文献速递泌尿生殖腹部MR

低危患者中临床显著性前列腺癌的检出与分割:基于多参数MRI的卷积神经网络研究

Clinically significant prostate cancer detection and segmentation in low-risk patients using a convolutional neural network on multi-parametric MRI.
PubMed 文献 · Eur Radiol · 2020-06-27

研究纳入292例低危前列腺癌主动监测患者的前瞻性队列,采用3T多参数MRI(T2w、b=800 DWI、ADC图)训练3D卷积神经网络,以靶向穿刺病理为参考标准。模型在病灶体积>0.5 cc时平均敏感度94%、特异度74%、AUC 0.89,在>0.03 cc时敏感度82%、特异度43%、AUC 0.65,提示体积较大病灶分割性能更优。

要点

  • 在低危主动监测队列中,深度学习模型分割临床显著性前列腺癌(ISUP≥2)在病灶体积>0.5 cc时AUC达0.89。
  • 模型对体积>0.5 cc病灶的平均敏感度94%、特异度74%,优于体积>0.03 cc病灶(敏感度82%、特异度43%)。
  • 原文指出MRI阳性但靶向穿刺阴性的不一致组应纳入自动分割方法评估。

核心结论

  • 所提出的深度学习计算机辅助方法在识别和分割临床显著性前列腺癌(ISUP≥2)以及确认主动监测患者低危癌症(ISUP≤1)方面显示出有希望的结果。

研究设计与样本

  • 研究为前瞻性临床队列(n=292)的自动分割方法开发与评估,患者来自2016至2019年纳入的本机构数据库,均为低危(ISUP 1级)主动监测患者。
  • 所有患者于入组后3个月接受3-T多参数MRI(Discovery MR750,GE Healthcare,32通道盆腔相控阵线圈),序列包括T2w、b=800 DWI及ADC图,DCE按PI-RADS v2方案采集。
  • 以MRI-超声融合(Koelis UroStation™)引导的靶向穿刺组织病理为参考标准,MRI阳性定义为PI-RADS≥3,病理阳性定义为ISUP≥2。
  • 队列分为四组:MRI阳性靶向穿刺阳性(n=116)、MRI阴性系统穿刺阴性(n=55)、MRI阳性靶向穿刺阴性(n=113)、MRI阴性系统穿刺阳性(n=8)。
  • 第1组(n=116)随机分为三组进行三折交叉验证训练三个模型,评估在留出阳性集及第2组(n=55)和第3组(n=100)阴性病例上进行。

关键影像表现/征象

  • 真阳性示例中模型成功分割了放射科医生勾画并经靶向穿刺证实为临床显著性前列腺癌的大病灶和小病灶。
  • 假阴性示例中模型未能分割出放射科医生勾画并经靶向穿刺证实的ISUP 2级病灶。
  • 假阳性示例中模型分割了周围带病灶且与放射科医生勾画一致,但靶向穿刺未发现临床显著性前列腺癌(ISUP 1级)。

诊断标准与关键数值

  • 病灶体积>0.03 cc(病灶数135)时平均敏感度82%、平均特异度43%、AUC 0.65。
  • 病灶体积>0.1 cc(病灶数123)时平均敏感度85%、平均特异度52%、AUC 0.73。
  • 病灶体积>0.5 cc(病灶数51)时平均敏感度94%、平均特异度74%、AUC 0.89。
  • 分割真阳性定义为参考金标准与分割病灶的重叠体积大于0.01 cc。
  • 放射科医生读片敏感度94%(8例PI-RADS≤2但系统穿刺确诊显著性癌)、特异度33%(101例PI-RADS≥3但靶向穿刺无显著性癌)。

临床应用与阅片要点

  • 作者认为该方法有潜力作为第二阅片,用于确认、补充、修改甚至改变原始决策。
  • 作者认为监测期间的自动识别与分割可提供随时间一致的定量分析,提示体积或显著性的重要变化。
  • 作者指出该方法的最终真实价值需在前瞻性临床使用中确立。

