研究目的
提出一种基于深度迁移学习(DTL)的模型,用于区分惰性前列腺癌(PCa)病变与具有临床意义的PCa病变,并将该DTL模型与无迁移学习的深度学习(DL)模型以及PI-RADS v2评分在3特斯拉多参数磁共振成像(3T mp-MRI)上进行比较,以全切片组织病理学(WMHP)验证为金标准。
研究成果
基于DTL的模型表现优于未采用迁移学习的DL模型,证实了迁移学习的贡献。该模型的性能与专家读者PIRADS v2评分相当(p=0.89),显示出在非专家领域辅助前列腺癌诊断的巨大潜力。该模型需在更大规模数据集中验证以进一步评估其临床效用。
研究不足
本研究的一个局限性是由于可用标注数据有限,导致测试样本量较小。另一个局限性在于我们纳入了前列腺的手动分割以辅助直肠内线圈病例的归一化处理。该系统需要以病灶检测作为输入来定义图像区块。
1:实验设计与方法选择
基于DTL的模型在110例随机选取患者的169个病灶上进行训练,在剩余30例患者的47个病灶上进行测试。该模型与从零开始训练的相同DL模型架构、以及基于PIRADS v2评分(阈值4分)的分类方法进行比较,评估指标包括准确率、灵敏度、特异度和曲线下面积(AUC)。
2:样本选择与数据来源
研究队列包含140例接受3T多参数磁共振(mp-MRI)和全前列腺标本病理检查(WMHP)的患者。金标准由泌尿生殖病理学家在机器人辅助腹腔镜前列腺切除术后WMHP上检测到的病灶确定,且对所有MRI信息设盲。
3:实验设备与材料清单
3T mp-MRI使用多种扫描仪(Trio、Verio、Prisma或Skyra,西门子医疗,德国埃尔朗根)配合盆腔相控阵线圈(含或不含直肠内线圈)完成。每例扫描采用标准mp-MRI方案,包括采用SPACE序列的3D轴位T2图像、回波平面成像DWI序列,以及采用TWIST序列的DCE图像。
4:实验流程与操作步骤
基于DTL的模型在增强训练集上训练,在测试集上评估。输入数据为T2 SPACE和ADC图像,每个病灶在两种序列上均通过OsiriX软件勾画轮廓。经适当预处理后,生成包含病灶的图像块作为所提DTL模型的输入。
5:数据分析方法
分类性能通过准确率、灵敏度、特异度和受试者工作特征(ROC)曲线下面积(AUC)进行定量评估,使用30例中的47个测试病灶。采用2000次重抽样的自助法估计AUC的95%置信区间(CI),并使用DeLong检验比较DTL模型与其他模型及PIRADS v2评分的AUC。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容