,31.00%);对应AUROC分别为0.72、0.78、0.95。
  • 0.10非劣效特异度界值下,放射科医生敏感度维持于中心A 83%、中心B 86%、中心C 95%,对应可接受特异度为中心A 48%、中心B 44%、中心C 68%。
  • 0.10界值下工作量减少时PI-RADS ≥ 3病变比例:中心A 20%减少时77%(n=103)、中心B 10%减少时67%(n=49)、中心C 10%减少时15%(n=3)。

临床应用与阅片要点

  • 作者认为,用户可自定义的阈值可使各中心按自身偏好设置AI模型的工作量减少与诊断性能水平。
  • 作者指出,半自主AI判读带来更多活检的风险,放射科医生短缺的中心可能希望更多自主AI判读并允许更多活检。
  • 作者认为,随着AI质量持续提升,基于AI排除的csPCa检测对放射科医生工作负荷减少的效果可能随时间增加。

局限性

  • AI模型在单中心训练集上训练,未包含多中心外部测试集的扫描。
  • 当前路径可能引入偏倚,使放射科医生获得不公平优势,因为其判读被间接和直接用作参考标准。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2025 Jun 7;35(12):7821–31. doi: 10.1007/s00330-025-11727-6

引言

前列腺MRI和MRI靶向活检被公认为是检测临床显著性前列腺癌(csPCa)的精确且具有成本效益的技术[1, 2]。然而,该路径中MRI扫描频率的增加导致放射科医生的工作量增大,引发了可持续性方面的担忧[3]。

人工智能(AI)模型有望减轻放射科医生的工作量并提高检测效率,例如在csPCa检测[4]、结核病筛查[5]和乳腺X线摄影筛查[5–7]中所示。近期AI模型的进展已证明在诊断csPCa方面具有接近专家水平的准确性[8–10]。此类AI模型主要被研究用于为放射科医生提供决策支持。尽管这种决策支持可以为放射科医生提供一个易于评估的第二意见,但它并不能减少放射科医生需要阅片的病例数量。为提高工作流程效率并满足不断增长的需求,一定程度的AI自动化是必要的。新兴的半自主AI模型代表了一种有前景的解决方案[6, 7]。例如,一项乳腺X线摄影筛查研究说明了半自主AI支持在减少放射科医生工作量方面的优势[7]。

排除AI(Rule out AI)利用不确定性量化(UQ)的阈值来指示可自动报告的病例[6, 7, 11]。基于AI的UQ模拟人类的不确定性[11]。已证明AI在高UQ病例(即不确定病例)中的性能显著下降[11]。对AI UQ进行阈值划分可实现对不确定病例的自动化筛选以转诊给人类专家,而其他病例则可遵循自主工作流程。该工作流程被称为排除(rule out)。此前仅有一项研究描述了基于AI的半自主排除路径用于csPCa检测[11]。他们通过计算模型集成内的方差来生成UQ评分,该值代表模型之间的一致性。另一种可考虑的UQ方法是模型集成的均值,其中某些病例接近零或一的极端值。另一个尚未充分探索的方面是对放射科医生工作量潜在减少的评估[11]。

我们假设排除AI可以减少放射科医生的工作量,即他们需要评估的前列腺MRI总数。我们建立了一项模拟研究来探讨两个方面:第一是比较不同UQ指标在排除前列腺MRI扫描方面的诊断性能,第二是探讨在基于AI的半自主csPCa检测路径中结合预测不确定性的放射科医生工作量潜在减少。