局限性

  • 模型专门在主动监测队列上训练,因此在其他患者队列(如初始诊断队列)上的结果可能不同。
  • 研究可获取116例阳性病例,足以用于算法开发,但训练数据数量增加可能改善结果。
  • 数据中大多数患者(81%)的前列腺癌病灶为ISUP 2级,网络从主导的非显著部分(Gleason 3)学习特征并在测试数据中分割它,尤其在不一致的第3组,导致特异度有限。
  • 参考金标准受两方面限制:MRI-超声融合技术(Koelis UroStation™)的准确度报告为3.8至5.6 mm,平均4.5 mm;平均针放置误差报告为2.1 mm;平均综合误差因此在5 mm(0.13 cc)范围,可能影响参考金标准的定位准确性并影响低体积阈值的结果。
全文中译11 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. 2020 Jun 27;30(12):6582–92. doi: 10.1007/s00330-020-07008-z

引言

诊断前列腺癌(PCa)的标准临床程序是以前列腺特异性抗原(PSA)水平升高和/或直肠指检(DRE)异常为指征的系统性经直肠超声引导(TRUS)穿刺活检 [1]。然而,该程序的敏感性和特异性较低 [2, 3],导致有临床意义的前列腺癌漏诊和无意义前列腺癌的过度诊断。近年来,多参数磁共振成像(mpMRI)已被报道为一种更准确的前列腺癌特征描述和检测的替代方法 [4–6]。近期的一项 Cochrane 综述和荟萃分析表明,前列腺穿刺活检前的 mpMRI 有助于筛选出存在有临床意义前列腺癌风险的患者 [4]。此外,MRI 靶向活检提高了有临床意义前列腺癌的检出率 [5]。

放射科医师使用前列腺影像报告和数据系统(PI-RADS)v2 对 mpMRI 上的病灶进行视觉特征描述 [7]。PI-RADS v2 评估采用 5 点 Likert 量表,范围从 1(极不可能为恶性)到 5(极可能为恶性)[7]。然而,放射科医师对 mpMRI 的视觉判读存在较大的观察者间和观察者内变异性 [8]。降低这种变异性对于改善前列腺癌的诊断和监测至关重要 [9]。对前列腺 mpMRI 的计算机辅助分析可能改善前列腺癌的识别,并可能有助于 MRI 判读的标准化 [10]。最终,它可能有助于改善诊断链条 [11],从而减少前列腺癌管理中的过度诊断、漏诊及过度治疗 [10]。

已提出不同的计算机辅助方法 [12–15],利用影像组学方法或深度学习网络在 mpMRI 上准确识别前列腺癌。以受试者工作特征曲线下面积(AUC)量化的性能范围为 0.93 至 0.97 [14, 15]。这些研究的主要局限性在于所选患者队列由中危和高危患者组成。这些患者在 MRI 上主要具有明显且较大的(体积 > 0.5 cc)病灶,且大多接受了根治性前列腺切除术。关于有临床意义前列腺癌的定义尚无普遍共识。根据 PI-RADS v2,有临床意义的前列腺癌应具有组织病理学 ISUP 分级 ≥ 2 和/或体积 ≥ 0.5 cc 和/或存在前列腺外侵犯 [7]。大多数研究 [12–14] 排除了肿瘤体积 < 0.5 cc 的病例;因此,这些方法无法推广至较小体积的前列腺癌,而后者可能为高级别,应纳入主动监测程序进行监测。在日常诊断检查和 MRI 判读中,明显病例的数量有限;此外,这些病例并不引起显著的判读变异性。再者,PI-RADS 评分与组织病理学结果不一致的疑难病例未被纳入这些研究。

我们假设,基于MRI的计算机辅助方法的潜在额外临床价值在选择主动监测的低风险患者中最为显著。主动监测被认为是临床无显著意义前列腺癌(PCa)患者的一种治疗选择[16, 17]。这些低风险患者最可能没有高体积或临床显著肿瘤;然而,他们可能受益于及时诊断以阻止肿瘤进展为临床显著PCa。当前的主动监测方案需要定期临床评估和前列腺活检进行监测。多参数MRI(mpMRI)越来越多地用于无创监测主动监测中的低风险PCa患者并实现靶向活检[18–20]。辅助识别和分割临床显著PCa可能减少主动监测患者中MRI阅读的变异性。

在本研究中,我们旨在使用基于MRI的深度学习方法在一个接受主动监测的低风险患者的前瞻性临床队列中检测和分割临床显著PCa,并评估其在常规临床环境中的性能。

材料与方法

患者队列

本研究符合HIPAA要求,并获得参与者的书面知情同意及保密保证。最初,377例低风险PCa患者(定义为国际泌尿病理学会“ISUP”1级)于2016年至2019年前瞻性纳入我们的内部数据库,作为全球MRI-PRIAS方案(www.prias-project.org)的一部分,该方案是一项基于网络的主动监测研究,具有明确的纳入和随访标准[21]。所有参与者在基线(诊断后3个月)及每次重复标准经直肠超声(TRUS)引导活检时接受多参数MRI和可见可疑(PI-RADS ≥ 3)病变的靶向活检,活检计划在诊断后1、4、7和10年进行。临床检查的详细描述最近已发表[22]。

