(相关资料图)

小编发现不少朋友对于 AI能否与PI-RADS评估的绩效相匹配 这方面的信息都比较感兴趣，小编就针对 AI能否与PI-RADS评估的绩效相匹配 整理了一些相关方面的信息 在这里分享给大家。

根据《放射学》上发表的一项新研究，卷积神经网络(CNN)可以帮助放射科医生检测和分割前列腺MRI扫描中的可疑发现。

主要作者，海德堡德国癌症研究中心的帕特里克·切尔布(Patrick Schelb)和同事写道：“怀疑具有临床上显着意义的前列腺癌的男性越来越多地接受前列腺MRI检查。“深度学习在支持放射科医生应对不断增长的成像量方面的潜力需要评估。”

Schelb等。使用美国放射学院的前列腺成像报告和数据系统(PI-RADS)，将U-Net CNN的性能与放射科医生的性能进行了比较。该研究纳入了2015年5月至2016年9月进行MRI扫描的300多名男性的数据。

该团队的U-Net接受了250位患者的数据培训，并接受了另外62位患者的数据测试。PI-RADS评估由八名放射科医生组成的团队进行。在研究之前，对所有考试进行了审查，以确保高图像质量。

总体而言，U-Net的表现与放射科医生的PI-RADS评估相似。其敏感性(88%)和特异性(50%)可与放射线医师相媲美(分别为92%和50%)。

作者写道：“这些发现证实了这种方法可以从前列腺MRI提取重要诊断信息的假设，并补充说，他们的患者队列“比以前发表的在前列腺MRI中使用卷积神经网络的研究大。”

作者确实解释说他们的研究有一定的局限性。例如，将CNN与单个放射线医师而不是一组放射线医师的性能进行比较，“可能会提供更好的评​​估”。同样，尽管患者队列比以前的其他研究大，但Schelb观察到，更大的队列可以从U-Net获得更好的性能。

关键词： 放射科医生 神经网络 数据系统