基于报告引导病灶标注的标注高效癌症检测：用于 bpMRI 中基于深度学习的前列腺癌检测

基于深度学习的诊断性能随标注数据增多而提升，但大规模人工标注昂贵且费力。专家在临床常规中评估诊断图像，并将发现写入报告。利用未标注检查与临床报告配对可克服人工标注瓶颈。我们假设，检测模型可通过使用模型预测生成的自动标注进行半监督训练，并由临床报告中的稀疏信息引导。为证明有效性，我们训练临床显著性前列腺癌（csPCa）分割模型，其中自动标注由放射学报告中临床显著性发现的数量引导。我们纳入了 7,756 例前列腺 MRI 检查，其中 3,050 例为人工标注。我们在来自外部中心、具有组织病理学确认金标准的 300 例检查上评估前列腺癌检测性能。半监督训练将基于患者的诊断受试者工作特征曲线下面积从 $87.2 \pm 0.8\%$ 提升至 $89.4 \pm 1.0\%$（$P<10^{-4}$），并将每例一个假阳性下的基于病灶的灵敏度从 $76.4 \pm 3.8\%$ 提升至 $83.6 \pm 2.3\%$（$P<10^{-4}$）。半监督训练在病例级性能上标注效率提高 14$\times$，在病灶级性能上标注效率提高 6$\times$。这一性能提升证明了我们训练流程的可行性。源代码公开于 github.com/DIAGNijmegen/Report-Guided-Annotation。最佳 csPCa 检测算法可在 grand-challenge.org/algorithms/bpmri-cspca-detection-report-guided-annotations/ 获取。