对于每位患者,选择两个MRI序列,即T2加权成像(T2w)和b = 800的高b值弥散加权成像(DWI),以及表观弥散系数(ADC)图。还提取了MRI靶向活检的组织病理学数据并作为参考标准。拒绝或无活检操作的患者或MR图像显示伪影的患者被排除在研究之外(图1)。

剩余队列(n = 292)根据发现分为四组(图1):第1组。116例MRI上有阳性病变(PI-RADS评分 ≥ 3)且靶向活检阳性(ISUP分级 ≥ 2)的患者

第2组。55例MRI阴性(PI-RADS评分 ≤ 2)且系统活检阴性(ISUP分级 ≤ 1)的患者

第3组。113例MRI上有阳性病变(PI-RADS评分 ≥ 3)且靶向活检阴性(ISUP分级 ≤ 1)的患者

第4组。8例MRI阴性(PI-RADS评分 ≤ 2)且系统活检阳性(ISUP分级 ≥ 2)的患者

临床非显著和显著PCa根据组织病理学定义的ISUP分级或Gleason评分定义[23]。ISUP分级 ≤ 1(Gleason评分 ≤ 3 + 3 = 6):均匀腺体看起来与正常细胞相似,提示低风险PCa。

ISUP分级 = 2(Gleason评分3 + 4 = 7):以均匀腺体为主,看起来与正常细胞相似,伴有较少形成不良的腺体,提示中风险PCa。

ISUP分级 = 3(Gleason评分 4 + 3 = 7):以 poorly formed glands 为主,提示中危前列腺癌(PCa),腺体均匀性较差,形态类似于正常细胞。

ISUP分级 ≥ 4(Gleason评分 ≥ 8):仅见 poorly formed glands,提示高危前列腺癌(PCa)。

根据所发现的ISUP分级进行分组的患者特征列于表1。病灶总数按两个区域(外周带和移行带)划分,亦报告于表1中。对移行带与外周带进行了亚队列分析,并作为补充材料呈现。

图1 本研究患者排除与纳入流程流程图。ISUP,国际泌尿病理学会;PI-RADS,前列腺影像报告和数据系统 查看原图 ↗
表1 纳入本研究的患者队列详情(n = 292)(中位数和四分位距) 查看原表 ↗

磁共振成像与预处理

根据PI-RADS v2指南[7],MRI方案包括T2加权成像(T2w)、扩散加权成像(DWI)(由此构建表观扩散系数(ADC)图)以及动态对比增强(DCE)成像。采集参数的详细信息见补充材料(表S3)。MRI在3-T系统(Discovery MR750,GE Healthcare)上使用32通道盆腔相控阵线圈完成。所有MRI均由一位具有6年以上前列腺MRI经验的泌尿生殖系统放射科医师审阅。根据PI-RADS v2 5点Likert量表对高危前列腺癌(PCa)对各个病灶进行评分。PI-RADS评分为3至5的可见MRI病灶被定义为可疑病灶并予以勾画。采用MRI与经直肠超声(TRUS)融合技术(Koelis UroStation™)对MRI上识别的所有可疑病灶进行靶向穿刺活检。在DICOM图像上勾画的可疑MRI病灶,在超声引导下以最多4个穿刺针道进行靶向穿刺。活检操作由经验丰富的术者完成。一位专家级泌尿病理学家根据ISUP 2014改良Gleason评分[23]审阅活检标本。

对于我们队列中的每位患者,可疑病灶均根据PI-RADS v2指南进行评估,其中外周带病灶以DWI和ADC图为主导序列,移行带病灶以T2W图像为主导序列[7]。所有可疑病灶的手工勾画均使用AW服务器2.0(GE Healthcare)转换至T2w图像。在MRI/US融合方法中,勾画的T2w图像对于为靶向活检操作提供图像引导是必要的,因为与DWI或ADC图相比,T2w图像包含更多的解剖信息。T2w图像上对可疑病灶的手工勾画被用作每个ISUP分级 ≥ 2病灶的参考金标准(二值掩膜)。对于每位患者,带有ADC值的DWI图像被手动刚性配准至T2w图像。此外,带有参考金标准的mpMRI图像(T2w图像、DWI(b800)和ADC)被重采样至0.371 × 0.371 × 3.3 mm的均匀体素间距。进一步地,将3D图像裁剪至整个前列腺感兴趣区,其沿x、y和z方向的尺寸为192 × 128 × 24体素。

