Background. Prostate multiparametric magnetic resonance imaging is widely recommended prior to biopsy in clinical practice, with the Prostate Imaging Reporting and Data System (PI-RADS) as the standard tool for guiding diagnosis and treatment decisions. However, analyzing multiparametric magnetic resonance imaging data demands substantial expertise, and the process is often time-intensive and cognitively challenging, leading to variability between and within readers.
Aim. To create a deep learning-based computer-aided diagnosis (DL-CAD) system to minimize manual influence on PI-RADS score determination.
Materials and methods. Between January 2020 and May 2024, 108 patients with histopathologically confirmed prostate cancer with PI-RADS scores 4–5 were retrospectively selected for model development and training. Additionally, 28 benign cases were included for model validation. Different prostate zones were labeled following PI-RADS v2.1 guidelines to facilitate model selection. Manual segmentation of prostate regions and lesions was performed on T2-weighted (T2W) sequences, and a 3D U-Net architecture was implemented for the DL model using the MONAI framework. Diagnostic performance was assessed using Python-based statistical analysis.
Results. The DL-CAD system achieved average accuracy of 78 %, sensitivity of 60 %, and specificity of 84 % for lesion detection. The Dice similarity coefficient for prostate segmentation was 0.71, and the AUROC was 81.16 %.
Conclusion. The DL-CAD system demonstrates promise for patients with clinically significant prostate cancer by improving diagnostic accuracy. While it exhibits high specificity, further improvements of sensitivity and segmentation accuracy are necessary. These improvements could be achieved through the use of larger datasets and advanced deep learning techniques, such as transfer learning or ensemble learning, which could enhance sensitivity without compromising specificity. Further multicenter validation is required to accelerate the integration of this system into clinical practice.
Введение. Проведение мультипараметрической магнитно-резонансной томографии предстательной железы широко рекомендуется в клинической практике перед выполнением биопсии предстательной железы. Система отчетности данных магнитно-резонансной томографии предстательной железы (Prostate Imaging Reporting and Data System, PI-RADS) является стандартным инструментом для диагностики и принятия врачебных решений. Однако точный анализ данных мультипараметрической магнитно-резонансной томографии требует высокой экспертности, и трудоемкий, когнитивно насыщенный процесс часто снижает согласованность оценок между разными специалистами и у одного и того же специалиста.
Цель исследования – разработка системы компьютерной диагностики на базе глубокого обучения (DL-CAD) для минимизации влияния ручной сегментации на определение оценок PI-RADS.
Материалы и методы. С января 2020 г. по май 2024 г. ретроспективно отобраны 108 пациентов с гистологически подтвержденным раком предстательной железы с оценками PI-RADS 4–5 для разработки модели и тренировки. Для валидации модели были включены 28 доброкачественных случаев. Различные зоны предстательной железы были помечены в соответствии с руководствами PI-RADS v2.1 для облегчения выбора модели. Ручная сегментация областей предстательной железы и поражений выполнена на T2-взвешенных последовательностях, и была реализована архитектура 3D U-Net для модели глубокого обучения с использованием фреймворка MONAI. Диагностическая эффективность оценивалась с помощью статистического анализа на Python.
Результаты. Система DL-CAD показала среднюю точность 78 %, чувствительность 60 % и специфичность 84 % при обнаружении поражений. Коэффициент сходства Dice для сегментации предстательной железы составил 0,71, а площадь под ROC-кривой (AUROC) – 81,16 %.
Заключение. Система DL-CAD демонстрирует перспективы для пациентов с клинически значимым раком предстательной железы за счет повышения диагностической точности. Несмотря на высокую специфичность, необходимы дальнейшие улучшения в чувствительности и точности сегментации. Эти улучшения могут быть достигнуты за счет использования более крупных наборов данных и передовых техник глубокого обучения, таких как трансферное обучение или ансамблевое обучение, которые могут повысить чувствительность без ущерба для специфичности. Требуется дальнейшая многоцентровая валидация для ускорения интеграции данной системы в клиническую практику.