使用深度学习检测良性活检中前列腺癌风险患者
图像与视频处理
2022-04-20 v3 计算机视觉与模式识别
定量方法
摘要
背景：经直肠超声引导的系统前列腺穿刺活检是确立前列腺癌诊断的常规操作。然而，10-12 针前列腺核心活检仅取样了前列腺中相对较小的体积，位于活检针之间的肿瘤病灶可能被遗漏，导致检测临床相关癌症的灵敏度低下这一众所周知的问题。作为原理验证，我们开发并验证了一个深度卷积神经网络模型，用于区分来自已确诊癌症男性和未确诊男性良性前列腺活检全切片图像中的形态学模式。方法：本研究纳入了来自 1,508 名男性的 14,354 张苏木精-伊红染色的良性前列腺活检全切片图像，分为两组：无确诊前列腺癌（PCa）男性和至少有一针核心活检诊断为 PCa 的男性。80% 的参与者被分配为训练数据并用于模型优化（1,211 名男性），其余 20%（297 名男性）作为留出测试集用于评估模型性能。一个由 10 个深度卷积神经网络模型组成的集成被优化用于分类来自确诊与未确诊癌症男性的活检。超参数优化与模型选择通过在训练数据中交叉验证完成。结果：受试者工作特征曲线下面积（ROC-AUC）在活检水平估计为 0.727（bootstrap 95% CI：0.708-0.745），在男性水平为 0.738（bootstrap 95% CI：0.682-0.796）。在特异度 0.9 时，模型估计灵敏度为 0.348。结论：所开发的模型能够检测因前列腺取样不足而漏诊 PCa 风险的男性。该模型有潜力减少常规系统前列腺活检中的假阴性例数，并指示可能受益于 MRI 引导重复活检的男性。
引用
@article{arxiv.2106.14256,
title = {Using deep learning to detect patients at risk for prostate cancer despite benign biopsies},
author = {Bojing Liu and Yinxi Wang and Philippe Weitz and Johan Lindberg and Johan Hartman and Lars Egevad and Henrik Grönberg and Martin Eklund and Mattias Rantalainen},
journal= {arXiv preprint arXiv:2106.14256},
year = {2022}
}
备注
13 pages, 3 figures