卷积神经网络

所开发的卷积神经网络(CNN)[24]以三幅MRI图像——T2加权(T2w)图像、扩散加权图像(DWI)和表观扩散系数(ADC)图——作为输入,并将每个序列视为独立的输入通道,以生成前列腺癌(PCa)分割结果(图2a)。

该网络包含十二个核大小为3×3×3的单一三维卷积层,其后接修正线性单元(ReLU)。在下采样和上采样模块中,网络最后两层因z轴方向图像尺寸较小而使用了3×3×1核大小的滤波器。在每个三维卷积后加入批归一化(BN),以提高训练过程中的收敛速度[25]。上采样后与下采样部分对应的计算特征图进行拼接。在最后一层,使用核大小为1×1×1的三维卷积将计算特征映射为预测的PCa分割结果。在每个卷积层中使用了适当的填充。所用CNN的示意图见图2b。

网络的训练在Keras(版本2.0.2)中实现,以TensorFlow(版本1.0.1)为后端,使用Python(版本3.5.3)。训练和预测在GeForce GTX TITAN Xp GPU(NVIDIA)上进行。训练期间的损失函数为二元交叉熵指标,并使用Adam优化器[26]进行优化,学习率为0.01。由于标注数据数量有限,实施了数据增强;训练期间对所有图像以50%的概率进行旋转(0–5°,沿x、y、z轴)和剪切(沿x、y、z轴)的刚性变换。这使网络能够学习对此类变形的不变性,也有助于防止过拟合并更好地泛化。总训练轮数设为500。训练网络的输出为临床显著PCa病灶的二元分割结果。

图2 a 患者按不同ISUP分级划分,与所分配的PI-RADS v2评分直接相关。b–d 接受主动监测的患者中,不同体积范围(从>0.03至>0.5 ml)的显著前列腺癌病灶体积分布。体积按ISUP分级呈现。ISUP,国际泌尿病理学会;PI-RADS,前列腺影像报告和数据系统 查看原图 ↗

前列腺癌分割

在实验中,MRI阳性且靶向活检阳性组(n = 116)被随机分为三组(图3)。CNN模型按“卷积神经网络”部分所述进行训练,使用这些集合的不同组合进行三折交叉验证。三个训练好的网络分别命名为模型1、模型2和模型3。MRI阴性且系统活检阴性组2(n = 55)未用于训练,因为这些图像中无PCa病灶。此外,组3(即MRI阳性但靶向活检阴性的患者)因无ISUP ≥ 2级前列腺癌而未纳入训练集。训练后,每个训练好的模型用于在相应测试数据上预测PCa。系统活检位置不可获得;因此,组3和组4中基于系统活检发现显著PCa的患者(n = 21)被排除在测试之外(图3)。

图3 a 所提出方法的示意图,该方法在mpMRI(T2w图像、DWI b800、ADC图)上使用卷积神经网络分割显著性前列腺癌(PCa),将每幅图像作为独立的输入通道。b 卷积神经网络(CNN)架构的示意图 查看原图 ↗

统计分析

为评估该方法的性能,计算了敏感性和特异性,并针对分割病灶的三种不同病灶体积(0.03 cc、0.1 cc和0.5 cc)绘制了受试者工作特征(ROC)曲线。对于三种病灶体积中的每一种,仅对病灶体积高于阈值体积的患者计算敏感性。病灶体积阈值的选择基于我们数据中最小显著性PCa病灶体积(0.031 cc)以及基于PI-RADS v2定义的临床显著性PCa的标准最大病灶体积。病灶体积通过将病灶内体素总数乘以体素大小(0.371 mm × 0.371 mm × 3.3 mm)计算得出。当参考金标准与分割病灶之间的重叠病灶体积大于0.01 cc时,病灶分割被视为真阳性。

