用于增强临床显著性癌症检测的前列腺特异性基础模型
图像与视频处理
2025-02-05 v2 计算机视觉与模式识别
摘要
准确的前列腺癌诊断仍然具有挑战性。即使使用MRI，放射科医生的特异性较低且观察者间差异显著，导致识别临床显著性癌症时可能出现延迟或不准确。这导致了大量不必要的活检，并存在漏检临床显著性癌症的风险。本文提出了前列腺视觉对比网络（ProViCNet），这是一种针对磁共振成像（MRI）和经直肠超声成像（TRUS）的前列腺器官特异性视觉基础模型，用于全面的癌症检测。ProViCNet使用来自六家机构的4,401名患者进行训练和验证，作为一种基于放射学图像的前列腺癌检测模型，该模型依赖于由活检确认的放射科医生标注引导的斑块级对比学习。ProViCNet在多个内部和外部验证队列中表现出一致的性能，多参数磁共振成像（mpMRI）的受试者工作特征曲线下面积值范围为0.875至0.966，在阅片者研究中显著优于放射科医生（0.907对0.805，p<0.001），而经直肠超声成像（TRUS）的曲线下面积值范围为0.670至0.740。我们还将ProViCNet与标准PSA整合，开发了一种虚拟筛查测试，并证明我们可以在保持检测临床显著性癌症高灵敏度的同时，将特异性从15%提高到38%（p<0.001），从而大幅减少不必要的活检。这些发现凸显了ProViCNet在提高前列腺癌诊断准确性和减少不必要的活检方面的潜力，从而优化诊断路径。
引用
@article{arxiv.2502.00366,
title = {Prostate-Specific Foundation Models for Enhanced Detection of Clinically Significant Cancer},
author = {Jeong Hoon Lee and Cynthia Xinran Li and Hassan Jahanandish and Indrani Bhattacharya and Sulaiman Vesal and Lichun Zhang and Shengtian Sang and Moon Hyung Choi and Simon John Christoph Soerensen and Steve Ran Zhou and Elijah Richard Sommer and Richard Fan and Pejman Ghanouni and Yuze Song and Tyler M. Seibert and Geoffrey A. Sonn and Mirabela Rusu},
journal= {arXiv preprint arXiv:2502.00366},
year = {2025}
}
备注
44pages