摘要
【摘要】目的 比较深度学习模型和影像组学模型
对临床显著性前列腺癌(csPCa)的诊断效能，并结合临床信息、深度学习模型及影像组学模型构建融合模型，探讨融合模型在提升csPCa诊断效能方面的价值。方法 回顾性收集885例本院2016年1月至2022年3月行3.0T MRI检查且经病理证实的前列腺疾病患者，将入组病例按照8 : 2比例随机划分为训练组(n=708)和测试组(n=177)。通过支持向量机开发影像组学模型，使用DenseNet网络构建深度学习模型，最后加入临床特征，采用逻辑回归构建临床-影像组学-深度学习融合模型(CRD模型)。采用受试者工作特征(ROC)曲线评价模型和临床特征的诊断效能。结果 在测试组中，影像组学模型和深度
学习模型的AUC间差异无统计学意义(0.88比0.86,
P=0.6)。CRD模型的AUC为0.92，高于影像组学模型、深度学习模型和RD模型(均P<0.05)，同时高于PSA(AUC=0.75, P<0.001)和高年资医师PI-RADS评分(AUC=0.87, P=0.03)。结论 影像组学模型和深度学习模型在诊断csPCa时效能相当。临床-影像组学-深度学习融合模型对csPCa诊断效能最高，优于经验丰富的高年资医师，有助于减少患者不必要的活检。
【关键词】临床显著性前列腺癌；影像组学；深度学习；磁共振成像
【中图分类号】R445.2
【文献标识码】A
【DOI】10.3969/j.issn.1672-5131.2026.02.036
中国CT和MRI杂志
第24卷， 第 2 期
2026年03月
相关文章
编辑部邮箱：（1）中国CT和MRI杂志：ctmri@vip.163.com；（2）罕少疾病杂志：hs1999@vip.163.com
联系电话：0755-83695203
公司地址： 深圳市龙岗区坂田街道坂田社区吉华路489号乐荟科创中心13栋G层12房
简体中文
English
个人中心
微信公众号
头条号