材料与方法

数据

在获得当地机构伦理委员会批准并豁免知情同意要求的情况下,使用了回顾性、连续性、多中心数据(格罗宁根大学医学中心(中心A):METc-2018/597,Martini Ziekenhuis(中心B):MEC-2019-056,特隆赫姆大学医院(中心C):2017/576)。纳入2014年11月至2021年11月期间在中心A、2014年6月至2020年2月期间在中心B、2015年3月至2017年12月期间在中心C因csPCa检测而接受MRI评估的患者。纳入患者具有csPCa的临床怀疑、无既往csPCa治疗,且MRI检查至少包含轴位T2加权扫描、高b值(≥ b1400)扩散加权成像(DWI)和表观扩散系数图(ADC)。排除PI-RADS ≥ 3但无后续活检或算法存在预处理错误的患者。专家放射科医师(中心A:8–11年经验,中心B:11年经验,中心C:2–7年经验)对MRI扫描进行前列腺影像报告和数据系统(PI-RADS)评分。PI-RADS ≥ 3的MRI发现后行靶向活检联合系统活检,其中Gleason分级分组(GGG)≥ 2被视为csPCa金标准[12]。按照PI-RADS指南,评为PI-RADS 1或2的患者未接受后续活检,因PI-RADS的高阴性预测值而被视为阴性[2, 12, 13]。部分数据集此前已在不同目的的文章中使用:深度学习csPCa检测[8, 9, 14]、影像组学csPCa检测[15]、csPCa活检检测效能[16]和csPCa随访检测[17]。

AI模型

本研究使用了先前开发的用于csPCa检测的最先进AI模型[8]。算法(例如模型泛化和训练过程)的详细描述见Bosma等人的文章[8]。该算法公开可用(https://grand-challenge.org/algorithms/bpmri-cspca-detection-report-guided-annotations/)。该算法利用nnU-Net框架,该框架动态调整其配置以确定给定输入数据集的架构[18]。该模型经训练使用轴位T2加权扫描、高b值(> b1400)DWI和ADC作为输入来预测csPCa病灶。作为预处理,模型取80.0 mm × 80.0 mm × 72.0 mm的中心裁剪,并重采样至0.5 mm × 0.5 mm × 3.6 mm/体素的分辨率。该模型在7756例前列腺MRI检查(Siemens MRI扫描仪)上训练,使用来自Radboud大学医学中心的csPCa病灶分割。训练采用五折交叉验证(即6205例训练病例和1551例验证病例)和三次重启,提供15个独立子模型,产生体素级似然热图,健康组织值为0,恶性组织值为1。子模型的组合预测称为集成,15个子模型的平均值用作最终预测。

排除路径

排除通过阈值化AI UQ评分并将病例转诊至自主AI解读或放射科医师解读来实现。图1显示了所提出的半自主AI-based排除csPCa检测路径的工作流程示意图。同时考虑有和无csPCa的病例以减轻放射科医师的工作量。

图1 所提出的基于人工智能的排除csPCa检测路径的示意图。在排除路径中,多个诊断性AI子模型评估前列腺MRI扫描。这些子模型各自单独训练,并提供不同的预测评分。基于预测评分的差异,计算不确定性量化(UQ)评分。这些UQ评分可用于:(1)根据不确定性对病例进行排序;(2)以高诊断性能排除某些病例,从而实现AI模型自动判读。子模型预测的平均值用作AI模型的组合预测。 查看原图 ↗

UQ

研究了两种基于UQ的排除指标:平均不确定性量化(meanUQ)和变分不确定性量化(varUQ)。最近,varUQ被提出作为一种UQ指标,但缺乏与常用的预测集成均值(meanUQ)的比较。两种指标的计算均使用AI模型的输出,生成具有体素水平恶性组织似然的热图。meanUQ指标使用患者水平预测集的均值。平均预测评分接近0为确定的良性,接近0.5被视为不确定,接近1被视为确定的csPCa。为反映这一点,meanUQ被定义为患者水平平均预测值减去0.5后的绝对值。(例如,低meanUQ评分表示不确定,高meanUQ评分表示确定)。varUQ指标被定义为患者水平预测值的标准差[11]。varUQ评分低的病例是确定的,而varUQ评分高的病例表明AI不确定,且病例易受AI低性能影响。图2展示了使用meanUQ和varUQ进行不确定和确定预测的示例。

