基于双参数MRI深度学习模型辅助前列腺癌检测：训练集大小与先验知识的影响

• 作者: 白国杰（译） 何珍（校） 万业达（校）
• 来源期刊: 国际医学放射学杂志
• 年，卷（期）: 2022,（3）
• 所属期刊栏目: 国际期刊连线
• 页码范围: 368-369
• 页数: 1页
• 语种: 中文
• DOI: 10.19300/j.2022.e0404

摘要

目的 评估通过前列腺成像报告和数据系统（PI-RADS）训练的深度学习（DL）算法的性能，并探究训练集大小与先验知识对检测有临床意义的前列腺癌的影响。方法 回顾性分析多个机构前列腺特异性抗原（PSA）升高并接受多参数MRI（mpMRI）的2 734例病人。2名放射学专家使用PI-RADSv2对mpMRI进行报告。根据第1个中心数据（n=1 952）构建和训练DL模型来预测双参数MRI（bpMRI）对PI-RADS≥4（n=1 092）病变的判断能力。通过改变训练集大小和使用自动区域分割作为DL模型先验知识。采用第2个中心有病理结果（包括系统活检和MRI靶向穿刺活检）的数据（n=296）对放射学专家与DL模型进行验证。采用自由响应受试者操作特征（FROC）曲线与ROC曲线对782例 （中心1：486例；中心2：296例）PI-RADS4-5和Gleason>6分病变的检测性能进行评估。结果 DL模型检测PI-RADS≥4病变的敏感度为87%（193/223，95%CI：82%~91%），ROC曲线下面积（AUC）为0.88（95%CI：0.84~0.91）。检测Gleason>6分病变的敏感度为85%（79/93，95%CI：77%~83%），略低于放射学专家组（91%，85/93； 95%CI：84%~96%）。训练集大小和先验知识对Gleason>6的病灶的诊断性能和定位有显著影响，差异有统计学意义（4%，P<0.05）。结论 通过PI-RADS训练的DL模型可以准确地检测和定位Gleason>6分病灶。当训练集样本达到2 000以上时，DL模型在诊断性能和区域分割能力方面可以达到放射学专家的水平。