Aim: to explore the development of a computer-aided diagnosis (CAD) system based on deep learning (DL) neural networks aimed at minimizing human error in PI-RADS grading and supporting medical decision-making.
Materials and Methods. This retrospective multicenter study included a cohort of 136 patients, comprising 108 cases of PCa (PI-RADS score 4–5) and 28 cases of benign conditions (PI-RADS score 1–2). The 3D U-Net architecture was applied to process T2-weighted images (T2W), diffusion-weighted images (DWI), and dynamic contrast-enhanced images (DCE). Statistical analysis was conducted using Python libraries to assess diagnostic performance, including sensitivity, specificity, Dice similarity coefficients, and the area under the receiver operating characteristic curve (AUC).
Results. The DL-CAD system achieved an average accuracy of 78%, sensitivity of 60%, and specificity of 84% for detecting lesions in the prostate. The Dice similarity coefficient for prostate segmentation was 0.71, and the AUC was 81.16%. The system demonstrated high specificity in reducing false-positive results, which, after further optimization, could help minimize unnecessary biopsies and overtreatment.
Conclusion. The DL-CAD system shows potential in supporting clinical decision-making for patients with clinically significant PCa by improving diagnostic accuracy, particularly in minimizing intra- and inter-observer variability. Despite its high specificity, improvements in sensitivity and segmentation accuracy are needed, which could be achieved by using larger datasets and advanced deep learning techniques. Further multicenter validation is required for accelerated integration of this system into clinical practice.
Цель исследования заключается в разработке системы компьютерной диагностики (computer-aided diagnosis, CAD) с целью минимизации риска человеческих ошибок при градации по системе PI-RADS, что способствует улучшению процесса принятия врачебных решений.
Материалы и методы. Ретроспективное многоцентровое исследование включило 136 пациентов, из которых 108 составили больные раком предстательной железы (РПЖ) (оценка PI-RADS 4–5) и 28 случаев – пациенты с доброкачественными заболеваниями предстательной железы (оценка PI-RADS 1–2). Для анализа изображений была применена архитектура 3D U-Net, обрабатывающая T2-взвешенные изображения (T2W), диффузионно-взвешенные изображения (DWI) и изображения с динамическим контрастированием (DCE). Статистический анализ проводили с использованием библиотек Python для оценки диагностической эффективности, включая чувствительность, специфичность, коэффициенты сходства Dice и площадь под кривой характеристик работы приемника (AUC).
Результаты. Система DL-CAD достигла средней точности 78%, чувствительности 60% и специфичности 84% для выявления очагов поражений в простате. Коэффициент сходства Dice для сегментации предстательной железы составил 0,71, а AUC – 81,16%. Система продемонстрировала высокую специфичность в снижении ложноположительных результатов, что после оптимизации системы сможет минимизировать ненужные биопсии и «избыточное» лечение.
Заключение. Система DL-CAD демонстрирует потенциал в поддержке процесса принятия клинических решений для пациентов с клинически значимым РПЖ за счет повышения точности диагностики, особенно в минимизации вариабельности при интерпретации результатов несколькими рентгенологами (межэкспертная вариабельность). Несмотря на высокую специфичность, требуются дополнительные исследования для улучшения чувствительности и точности сегментации, что может быть достигнуто за счет использования более крупных массивов данных и передовых методов DL. Дальнейшая многоцентровая валидация необходима для более активной интеграции данной системы в клиническую практику.