图2 用于评估AI诊断确定性的meanUQ和varUQ指标图示。在两幅图中,这些指标对AI诊断确定程度的指示略有不同,由确定性条上的粗线表示。在患者A(57岁,PSA为9.6 µg/L,PI-RADS 5,GGG 2)中,AI预测csPCa存在的平均预测似然为0.70,变异性为0.05。在患者B(51岁,PSA为2.5 µg/L,PI-RADS 4,GGG 1)中,AI预测csPCa存在的平均似然为0.57,变异性为0.25。 查看原图 ↗

实验与统计分析

在两项实验中,我们研究了基于AI的排除csPCa检测路径的诊断性能以及放射科医生工作量的潜在减少。第一项实验比较了meanUQ和varUQ在排除具有确定AI诊断的患者方面的效能。第二项实验使用实验1中最佳的UQ来确定放射科医生工作量的减少,同时保持当前放射科医生路径的诊断性能。在两项实验中,统计学显著性阈值定义为0.05。

实验1:使用meanUQ或varUQ进行排除

第一个实验比较了meanUQ和varUQ在排除病例方面的效能。meanUQ和varUQ的排除阈值均通过约登指数确定,即选择在假阳性成本最低的情况下最大化检出临床显著前列腺癌(csPCa)的UQ阈值[19]。两种UQ的诊断性能在各机构分别进行比较,以考虑机构间的差异。诊断性能以受试者工作特征曲线下面积(AUROC)衡量。使用DeLong检验在RStudio 4.2.0版本中通过pROC包对两种AUROC进行统计学比较[20, 21]。DeLong检验通过考虑两条曲线均来自同一测试病例的隐含相关性来比较两条ROC曲线[21]。此外,比较了使用varUQ和meanUQ发现的确定病例数量,并计算了被varUQ确定为确定病例的病例中同时被meanUQ确定为确定病例的百分比。

实验2:基于人工智能的csPCa检出路径排除

第二个实验将模拟的基于人工智能的排除路径与放射科医师路径进行比较,以确定在维持当前放射科医师路径诊断性能的同时放射科医师工作量的减少程度。基于人工智能的排除路径嵌入了实验1中性能最佳的UQ指标(基于AUROC)。通过在UQ阈值以10%递增(10%、20%,直至100%自主AI模型判读)排除病例百分比的多 workload 减少水平下比较诊断性能。将基于人工智能的排除路径的敏感性与此前放射科医师在临床实践中的敏感性进行比较。与Dvijotham等人一致,在敏感性更优且特异性非劣的操作点上确立了非劣效性[18]。AI的敏感性在两个非劣效特异性操作点上计算,这两个操作点分别通过从相应放射科医师的特异性中减去0.05和0.10的边际值得出;这些边际值代表了更多活检与减少放射科医师工作量之间的权衡(即如果减少放射科医师工作量以建立可持续的csPCa检出路径,则接受更多活检)。我们未对放射科医师的敏感性进行非劣效性分析,因为这会以可接受的边际值增加假阴性患者,导致长期患者损害,因为一部分csPCa患者将无法接受治疗。尽管如此,我们还是在补充材料中纳入了固定特异性操作点上敏感性的概述。放射科医师的敏感性基于临床实践中的判读(PI-RADS ≥ 4)与活检结果进行比较计算[8]。统计分析使用置换检验进行,置换次数为10,000次,其中患者为重抽样单位。

