Ces radiol. 2023, 77(4):203-212 | DOI: 10.55095/CesRadiol2023/024

Detekce karcinomu prostaty - porovnání nálezů, které hodnotil zkušený radiolog anebo umělá inteligence s použitím hlubokého učeníPřehledový článek

Jiří Ferda1, Milan Hora2, Ondřej Hes3
1 Klinika zobrazovacích metod LF UK a FN, Plzeň
2 Urologická klinika LF UK a FN, Plzeň
3 Šiklův ústav patologické anatomie LF UK, Plzeň

Cíl: Zhodnotit zkušenosti s hodnocením magnetické rezonance prostaty pomocíkomerčně dostupného nástroje umělé inteligence s hlubokým učením.

Metodika: Byla hodnocena skupina 100 vyšetření prostaty, kde byly nálezyověřeny buď operací, nebo dlouhodobým sledováním. Byly porovnány výsledkypůvodně popsané radiologem v roce 2018, následně v roce 2023 byly výsledkyvyhodnoceny nástrojem umělé inteligence Prostate AI (Siemens Healthineers,Erlangen, Německo).

Výsledky: Umělá inteligence dosáhla následujících výsledků: senzitivita 0,98,specificita 0,70, negativní prediktivní hodnota 0,88, pozitivní prediktivníhodnota 0,93 a přesnost 0,92.
Naproti tomu výsledky radiologa s 12 lety praxe s hodnocením magnetickérezonance prostaty byly: senzitivita 0,99, specificita 0,95, negativníprediktivní hodnota 0,95, pozitivní prediktivní hodnota 0,99 a přesnost 0,98.

Závěr: Nástroj umělé inteligence dosahuje spolehlivých výsledků, ale vesrovnání se zkušeným radiologem její výsledky zaostaly.

Klíčová slova: karcinom prostaty, magnetická rezonance, umělá inteligence,deep learning

Zveřejněno: 1. prosinec 2023  Zobrazit citaci

ACS AIP APA ASA Harvard Chicago Chicago Notes IEEE ISO690 MLA NLM Turabian Vancouver
Ferda J, Hora M, Hes O. Detekce karcinomu prostaty - porovnání nálezů, které hodnotil zkušený radiolog anebo umělá inteligence s použitím hlubokého učení. Ces radiol. 2023;77(4):203-212. doi: 10.55095/CesRadiol2023/024.
Sdílet...
Stáhnout citaci
  • BibTeX (.bib)
  • Bookends (.ris)
  • EasyBib (.ris)
  • EndNote (.enw)
  • EndNote 8 (.xml)
  • ISI WoS (.isi)
  • Medlars (.medlars)
  • Mendeley (.ris)
  • MODS (.xml)
  • Papers (.ris)
  • RefWorks (.txt)
  • RefManager (.ris)
  • RIS (.ris)
  • MS Word (.xml)
  • Zotero (.ris)
    • Zobrazit celý článek

