10.13929/j.issn.1672-8475.2023.09.009
基于卷积神经网络经直肠超声模型预测前列腺癌Gleason分级
目的 观察基于卷积神经网络(CNN)的经直肠超声(TRUS)模型预测前列腺癌Gleason分级(GS)的价值.方法 前瞻性收集101例拟接受TRUS引导下前列腺穿刺活检的前列腺癌患者;采集568幅前列腺癌超声图像,根据病理结果将其分为低危(GS≤6,n=90)、中危(GS=7,n=185)及高危(GS≥8,n=293).建立前列腺癌TRUS数据集,基于CNN构建TRUS预测前列腺癌GS模型;以穿刺活检病理结果为金标准,评估模型与超声医师的诊断效能.结果 基于CNN的TRUS模型预测前列腺癌GS≤6的精确率高于超声医师(P<0.05),而二者召回率(Recall)和F1-score差异均无统计学意义(P均>0.05);基于CNN的TRUS模型预测GS=7和GS≥8的精确率、Recall及F1-score均高于超声医师(P均<0.05).基于CNN的TRUS模型预测前列腺癌GS的总体准确率(76.75%)高于超声医师(51.75%,x2=31.021,P<0.001),其预测前列腺癌GS的曲线下面积(AUC)为0.72、特异度为47.22%、敏感度为96.88%,超声医师分别为0.67、52.78%及80.21%,二者AUC差异无统计学意义(Z=0.859,P=0.390).结论 基于CNN的TRUS模型有助于预测前列腺癌、尤其需要积极治疗的中-高危前列腺癌的GS.
前列腺肿瘤、超声检查、神经网络、计算机、病理学
20
R737.25;R445.1(肿瘤学)
2023-10-16(万方平台首次上网日期,不代表论文的发表时间)
共5页
550-554