结果

数据

共纳入1612例患者就诊记录,首次就诊均为接受MRI扫描的前列腺癌诊断并采取主动监测:中心A的625例患者共689次就诊,中心B的571例患者共723次就诊,中心C的200例患者共200次就诊(图3)。各机构的患者特征和放射科医师表现见表1。患者中位年龄为68岁,中位PSA水平为8 µg/L。中心A的中位年龄和PSA分别为69岁和7.9 µg/L,中心B为68岁和8.5 µg/L,中心C为66岁和7.3 µg/L。各机构放射科医师的敏感度均高于80%,特异度均高于50%。扫描参数见表2。所有扫描均在标准临床常规期间采集,中心A使用Siemens(84%,n = 578)(Siemens Medical Solutions)和Philips(16%,n = 111)(Philips Healthcare)的1.5-T(21%,n = 145)和3-T(79%,n = 544)MRI扫描仪,中心B使用Philips的1.5-T(7%,n = 52)和3-T(93%,n = 671)MRI扫描仪(100%,n = 723),中心C全部使用Siemens的3-T MRI扫描仪(100%,n = 200)。成像方案包括T2加权轴位成像、高b值(> b1400)DWI和ADC,遵循PI-RADS的建议[22]。

图3 本图展示患者选择过程。本研究纳入来自中心A、B和C的多中心数据,用于测试所提出的基于AI的临床显著前列腺癌(csPCa)排除检测。使用单独的数据集训练最先进的csPCa检测AI模型。该检测AI模型用于在中心A、B和C的数据上外部验证基于AI的csPCa排除检测路径。 查看原图 ↗
表1 来自中心A、B和C数据的患者特征和机构表现 查看原表 ↗
表2 三个机构的MRI扫描参数 查看原表 ↗

实验1:比较meanUQ和varUQ

尽管无统计学显著性,但使用varUQ选择的某些病例获得了高于使用meanUQ选择的病例的表现(中心A p = 0.9;中心B p = 0.08;中心C p = 0.4)。对于meanUQ,Youden指数在中心A阈值为0.32时得到459例确定病例(66.61%),在中心B阈值为0.29时得到475例确定病例(65.70%),在中心C阈值为0.31时得到125例确定病例(62.50%)。meanUQ路径的表现为中心A AUROC 0.72,中心B AUROC 0.68,中心C AUROC 0.91。对于varUQ,Youden指数在中心A阈值为0.094时得到224例确定病例(32.51%),在中心B阈值为0.087时得到247例确定病例(34.16%),在中心C阈值为0.037时得到62例确定病例(31.00%)。varUQ路径的表现为中心A AUROC 0.72,中心B AUROC 0.78,中心C AUROC 0.95。使用varUQ的大量确定病例也被meanUQ识别为确定病例:中心A n = 207(92.41%),中心B n = 215(87.04%),中心C n = 50(80.64%)。不同性能指标的概述见补充材料。

实验2:工作量减少

基于VarUQ的排除规则在A中心使工作量显著减少20%,在B中心减少10%(p < 0.05),特异性余量为0.10,见图4和表3。在C中心工作量减少10%时,在特异性余量为0.10下观察到敏感性非显著增加(p = 0.376)。在特异性余量为0.10下,放射科医师的敏感性(A中心:83%,B中心:86%,C中心:95%)维持在可接受的特异性水平,A中心为48%,B中心为44%,C中心为68%。在A中心工作量减少20%时,PI-RADS ≥ 3病变的百分比为77%(n = 103);在B中心工作量减少10%时为67%(n = 49);在C中心工作量减少10%时为15%(n = 3)。在更严格的非劣效特异性余量0.05下,基于半自主AI的csPCa诊断的附加价值不显著(A中心工作量减少20%时p = 0.153,B中心工作量减少10%时p = 0.243,C中心工作量减少10%时p = 0.463)。图5显示了各中心最确定和最不确定的AI预测。固定特异性操作点下敏感性的概览见补充材料。

