Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Nhiệm vụ của trí tuệ nhân tạo trong chụp cộng hưởng từ tuyến tiền liệt
Tóm tắt
Sự ra đời của y học chính xác, nhu cầu lâm sàng ngày càng tăng, và sự sẵn có của hình ảnh, cùng với nhiều yếu tố khác trong lộ trình chẩn đoán ung thư tuyến tiền liệt đã dẫn đến việc sử dụng trí tuệ nhân tạo (AI). AI có rất nhiều ứng dụng tiềm năng trong từng bước của lộ trình chẩn đoán ung thư tuyến tiền liệt, từ phân loại/cải thiện chất lượng hình ảnh cộng hưởng từ đa tham số tuyến tiền liệt, phân đoạn tuyến tiền liệt, phân đoạn các ổ nghi ngờ ung thư theo cấu trúc, phát hiện và phân biệt các khối u không đáng kể về lâm sàng với các khối u có ý nghĩa lâm sàng ở mức độ voxel, và phân loại toàn bộ tổn thương theo các loại của Hệ thống Báo cáo và Dữ liệu Hình ảnh Tuyến Tiền Liệt (PI-RADS)/điểm Gleason. Nhiều nghiên cứu trong tất cả các lĩnh vực này đã cho thấy nhiều kết quả hứa hẹn với độ chính xác gần đạt được như các bác sĩ chuyên khoa. Mặc dù nghiên cứu này đang phát triển mạnh mẽ, nhưng cần có nhiều nghiên cứu đa trung tâm tiềm năng hơn để khám phá tác động và tiện ích đầy đủ của AI trong việc cải thiện hiệu suất của bác sĩ chẩn đoán và quản lý lâm sàng ung thư tuyến tiền liệt. Trong bài tổng quan này, chúng tôi nhằm giới thiệu các chỉ số chất lượng tài liệu AI hình ảnh y tế mới nổi như Danh sách kiểm tra cho trí tuệ nhân tạo trong hình ảnh y tế (CLAIM) và Tác động Trích dẫn Có Trọng số (FWCI), đi sâu vào một số mô hình AI hàng đầu trong phân đoạn, phát hiện và phân loại.
Từ khóa
#trí tuệ nhân tạo #ung thư tuyến tiền liệt #chụp cộng hưởng từ #phân loại #phát hiện #phân đoạnTài liệu tham khảo
Harmon SA, Tuncer S, Sanford T et al (2019) Artificial intelligence at the intersection of pathology and radiology in prostate cancer. Diagn Interv Radiol 25:183–188. https://doi.org/10.5152/dir.2019.19125
Suarez-Ibarrola R, Sigle A, Eklund M et al (2021) Artificial intelligence in magnetic resonance imaging-based prostate cancer diagnosis: where do we stand in 2021? Eur Urol Focus S2405-4569:00099–00097. https://doi.org/10.1016/j.euf.2021.03.020
Van Booven DJ, Kuchakulla M, Pai R et al (2021) A systematic review of artificial intelligence in prostate cancer. Res Rep Urol 13:31–39. https://doi.org/10.2147/RRU.S268596
Ahmed HU, Bosaily AE-S, Brown LC et al (2017) Diagnostic accuracy of multi-parametric MRI and TRUS biopsy in prostate cancer (PROMIS): a paired validating confirmatory study. Lancet 389:815–822. https://doi.org/10.1016/S0140-6736(16)32401-1
Bardis MD, Houshyar R, Chang PD et al (2020) Applications of artificial intelligence to prostate multiparametric MRI (mpMRI): current and emerging trends. Cancers 12:1204. https://doi.org/10.3390/cancers12051204
Giganti F, Lindner S, Piper JW et al (2021) Multiparametric prostate MRI quality assessment using a semi-automated PI-QUAL software program. Eur Radiol Exp 5:48. https://doi.org/10.1186/s41747-021-00245-x
van Leeuwen KG, Schalekamp S, Rutten MJCM et al (2021) Artificial intelligence in radiology: 100 commercially available products and their scientific evidence. Eur Radiol 31:3797–3804. https://doi.org/10.1007/s00330-021-07892-z
Twilt JJ, van Leeuwen KG, Huisman HJ et al (2021) Artificial intelligence based algorithms for prostate cancer classification and detection on magnetic resonance imaging: a narrative review. Diagnostics 11:959. https://doi.org/10.3390/diagnostics11060959
Syer T, Mehta P, Antonelli M et al (2021) Artificial intelligence compared to radiologists for the initial diagnosis of prostate cancer on magnetic resonance imaging: a systematic review and recommendations for future studies. Cancers 13:3318. https://doi.org/10.3390/cancers13133318