    Reference

    1. Sun Z, Wang K, Wu C, Chen Y, Kong Z, She L, Song B, Luo N, Wu P, Wang X, Zhang X, Wang X. Using an artificial intelligence model to detect and localizevisible clinically significant prostate cancer in prostate magnetic resonanceimaging: a multicenter external validation study. Quant Imaging Med Surg. 2024 Přejít k původnímu zdroji...
    2. (1): 43-60.
    3. Hegazi MAAA, Taverna G, Grizzi F. Is Artificial Intelligence the Key toRevolutionizing Benign Prostatic Hyperplasia Diagnosis and Management? Arch EspUrol.
    4. 76(9): 643-656.
    5. van den Berg I, Soeterik TFW, van der Hoeven EJRJ, Claassen B, Brink WM, BaasDJH, Sedelaar JPM, Heine L, Tol J, van der Voort van Zyp JRN, van den Berg CAT,van den Bergh RCN, van Basten JA, van Melick HHE. The Development and ExternalValidation of Artificial Intelligence-Driven MRI-Based Models to ImprovePrediction of Lesion-Specific Extraprostatic Extension in Patients with ProstateCancer. Cancers (Basel) 2023; 15(22): 5452. Přejít k původnímu zdroji... Přejít na PubMed...
    6. Kaneko M, Magoulianitis V, Ramacciotti LS, Raman A, Paralkar D, Chen A, ChuTN, Yang Y, Xue J, Yang J, Liu J, Jadvar DS, Gill K, Cacciamani GE, Nikias CL,Duddalwar V, Jay Kuo CC, Gill IS, Abreu AL. The Novel Green Learning ArtificialIntelligence for Prostate Cancer Imaging: A Balanced Alternative to Deep Learning and Radiomics. Urol Clin North Am. 2024; 51(1): 1-13. Přejít k původnímu zdroji... Přejít na PubMed...
    7. Belue MJ, Law YM, Marko J, Turkbey E, Malayeri A, Yilmaz EC, Lin Y, JohnsonL, Merriman KM, Lay NS, Wood BJ, Pinto PA, Choyke PL, Harmon SA, Turkbey B. DeepLearning-Based Interpretable AI for Prostate T2W MRI Quality Evaluation. Acad Radiol. 2023; S1076-6332(23)00509-3. doi: 10.1016/j.acra.2023.09.030. [Epub ahead of print]. PMID: 37858505. Přejít k původnímu zdroji... Přejít na PubMed...
    8. Lin Y, Belue MJ, Yilmaz EC, Harmon SA, An J, Law YM, Hazen L, Garcia C, Merriman KM, Phelps TE, Lay NS, Toubaji A, Merino MJ, Wood BJ, Gurram S, ChoykePL, Pinto PA, Turkbey B. Deep Learning-Based T2-weighted MR Image QualityAssessment and Its Impact on Prostate Cancer Detection Rates. J Magn ResonImaging 2023. doi: 10.1002/jmri.29031. [Epub ahead of print]. PMID:37811666. Přejít k původnímu zdroji... Přejít na PubMed...
    9. Bischoff LM, Peeters JM, Weinhold L, Krausewitz P, Ellinger J, Katemann C, Isaak A, Weber OM, Kuetting D, Attenberger U, Pieper CC, Sprinkart AM, Luetkens JA. Deep Learning Super-Resolution Reconstruction for Fast and Motion-RobustT2-weighted Prostate MRI. Radiology 2023; 308(3): e230427. doi:10.1148/radiol.230427. PMID: 37750774. Přejít k původnímu zdroji... Přejít na PubMed...
    10. Thomas M, Murali S, Simpson BSS, Freeman A, Kirkham A, Kelly D, Whitaker HC, Zhao Y, Emberton M, Norris JM. Use of artificial intelligence in the detection of primary prostate cancer in multiparametric MRI with its clinical outcomes: a protocol for a systematic review and meta-analysis. BMJ Open 2023; 13(8): e074009. doi: 10.1136/bmjopen-2023-074009. PMID: 37607794; PMCID:PMC10445392. Přejít k původnímu zdroji... Přejít na PubMed...
    11. Netzer N, Eith C, Bethge O, Hielscher T, Schwab C, Stenzinger A, Gnirs R, Schlemmer HP, Maier-Hein KH, Schimmöller L, Bonekamp D. Application of a validated prostate MRI deep learning system to independent same-vendor multi-institutional data: demonstration of transferability. Eur Radiol. 2023; 33(11): 7463-7476. doi: 10.1007/s00330-023-09882-9. [Epub 2023 Jul 28]. PMID:37507610. PMCID: PMC10598076. Přejít k původnímu zdroji... Přejít na PubMed...
    12. Kim H, Kang SW, Kim JH, Nagar H, Sabuncu M, Margolis DJA, Kim CK. The role of AI in prostate MRI quality and interpretation: Opportunities and challenges. Eur J Radiol. 2023; 165: 110887. doi: 10.1016/j.ejrad.2023.110887. [Epub 2023 May 23]. PMID: 37245342. Přejít k původnímu zdroji... Přejít na PubMed...
    13. Hamm CA, Baumgärtner GL, Biessmann F, Beetz NL, Hartenstein A, Savic LJ, Froböse K, Dräger F, Schallenberg S, Rudolph M, Baur ADJ, Hamm B, Haas M, Hofbauer S, Cash H, Penzkofer T. Interactive Explainable Deep Learning ModelInforms Prostate Cancer Diagnosis at MRI. Radiology 2023; 307(4): e222276. doi: 10.1148/radiol.222276. [Epub 2023 Apr 11]. PMID: 37039688. Přejít k původnímu zdroji... Přejít na PubMed...
    14. Oerther B, Engel H, Nedelcu A, Schlett CL, Grimm R, von Busch H, Sigle A, Gratzke C, Bamberg F, Benndorf M. Prediction of upgrade to clinically significant prostate cancer in patients under active surveillance: Performanceof a fully automated AI-algorithm for lesion detection and classification. Prostate 2023; 83(9): 871-878. doi: 10.1002/pros.24528. [Epub 2023 Apr 4].PMID: 36959777. Přejít k původnímu zdroji... Přejít na PubMed...

    Tento článek je publikován v režimu tzv. otevřeného přístupu k vědeckým informacím (Open Access), který je distribuován pod licencí Creative Commons Attribution 4.0 International License (CC BY 4.0), která umožňuje distribuci, reprodukci a změny, pokud je původní dílo řádně ocitováno. Není povolena distribuce, reprodukce nebo změna, která není v souladu s podmínkami této licence.


    Zpět na obsah