Ich denke nicht, dass wir dieses Modell als eigenständiges diagnostisches Werkzeug verwenden können. Stattdessen kann die Vorhersage des Modells als Ergänzung in unseren Entscheidungsprozess verwendet werden. Radiologen kennzeichnen verdächtige Läsionen zur Zeit der Interpretation, aber diese Markierungen sind nicht routinemäßig verfügbar. Deshalb müssen Forscher bei der Entwicklung eines Deep-Learning-Modells die Umrisse erneut zeichnen.
Dr. Takahashi und Kollegen haben ein neues Deep-Learning-Modell entwickelt, um das Vorhandensein von klinisch signifikantem Prostatakrebs vorherzusagen, ohne Informationen über die Lokalisation der Läsion zu benötigen. Dieses Modell wurde mit der Leistung von Bauchradiologen in einer großen Gruppe von Patienten verglichen, bei denen kein bekannter klinisch signifikanter Prostatakrebs vorlag und die an multiparametrischen MRT-Untersuchungen teilnahmen. Die Forscher trainierten ein Convolutional Neural Network (CNN), um klinisch signifikanten Prostatakrebs aus multiparametrischer MRT vorherzusagen.
Insgesamt zeigte das Deep-Learning-Modell keine Unterschiede in der Erkennung von klinisch signifikantem Prostatakrebs im Vergleich zu erfahrenen Bauchradiologen auf sowohl dem internen Test-Set als auch dem externen Test-Set. Die Kombination aus dem Deep-Learning-Modell und den Befunden des Radiologen schnitt sowohl auf dem internen als auch auf dem externen Test-Set besser ab als Radiologen allein. Das Modell kann die diagnostische Leistung bei der MRT verbessern, indem es die Krebserkennungsraten erhöht und die Anzahl falscher Positiver reduziert. Die Forscher haben begonnen, den Datensatz zu erweitern und planen eine prospektive Studie über die Interaktion von Radiologen mit der Vorhersage des Modells.