論文の概要: Prostate Cancer Screening with Artificial Intelligence-Enhanced Micro-Ultrasound: A Comparative Study with Traditional Methods

• arxiv url: http://arxiv.org/abs/2505.21355v1
• Date: Tue, 27 May 2025 15:47:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.771479
• Title: Prostate Cancer Screening with Artificial Intelligence-Enhanced Micro-Ultrasound: A Comparative Study with Traditional Methods
• Title（参考訳）: 超音波による前立腺癌検診 : 従来法との比較検討
• Authors: Muhammad Imran, Wayne G. Brisbane, Li-Ming Su, Jason P. Joseph, Wei Shao,
• Abstract要約: マイクロ超音波(micro-US)は前立腺癌(csPCa)の診断精度に匹敵する新しい画像モダリティである PSAとデジタル直腸検査(DRE)を用いて,マイクロUSの人工知能(AI)解釈が臨床スクリーニング法より優れているかを検討した。
• 参考スコア（独自算出の注目度）: 3.57040780961711
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Background and objective: Micro-ultrasound (micro-US) is a novel imaging modality with diagnostic accuracy comparable to MRI for detecting clinically significant prostate cancer (csPCa). We investigated whether artificial intelligence (AI) interpretation of micro-US can outperform clinical screening methods using PSA and digital rectal examination (DRE). Methods: We retrospectively studied 145 men who underwent micro-US guided biopsy (79 with csPCa, 66 without). A self-supervised convolutional autoencoder was used to extract deep image features from 2D micro-US slices. Random forest classifiers were trained using five-fold cross-validation to predict csPCa at the slice level. Patients were classified as csPCa-positive if 88 or more consecutive slices were predicted positive. Model performance was compared with a classifier using PSA, DRE, prostate volume, and age. Key findings and limitations: The AI-based micro-US model and clinical screening model achieved AUROCs of 0.871 and 0.753, respectively. At a fixed threshold, the micro-US model achieved 92.5% sensitivity and 68.1% specificity, while the clinical model showed 96.2% sensitivity but only 27.3% specificity. Limitations include a retrospective single-center design and lack of external validation. Conclusions and clinical implications: AI-interpreted micro-US improves specificity while maintaining high sensitivity for csPCa detection. This method may reduce unnecessary biopsies and serve as a low-cost alternative to PSA-based screening. Patient summary: We developed an AI system to analyze prostate micro-ultrasound images. It outperformed PSA and DRE in detecting aggressive cancer and may help avoid unnecessary biopsies.
• Abstract（参考訳）: 背景と目的:micro-ultrasound(micro-US)は、臨床上重要な前立腺癌(csPCa)を検出するMRIに匹敵する診断精度を持つ新しい画像モダリティである。 PSAとデジタル直腸検査(DRE)を用いて,マイクロUSの人工知能(AI)解釈が臨床スクリーニング法より優れているかを検討した。 方法:micro-USガイド下生検を施行した145名(csPCaは79名,非66名)を振り返って検討した。 自己教師型畳み込みオートエンコーダを用いて2DマイクロUSスライスから深部画像の特徴を抽出した。 CsPCaをスライスレベルで予測するために5倍のクロスバリデーションを用いてランダム森林分類器を訓練した。 csPCa陽性と診断された症例は88例以上で陽性であった。 モデル性能をPSA, DRE, 前立腺容積, 年齢を用いた分類器と比較した。 主な発見と限界: AIベースのmicro-USモデルと臨床スクリーニングモデルは、それぞれ0.871と0.753のAUROCを達成した。 固定閾値では、micro-USモデルは92.5%の感度と68.1%の特異性を示し、臨床モデルは96.2%の感度を示したが27.3%の特異性しか示さなかった。 制限には、レトロスペクティブの単一中心設計と外部検証の欠如が含まれる。 結論と臨床的意味: AIを解釈したmicro-USは、csPCa検出に対する高感度を維持しながら、特異性を向上する。 この方法は不必要な生検を減らし、PSAベースのスクリーニングに代わる安価な代替品として機能する。 患者要約: 前立腺微小超音波像を解析するAIシステムを開発した。 PSAとDREはアグレッシブ癌の検出において優れており、不必要な生検を避けるのに役立つ可能性がある。

関連論文リスト

• Prostate-Specific Foundation Models for Enhanced Detection of Clinically Significant Cancer [2.546403115506584]
  MRIを用いても、放射線医は、特異性が低く、サーバ間変異が顕著である。 ここでは前立腺視覚コントラストネットワーク(ProViCNet)を紹介する。 ProViCNetは6つの機関で4,401人の患者を訓練し、検証した。
  論文  参考訳（メタデータ） (2025-02-01T08:42:33Z)
• Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
  前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。 前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。 U-Net, SegResNet, Swin UNETR, Attention U-Net, LightM-UNetといった最先端のディープラーニングモデルを用いて200ドルのCDIから前立腺を抽出する。
  論文  参考訳（メタデータ） (2025-01-15T22:23:41Z)
• AI-assisted prostate cancer detection and localisation on biparametric MR by classifying radiologist-positives [5.75804178993065]
  本稿では,がん診断の総合的精度を向上させるためのディープラーニングモデルを提案する。 一つのボクセルレベルの分類モデルを構築し、単純なパーセンテージ閾値で正のケースを判定する。 2つの臨床データから得られた実験から,提案手法が診断精度を向上させることを示す。
  論文  参考訳（メタデータ） (2024-10-30T14:59:57Z)
• Multi-modal AI for comprehensive breast cancer prognostication [18.691704371847855]
  我々は、デジタル病理と臨床データを統合する新しい人工知能(AI)ベースのアプローチを開発した。 この検査は15のコホートで計8,161人の乳がん患者のデータを用いて開発・評価された。 以上の結果から,我々のAIテストは既存の予後検査の精度を改善しつつ,幅広い患者に適用可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-28T17:54:29Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• ProsDectNet: Bridging the Gap in Prostate Cancer Detection via Transrectal B-mode Ultrasound Imaging [2.6024562346319167]
  ProsDectNetはBモード超音波で前立腺がんを局在させるマルチタスクディープラーニングアプローチである。 MRI-TRUS 融合生検を施行した289例のコホートを用いて, ProsDectNet の訓練と評価を行った。 以上の結果から,ProsDectNetはコンピュータ支援診断システムとして利用できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-12-08T19:40:35Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
  我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。 我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
  論文  参考訳（メタデータ） (2023-02-03T09:49:13Z)
• Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
  胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。 本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
  論文  参考訳（メタデータ） (2022-02-17T08:33:52Z)
• Using deep learning to detect patients at risk for prostate cancer despite benign biopsies [0.7739635712759623]
  良性前立腺生検全スライド画像における形態的パターンを識別するために, 深部畳み込みニューラルネットワークモデルを開発し, 検証した。 提案モデルは, 定期的前立腺生検における偽陰性症例数を減少させる可能性がある。
  論文  参考訳（メタデータ） (2021-06-27T15:21:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。