结果

患者队列分析

将患者划分为不同ISUP分级组及其与所分配PI-RADS评分的关系(图4a)显示,许多患者(n = 101)被放射科医生评分为PI-RADS ≥ 3,但这些患者基于靶向活检无显著性PCa(特异性 = 33%)。此外,一些患者(n = 8)被分配PI-RADS评分 ≤ 2,但基于系统活检程序存在显著性PCa(敏感性 = 94%)。显著性PCa的病灶体积分布(图4b、c、d)从> 0.03至> 0.5 cc显示,研究数据包含广泛的病灶体积范围(0.031–12.06 cc),其中约81%的ISUP分级 = 2。

图4 患者选择及分为训练和测试数据集的流程图。第1组患者(n = 116)在MRI上有阳性病灶(PI-RADS评分 ≥ 3)且靶向活检阳性(ISUP分级 ≥ 2),被分为三组。网络在三折交叉验证中训练,以所有可能的组合合并其中两组。评估在留出的阳性组以及第2组(n = 55)和第3组(n = 100)的阴性病例上进行。由于系统活检位置不可获得,第3组(n = 13)和第4组(n = 8)中基于系统活检发现显著性PCa的患者被排除在训练和测试之外 查看原图 ↗

前列腺癌分割

对于肿瘤体积> 0.03 cc的患者(病灶数 = 135),平均敏感性为82%,平均特异性为43%,AUC为0.65。对于肿瘤体积> 0.1 cc的图像(病灶数 = 123),平均敏感性为85%,平均特异性为52%,AUC为0.73。对于肿瘤体积> 0.5 cc的患者(病灶数 = 51),进一步改善至敏感性94%和特异性74%,AUC为0.89。用于计算上述三条ROC曲线敏感性和特异性的截断点如图5d所示。

为了直观地展示该方法的性能,图6(A–C)展示了三个前列腺癌(PCa)分割示例(一个真阳性、一个假阴性和一个假阳性)。在真阳性示例(图6)中,模型成功分割了放射科医师勾画并经靶向活检证实为有临床意义PCa的大病灶和小病灶。在某些情况下,PCa分割未成功,导致假阴性(图6B)。在假阳性示例(图6C)中,模型分割了外周带中的一个病灶,与放射科医师的勾画相符;然而,靶向活检未发现有临床意义的PCa。

图5 三种模型在测试集上经三折交叉验证生成的ROC曲线及其平均值,按不同病灶体积分组:(a)体积 > 0.03 cc,(b)体积 > 0.1 cc,(c)体积 > 0.5 cc。图中标出了在最佳截断点处计算的敏感性和特异性。ROC,受试者工作特征 查看原图 ↗
图6 (A)真阳性病例示例(年龄 = 75;PSA = 7.5;前列腺体积 = 61 cc;PIRADS = 3(左)和5(右);ISUP分级 = 5(左)和3(右))。上排以叠加方式显示参考标准(红色),由放射科医师勾画并经靶向活检证实为有临床意义PCa。下排显示模型分割的有临床意义PCa病灶(粉色)。(B)假阴性病例示例(年龄 = 69,PSA = 4.5,前列腺体积 = 47 cc,PIRADS = 4,ISUP分级 = 2)。上排以叠加方式显示参考标准(红色),由放射科医师勾画并经靶向活检证实为有临床意义PCa。下排显示模型未分割出PCa病灶。(C)假阳性病例示例(年龄 = 69,PSA = 4.1,前列腺体积 = 48 cc,PIRADS = 4,ISUP分级 = 1)。上排未显示参考标准,放射科医师勾画的区域(未显示)经靶向活检证实为无临床意义PCa。下排显示模型错误分割的有临床意义PCa病灶(粉色)。该结果与放射科医师的勾画相符。所有图像均显示同一轴位层面的前列腺mpMRI图像二维视图(a、e为T2w图像;b、f为DWI b800;c、g为ADC图),并附参考标准(d)和模型分割的错误PCa病灶(h)。 查看原图 ↗

讨论

mpMRI在前列腺癌(PCa)早期诊断中的应用日益增多,因为它能够识别可疑病灶以进行图像引导活检。与随机经直肠超声(TRUS)活检相比,MRI靶向活检可提高PCa检出率[4, 27]。然而,要在PCa诊断过程中充分利用MRI路径的全部优势,提高工作效率并优化mpMRI分析非常重要,从而减少诊断不足和过度诊断。在主动监测的低危患者中,由于存在对分级偏低的担忧,优化诊断和监测流程尤为必要。对mpMRI上可疑病灶进行客观的定性和定量分析可能对监测方案和(多余的)重复活检次数产生积极影响。因此,在主动监测的低危患者中,对MRI可疑病灶进行随时间变化的自动监测方法是不可或缺的。