图4 本图展示了各机构中排除csPCa检测性能与当前放射科医师性能的对比。实线显示由AI评估的确定病例加上由放射科医师评估的不确定病例的联合敏感性。此处,完全自主判读的病例百分比表示在没有放射科医师参与的情况下自主AI模型判读的百分比。虚线显示临床实践中放射科医师的敏感性,其中所有病例均由放射科医师判读(A中心:敏感性0.83,特异性0.58;B中心:敏感性0.86,特异性0.54;C中心:敏感性0.95,特异性0.78)。实线的敏感性是在各中心相应放射科医师的特异性操作点下计算的,判读相同的病例子集减去非劣效余量0.10。阴影区域代表偏离平均性能的标准差。 查看原图 ↗
表3 本表展示了基于半自主AI的排除路径与放射科医师路径在非劣效特异性余量0.05和0.10下的性能对比。 查看原表 ↗
图5 本图展示了测试集中各中心基于varUQ的最确定和最不确定的AI预测。在最确定的AI预测中,AI确定不存在病变。在不确定病例中,AI对病变是否存在不确定。 查看原图 ↗

讨论

这项关于外部数据的模拟研究探讨了基于人工智能的临床显著性前列腺癌(csPCa)检测在潜在减轻放射科医生工作负荷方面的可行性。放射科医生工作负荷的减轻可能通过使人工智能模型能够独立处理高确定性和简单直接的前列腺MRI扫描、并将模棱两可的扫描保留给人类专家来实现。所提出路径的工作负荷减少量具有机构特异性,在特异性裕度为0.10时,A中心减少20%、B中心减少10%、C中心无减少。半自主人工智能模型阅片带来更多活检的风险,但用户可自定义的阈值可使各中心将人工智能模型的阈值设定在其偏好的工作负荷减少水平和诊断性能水平(例如,与当前放射科医生csPCa检测路径不存在可持续性问题的中心相比,放射科医生短缺的中心可能希望更多自主的人工智能阅片并允许更多活检)。我们的结果表明,当前csPCa检测的人工智能质量显示出有助于减轻放射科医生工作负荷的潜力,并提供了一种更可持续的csPCa检测路径解决方案。随着人工智能质量的持续提高,基于人工智能的csPCa排除检测对放射科医生工作负荷减少的效果可能随时间而增加。

据我们所知,这是第一项在临床显著性前列腺癌(csPCa)检测路径中使用排除法研究放射科医生工作量潜在减少的研究。因此,将我们的发现与现有文献进行比较具有挑战性。在将我们的发现与现有文献进行比较时,出现了Alves等人的一项研究,该研究使用相同的先进csPCa检测算法,结合varUQ进行基于人工智能的csPCa排除[11]。虽然我们的研究使用varUQ来排除某些病例,但该研究表明varUQ可以识别易受人工智能失败影响的病例,并得出结论认为未来需要在多中心数据上开展研究,以评估UQ在优化临床工作流程中的作用。我们的研究完成了对放射科医生工作量潜在减少的缺失评估。此外,我们的研究还比较了varUQ和meanUQ在排除具有特定人工智能诊断的患者方面的效力,并表明两种指标具有相似的性能:meanUQ中的高确定性表明个体预测的一致性,从而导致varUQ中同样高的确定性。在将我们的发现与其他筛查设置下基于半自主人工智能诊断的疾病进行比较时,可以与Lauritzen等人的研究和Dvijotham等人的研究进行比较[5, 7]。Lauritzen等人研究了筛查设置下基于半自主人工智能的乳腺X线摄影评估[7]。在他们的研究中,乳腺X线摄影扫描由人工智能工具评估,并根据人工智能风险评分的阈值,将扫描排除至自主人工智能模型判读或放射科医生判读。这种基于半自主人工智能的乳腺X线摄影筛查路径在诊断性能上与标准筛查相似,同时将放射科医生工作量减少了63%,非劣效敏感性界值为0.05(即在筛查设置中,使用了非劣效敏感性界值而非我们的非劣效特异性界值)。我们的研究发现,使用我们提出的基于半自主人工智能的排除诊断路径在csPCa检测中保留了更多的工作量减少;差异可能源于筛查与诊断设置之间的差异。我们的结果强调了基于UQ的排除法在优化临床检测工作流程方面的潜力。还可以与Dvijotham等人的研究进行比较,该研究探讨了基于UQ排除的AI诊断,以在乳腺癌和结核病检测中决定采用AI诊断还是标准临床工作流程。他们的研究表明,基于半自主人工智能的诊断可以减少放射科医生在乳腺癌和结核病检测中的工作量[5]。与我们的研究类似,他们发现基于半自主人工智能的检测性能具有机构和制造商特异性,强调了需要机构特异性的UQ阈值。

