计算机多参数 MR 图像分析用于前列腺癌侵袭性评估
磁共振成像（MRI）是诊断和分期前列腺癌的关键工具，但也产生了大量数据，必须由经过训练的专家评估，这是一项耗时且繁琐的任务。因此，已经开发了基于多种 MRI 模态（T2W、ADC 和高 b 值 DWI）的前列腺癌（PCa）风险分类自动化的机器学习工具。然而，理解和解释模型的预测仍然是一个挑战。本研究分析了随机森林（RF）和支持向量机（SVM）在两个互补数据集上的表现，即公共 Prostate-X 数据集和一个内部的大部分为早期 PCa 的数据集，以阐明一阶统计特征、Haralick 纹理特征和局部二进制模式对分类的贡献。通过相关性分析和 Shapley 影响力得分，我们发现许多通常使用的特征之间存在强相关性，并且大多数特征对分类几乎没有影响。我们确定了一小组决定分类结果的特征，这可能有助于开发可解释的 AI 方法。
Jun, 2024
本文介绍了基于卷积神经网络（CNNs）构建自动化流程，用于检测临床意义的前列腺癌（PCa）的给定轴向 DWI 图像，并为每个患者进行检测。检测性能在受试患者中获得了 0.87 的接收器操作特征曲线下面积（AUC）（95％置信区间（CI）：0.84-0.90），在切片级别和患者级别分别为 0.84（95％CI：0.76-0.91）。
May, 2019
本文介绍了一种结合人工和深度神经网络特征提取的分析流程，并直接操作于数字扫描仪所生成的全幅图像上，实现了前列腺癌癌区定位、分级、提取 Gleason 分级的面积比率和细胞 / 结构特征，最终通过对 368 个全幅图像进行测试，成功在區分 Gleason 3+4 和 4+3 的幻灯片方面达到了 75％的总体准确性。
May, 2017
本文提出了一种使用图卷积网络（GCN）进行组织微阵列（TMA）级别标注的弱监督方法，作为格里森分数的客观评级替代方案，并通过对细胞形态学特征的自监督学习，实现了对组织生成、肿瘤细胞群落结构的更好建模。五倍交叉验证结果显示，该方法可以在 TMA 级别标注下达到 0.9659±0.0096 的 AUC 值，具有显著性能提升。
Oct, 2019
该研究提出了一种使用 “Size-Adaptive Lesion Weighting” 进行自动 DWI 肿瘤分割以提高病理完全缓解（pCR）预测准确性的深度学习模型，并在预治疗期间匹配人类专家在 pCR 预测上的表现，为乳腺癌治疗计划的自动化提供了重要进展。
Apr, 2024
通过引入一种解剖条件控制的潜在扩散策略，我们探索了潜在扩散对于生成逼真的前列腺 DWI 数据的有效性。经验结果表明，我们提出的 Cancer-Net PCa-Gen 策略通过可控的肿瘤位置和更好的解剖和纹理保真度提高了多样性前列腺图像的合成。这些关键特性使其非常适合增加真实患者数据，从而使神经网络能够在更多样化和全面的数据分布上进行训练。
Nov, 2023
本研究开发了一个深度学习系统，利用细胞病理医生注释的图像样本对前列腺癌组织学图像进行 Gleason 评分，精度达 0.70，较普通病理医生有较大改善，有望提高患者预后评估准确性，并且可以更细致地描述和量化肿瘤形态学。
Nov, 2018
利用体积深度放射特征从合成相关扩散成像（CDI$^s$）预测乳腺癌分级的最新研究结果表明，非侵入性方法在乳腺癌分级中有巨大潜力，该论文通过使用优化的 CDI$^s$ 改善乳腺癌分级来受到了启发。将优化后的 CDI$^s$ 信号与扩散加权成像（DWI）融合，为每位患者创建多参数 MRI，在更大的患者队列上进行训练，通过在预训练的 MONAI 模型的所有层进行训练，我们实现了 95.79% 的留一交叉验证准确性，比先前报道的高出 8%。
May, 2024
通过利用数字病理学和人工智能，该研究探索了 11 种深度神经网络架构在自动化前列腺癌格里森分级中的潜力，重点比较了传统和最新的架构。使用基于 AUCMEDI 框架的标准化图像分类流程，在具有 34,264 个注释组织切片的内部数据集上进行了强大的评估。结果显示不同架构的敏感性各不相同，其中 ConvNeXt 表现最好。值得注意的是，即使在区分紧密相关的格里森分级方面存在挑战，新的架构也取得了优越的性能。ConvNeXt 模型能够在复杂性和泛化能力之间学到平衡。总的来说，该研究为改善前列腺癌诊断效率奠定了基础。
Mar, 2024