基于深度学习与功能磁共振的人工智能前列腺癌诊断效能

目的 评估基于深度学习网络的人工智能通过扩散加权成像(DWI)与表观扩散系数(ADC)对前列腺癌的诊断价值.资料与方法 抽取南昌大学第一附属医院数据库中进行过前列腺MRI扫描并取得病理结果的112例患者,其中前列腺癌52例,由3名影像医师对图片进行标记后,导入人工智能系统进行训练,使用未标记数据进行分割准确性测试,并利用ADC图像对残差网络(ResNet)ADC区域分割的前列腺癌诊断能力进行测试.使用交并比指标计算分割准确率.使用受试者工作特征曲线及曲线下面积(AUC)评估定性诊断模型效能.结果 卷积神经网络的ADC与DWI准确度分别为61.34％、57.35％;ResNet的ADC与DWI准确度分别为60.05％、63.08％;ResNet定性诊断模型的AUC为0.782,准确度、敏感度和特异度分别为69.39％、54.50％、73.68％.结论 深度学习网络在前列腺病灶分割和定性分析上均显示出较大的优势,具有一定的临床实用性.