临床放射学杂志

作者：王璟, 王皖皖, 刘念, 蔡圣贤, 徐运军

单位：241002 芜湖,皖南医学院放射影像学（王 璟）;230001 合肥,中国科学技术大学附属第一医院（安徽省立医院）影像科（王 璟、王皖皖、刘 念、徐运军）;235300 砀山县人民医院（蔡圣贤）

关键词：前列腺癌,深度学习,磁共振成像,分割,诊断效能

<b>目的</b> 基于双参数磁共振成像（bpMRI）采用全自动深度学习模型自动分割前列腺可疑结节和诊断临床显著前列腺癌（csPCa）,并探索联合深度学习模型与临床模型的混合模型对csPCa的诊断效能。<b>方法</b> 回顾性纳入600例患者（360例csPCa,240例非csPCa）,所有患者均行术前MRI检查。按7&#x02236;3的比例分为训练集（420例）和测试集（180例）。U-Net模型自动分割T₂WI、扩散加权成像（DWI）及表观扩散系数（ADC）图像中的感兴趣区（ROI）。采用ResNeXt构建深度学习模型,采用逻辑回归筛选出临床特征构建临床模型,并将两者联合构建混合模型。采用<em>Dice</em>相似系数（DSC）评估分割性能,采用受试者工作特征曲线（ROC）曲线下面积（AUC）评估诊断效能。<b>结果</b> U-Net模型在结节分割上的DSC为（82.5&#x000b1;12.2）%。ResNeXt模型的诊断效能（AUC=0.882,95%CI：0.826,0.928）高于临床模型（AUC=0.863,95%CI：0.806,0.912）。混合模型的诊断效能最高（AUC=0.899,95%CI：0.850,0.942）。<b>结论</b> U-Net模型实现了可疑结节的自动分割。ResNeXt模型与临床模型的表现相当,混合模型对csPCa的诊断效能最佳,具有重要的临床价值。

来源：2025年第10期

《临床放射学》期刊编辑部

查看临床放射学杂志2025年第10期