本研究提出了一种基于深度学习卷积神经网络的计算机辅助方法,用于识别接受主动监测的患者中的前列腺癌(PCa)。该方法使用多参数磁共振成像(mpMRI)(T2加权成像、弥散加权成像(DWI)、表观弥散系数(ADC)图)对ISUP分级≥2的前列腺癌进行分割。通过计算整个前列腺的敏感性、特异性和AUC来评估该方法的性能。在平均特异性为43–76%时,考虑不同病灶体积范围(> 0.03至> 0.5 cc),该方法达到的平均敏感性为82–92%。平均模型的AUC从0.65到0.89不等。结果表明,与最小病灶体积阈值(≥ 0.03 cc)相比,大病灶(> 0.5 cc)相对容易被检测和分割。

文献中提出了不同的计算机辅助方法来定位前列腺癌[4, 7, 8, 13]。这些研究中使用的数据库大多包含接受根治性前列腺切除术的患者(即高级别和大肿瘤尺寸)。因此,这些已开发方法的使用和优势在主动监测人群中有限,因为这些方法无法应对低风险和小尺寸前列腺癌的日常阅片困难。Algohary等[13]表明,来自双参数MRI(T2加权成像和ADC图)的影像组学特征可以在主动监测队列中准确检测临床显著性前列腺癌。然而,纳入的患者数量有限(n = 56)。此外,病灶被赋为PI-RADS疑似评分3的患者以及病灶体积尺寸≤ 0.5 cc的患者被排除在研究之外。作者在两个不同的患者组中显示,80%的阳性病例被正确识别为具有临床显著性前列腺癌,60%的阴性病例被正确识别为不具有临床显著性前列腺癌。在我们提出的方法中,通过纳入该亚组,我们在76%的特异性下达到了更高的平均敏感性92%(图5)。

我们的研究有一些局限性。首先,我们的模型是在主动监测队列上专门训练的;因此,在其他患者队列(例如,初诊队列)上的结果可能不同。其次,我们可获取116例阳性病例,足以用于算法开发;然而,训练数据数量的增加可能会改善结果。第三,在我们的数据中,大多数患者的前列腺癌病灶(81%)的ISUP分级= 2(Gleason评分= 3 + 4,其中3代表活检中最主要的模式)。在训练期间,网络从前列腺癌占主导的非显著部分(Gleason评分3)学习特征,并将在测试数据中对其进行分割,尤其是在不一致组3中,这导致了有限的特异性。通过提供更多高级别前列腺癌(ISUP分级≥3)的患者数据,假阳性分割的数量可能会减少。此外,参考基准真值受两个因素限制。首先,MRI-超声融合技术(Koelis UroStation™)的准确性据报道在3.8至5.6 mm范围内[28],平均为4.5 mm。其次,平均针放置误差据报道为2.1 mm[29]。因此,平均综合误差将在5 mm(0.13 cc)范围内。这可能会影响参考基准真值的定位准确性,也可能影响结果,如较低体积阈值所见(图5a、b)。

在每日临床常规中实施所提出的方法,有可能提高前列腺癌的诊断准确性和监测流程。所提出的方法可用作二次阅片,用于确认、补充、修改甚至改变原始决策。此外,在监测期间对病灶的自动识别和分割将提供随时间推移一致的定量分析,提示体积或显著性的重大变化。其最终真实价值需要在前瞻性临床使用中确定。

结论

本研究提出了一种基于深度学习的计算机辅助诊断方法,其诊断准确性可接受,用于识别和分割接受主动监测患者中具有显著意义(ISUP分级≥2)的前列腺癌。对该方法的评估显示,在病灶体积阈值>0.5 cc时,可实现平均灵敏度92%和特异度76%。所提出的深度学习计算机辅助方法在自动识别和分割低风险患者中具有显著意义(ISUP分级≥2)的前列腺癌方面取得了有希望的结果。低风险患者可能受益于计算机辅助方法对MR图像的这种客观定性和定量,因为MRI阅片在低体积和低级别肿瘤中最为困难。

电子补充材料

(DOCX 23 kb)

引用

  1. Arif M, Schoots IG, Castillo Tovar J, et al. Clinically significant prostate cancer detection and segmentation in low-risk patients using a convolutional neural network on multi-parametric MRI. Eur Radiol. 2020. PMID: 32594208. doi:10.1007/s00330-020-07008-z
  2. 全文:PMC7599141(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7599141/

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。