不同中心之间在工作量减少和模型性能方面存在差异。这些中心间的差异可能源于图像质量的差异。影响图像质量的因素包括:增加DWI采集次数以提高信噪比、T2图像层厚(例如,部分图像层厚超过3 mm,超出PI-RADS技术规范[22]),或输入图像间的配准误差[23]。模型性能的差异也可能归因于测试数据与训练数据之间的差异,因为可比数据会获得更高的性能。中心C的性能在放射科医师和AI两方面均较高;这可能表明这些病例具有更高的图像质量(即发现更高的DWI采集次数)、更容易判读(即发现更高比例的GGG ≥ 2),或与训练数据更具可比性[8]。

本研究存在局限性。AI模型在单中心训练集上训练,该训练集未包含多中心外部测试集的扫描数据。通过在多样化数据上训练AI模型,可能实现AI性能的总体提升,使其对不同测试数据集更具鲁棒性。这种AI性能的提升可能通过使用基于不确定性量化(UQ)的排除规则在MRI扫描上诊断临床显著前列腺癌(csPCa),进一步减少放射科医师的工作量。然而,这将限制本研究的外部验证。此外,未来研究也可考虑增加额外指标来报告AI性能。另外,当前流程可能引入了一种偏倚,使放射科医师获得了不公平的优势,因为他们的判读被间接和直接用作参考标准。另一个有利于放射科医师的偏倚是使用PI-RADS ≥ 4作为计算放射科医师敏感性的操作点。这些潜在偏倚可能高估了放射科医师的性能,而在放射科医师性能较低的情况下,检测AI可能提供优于放射科医师的性能,实现更高的工作量减少。将本研究结果推广至不同中心和AI算法时应谨慎。由于性能和工作量可能随半自主AI诊断而改变,需要前瞻性研究来评估放射科医师实际的工作量减少和性能。此外,排除AI失败病例可能引入偏倚,如果放射科医师需要更多时间评估这些病例,则会高估工作量减少。前瞻性随访研究可包括UQ指标的统一定标策略,以及在扫描仪或患者人群发生任何变化时进行重新校准。此外,随着持续努力改善AI性能和泛化能力,需要未来多中心研究来重新评估基于AI的排除规则检测csPCa对放射科医师工作量减少的影响。另外,在实施自主AI时,必须考虑责任和当前监管框架[24]。此外,欧盟最新法规(即《AI法案》第14条)不允许在高风险(如医疗)环境中使用自主AI,仅对特定用例有少数豁免[24]。自主AI在前列腺MRI背景下的价值尚未得到证实,需要未来研究作为证据,使法规得以演进并与之匹配。

总之,MeanUQ和varUQ在识别具有特定AI诊断的病例方面均显示出前景。在基于AI的半自主csPCa检测路径中使用UQ可以减少放射科医生的检测工作量。被UQ排除的用于自主AI评估的确定病例数量因机构而异,表明需要针对不同机构设定特定的UQ阈值。

补充信息

补充信息

引用

  1. Fransen SJ, Bosma JS, van Lohuizen Q, et al. Simulating workload reduction with an AI-based prostate cancer detection pathway using a prediction uncertainty metric. Eur Radiol. 2025. PMID: 40481873. doi:10.1007/s00330-025-11727-6
  2. 全文:PMC12634809(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12634809/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。