目的 评价基于双参数MRI的深度学习自动分割与机器学习分类模型,探索其在临床显著性前列腺癌(CSPC)诊断中的应用.方法 纳入409例前列腺患者MRI检查资料,在DWI、ADC和T2WI中应用VB-Net模型分别进行病灶自动分割和腺体自动分割,生成感兴趣区(ROI),病灶自动分割时将分割阈值设置为不同数值分别重复进行.分别提取病灶ROI和腺体ROI中的纹理特征,进行Lasso特征选择,建立、训练随机森林、支持向量机和
Logistic回归模型并进行验证.结果 病灶分割中分割阈值分别为0.9、0.5、0.1时,假阴性率分别为0.462、0.273、0.182,假阳性率分别为0.134、0.419、0.661;当分割阈值设为0.5,病灶自动分割后进行纹理分析和机器学习分类,3种模型ROC曲线的AUC为0.76～0.792;腺体分割后进行纹理分析和机器学习分类,3种模型ROC曲线的AUC为0.827～0.855.结论 采用基于前列腺bp-MRI的VB-Net模型对CSPC病灶具有一定的自动分割、分类能力,结合进一步的机器学习能较好地诊断CSPC;VB-Net模型对腺体自动分割后再进行机器学习分类,也对CSPC有较好的诊断价值.在提高全自动病灶自动分割能力方面还需要进一步的深入研究.
作者：彭涛；肖建明；李林；蒲冰洁；夏朝阳；牛翔科；王宗勇；曾小辉；陈林；杨进；李佽
来源：临床放射学杂志 2022 年 41卷 3期