Mongan J, Moy L, Kahn CE (2020) Checklist for artificial intelligence in medical imaging (CLAIM): a guide for authors and reviewers. Radiol Artif Intell 2:e200029. https://doi.org/10.1148/ryai.2020200029
Wang B, Lei Y, Tian S et al (2019) Deeply supervised 3D fully convolutional networks with group dilated convolution for automatic MRI prostate segmentation. Med Phys 46:1707–1718. https://doi.org/10.1002/mp.13416
Ushinsky A, Bardis M, Glavis-Bloom J et al (2021) A 3D-2D hybrid U-net convolutional neural network approach to prostate organ segmentation of multiparametric MRI. AJR Am J Roentgenol 216:111–116. https://doi.org/10.2214/AJR.19.22168
Sanford TH, Zhang L, Harmon SA et al (2020) Data augmentation and transfer learning to improve generalizability of an automated prostate segmentation model. AJR Am J Roentgenol 215:1403–1410. https://doi.org/10.2214/AJR.19.22347
Cao R, Mohammadian Bajgiran A, Afshari Mirak S et al (2019) Joint prostate cancer detection and Gleason score prediction in mp-MRI via FocalNet. IEEE Trans Med Imaging 38:2496–2506. https://doi.org/10.1109/TMI.2019.2901928
Ishioka J, Matsuoka Y, Uehara S et al (2018) Computer-aided diagnosis of prostate cancer on magnetic resonance imaging using a convolutional neural network algorithm. BJU Int 122:411–417. https://doi.org/10.1111/bju.14397
Le MH, Chen J, Wang L et al (2017) Automated diagnosis of prostate cancer in multi-parametric MRI based on multimodal convolutional neural networks. Phys Med Biol 62:6497–6514. https://doi.org/10.1088/1361-6560/aa7731
Liu S, Zheng H, Feng Y, Li W (2017) Prostate cancer diagnosis using deep learning with 3D multiparametric MRI. In: Medical imaging 2017: computer-aided diagnosis. International Society for Optics and Photonics, p 1013428
Nelson CR, Ekberg J, Fridell K (2020) Prostate cancer detection in screening using magnetic resonance imaging and artificial intelligence. Open Artif Intell J 6. https://doi.org/10.2174/1874061802006010001
Belue MJ, Harmon SA, Patel K et al (2022) Development of a 3D CNN-based AI model for automated segmentation of the prostatic urethra. Acad Radiol S1076-6332:00057–00055. https://doi.org/10.1016/j.acra.2022.01.009
Tătaru OS, Vartolomei MD, Rassweiler JJ et al (2021) Artificial intelligence and machine learning in prostate cancer patient management—current trends and future perspectives. Diagnostics 11:354. https://doi.org/10.3390/diagnostics11020354
Garvey B, Türkbey B, Truong H et al (2014) Clinical value of prostate segmentation and volume determination on MRI in benign prostatic hyperplasia. Diagn Interv Radiol 20:229–233. https://doi.org/10.5152/dir.2014.13322
van Leenders GJLH, van der Kwast TH, Grignon DJ et al (2020) The 2019 International Society of Urological Pathology (ISUP) consensus conference on grading of prostatic carcinoma. Am J Surg Pathol 44:e87–e99. https://doi.org/10.1097/PAS.0000000000001497
Gaur S, Lay N, Harmon SA et al (2018) Can computer-aided diagnosis assist in the identification of prostate cancer on prostate MRI? A multi-center, multi-reader investigation. Oncotarget 9:33804–33817. https://doi.org/10.18632/oncotarget.26100
Turkbey B, Rosenkrantz AB, Haider MA et al (2019) Prostate imaging reporting and data system version 2.1: 2019 update of prostate imaging reporting and data system version 2. Eur Urol 76:340–351. https://doi.org/10.1016/j.eururo.2019.02.033
Litjens GJS, Barentsz JO, Karssemeijer N, Huisman HJ (2015) Clinical evaluation of a computer-aided diagnosis system for determining cancer aggressiveness in prostate MRI. Eur Radiol 25:3187–3199. https://doi.org/10.1007/s00330-015-3743-y
Song Y, Zhang Y-D, Yan X et al (2018) Computer-aided diagnosis of prostate cancer using a deep convolutional neural network from multiparametric MRI: PCa classification using CNN from mp-MRI. J Magn Reson Imaging 48:1570–1577. https://doi.org/10.1002/jmri.26047