根据《科学报告》发表的新研究，机器学习和放射学相结合的新框架将有助于区分低风险和高风险前列腺癌。

“通过严格系统地将机器学习与放射学相结合，我们的目标是为放射科医生和临床医生提供一个完善的预测工具，最终可以转化为更有效和个性化的患者护理，”伊坎学校的Gaurav Pandey博士说。马里兰州西奈山，在一份准备好的声明中。

人工智能仍然是许多癌症的诊断工具，包括宫颈癌、子宫癌和肺癌。

潘迪和他的同事开发了这种方法，使放射科医生能够准确地确定前列腺癌患者的治疗方案。这样可以减少不必要的临床干预的机会。

目前评估前列腺癌风险的方法(前列腺成像报告和数据系统，第2版(PI-RADS v2))是主观的，因为它使用五点评分系统对磁共振成像上发现的病变进行评分。PI-RADS v2通常会导致放射科医生之间的评分和解释不同，这可能会导致不必要的干预。

潘迪等。组合放射学利用算法从医学图像中提取大量定量特征，并以机器学习为框架。放射组学已经显示出它在改善和向放射学家提供关于良性和恶性乳腺肿瘤的信息方面的有效性。

他们的方法使用了110个放射性特征，用基于二次核的支持向量机(QSVM)来解释，最终的队列是54人。

重要的是，与PI-RADS v2方法相比，用于前列腺癌患者分级的机器学习方法具有“相当高的精度”或预测值，在独立验证集中具有更高的召回率或敏感性(高、低风险类别分别为0.86和0.72)。即便如此，PI-RADS v2分类的曲线下总面积(AUC)还是高于机器学习分类器(0.73 vs 0.71)。

潘迪在同一份声明中表示：“高精度预测前列腺癌进展的方法正在不断改进，我们相信我们的客观框架是一个急需的进展。”

郑重声明：本文版权归原作者所有。转载文章只是为了传播更多的信息。如果作者信息标注有误，请第一时间联系我们修改或删除。谢谢你。

标签:人工智能。

免责声明： 本文由用户上传，如有侵权请联系删除！

标签：