Gspcnet：基于多模态数据的前列腺癌 Gleason 评分

Abstract

前列腺癌的诊断通常取决于前列腺磁共振成像 （MRI） 和随后的活检程序。然而，前列腺 MRI 的有限性能会影响活检的阳性预测值。因此，已经集成了深度学习方法以提高整体诊断效果。尽管如此，前列腺癌患者数据表现出多模态，仅依靠 mpMRI 可能无法全面反映患者的病情。因此，有必要根据多模态数据开发格里森分级分数。然而，目前缺乏关于前列腺癌的多样化多模式数据。为了解决这一差距，我们提出了一个简单但高度可解释的诊断网络 （GSPCnet），该网络整合了来自前列腺癌患者的多模态数据以预测 Gleason 分级。具体来说，我们采用改进的 ResNet50 网络对所有患者图像进行分类。使用前列腺特异性抗原 （PSA） 参数过滤结果，将处理后的序列数据中的最高等级作为单个序列的分析结果。根据三个序列 （DWI、T2 和 DCE） 的结果，评估患者的 Gleason 分级。在适当的授权下，我们构建了一个由 215 名不同阶段的前列腺癌患者组成的多模式数据集。每个患者记录包括 DWI、T2 和 DCE 序列以及 PSA 参数。选择具有清晰可见病灶的图像作为分类的训练和测试数据集。数据集以 7：3 的比例分为训练集和测试集。经过多轮训练，我们的分类网络实现了以下精度：DWI 序列准确度为 0.776 （二次加权，95% 置信区间 [CI] 0.764–0.785），T2 序列准确度为 0.881 （二次加权，95% CI 0.876–0.882），DCE 序列准确度为 0.921 （二次加权，95% CI 0.920–0.926）。然后，我们为每个分类添加了 5 名患者的数据，经过 20 次随机试验，计算出患者的诊断准确性为 0.822 （二次加权，95% CI 0.798–0.846）。这些结果强调了我们的网络在活检前评估中的效用，而我们网络的高度可解释性为临床医生做出诊断提供了重要帮助。

Note:
Funding Information: This study was financially supported by Liaoning Provincial Department of Medical and Engineering Interdisciplinary Joint Fund (grant number 2022-YGJC-48).

Conflict of Interests: The authors declare that they have no known competing financial interests or personal relationships that could have appeared to influence the work reported in this paper.

Ethical Approval: This study was approved by the Ethics Committee of Shengjing Hospital Affiliated China Medical University(No. 2024PS1244K).

Keywords: Multimodal information processing, Mp-MRI, PSA, Prostate Cancer, Gleason Score