Modelo de Aprendizado de Máquina Profunda Totalmente Automatizado para Detectar Câncer de Próstata Clinicamente Significativo em Ressonância Magnética

Contexto A Ressonância Magnética Multiparamétrica pode ajudar a identificar câncer de próstata clinicamente significativo (csPCa) (pontuação de Gleason ≥7), mas é limitada pela experiência do leitor e pela variabilidade entre observadores. Objetivo Desenvolver um modelo de aprendizado profundo (DL) para prever a presença de csPCa utilizando rótulos a nível do paciente, sem informações sobre a localização do tumor, e comparar seu desempenho com o dos radiologistas. Materiais e Métodos Dados de pacientes sem csPCa conhecido que se submeteram a ressonância magnética entre janeiro de 2017 e dezembro de 2019 em um dos múltiplos locais de uma única instituição acadêmica foram revisados retrospectivamente. Uma rede neural convolucional foi treinada para prever csPCa a partir de imagens ponderadas em T2, imagens ponderadas por difusão, mapas de coeficiente de difusão aparente e imagens ponderadas em T1 com contraste. O padrão de referência foi o diagnóstico patológico. O desempenho dos radiologistas foi avaliado da seguinte forma: relatórios de radiologia foram utilizados para o conjunto de testes interno, e as classificações PI-RADS de quatro radiologistas foram usadas para o conjunto de testes externo (ProstateX). O desempenho foi comparado utilizando áreas sob as curvas de característica operacional do receptor (AUCs) e o teste de DeLong. Mapas de ativação de classe ponderados por gradiente (Grad-CAMs) foram usados para mostrar a localização do tumor. Resultados Entre 5735 exames em 5215 pacientes (idade média, 66 anos ± 8 DP; todos do sexo masculino), 1514 exames (1454 pacientes) mostraram csPCa. No conjunto de testes interno (400 exames), a AUC foi 0.89 e 0.89 para o classificador de DL e para os radiologistas, respectivamente (