Enhancing foundation model transfer for prostate cancer detection with patch-level contrastive learning
هر روز یک مقاله، شنبه ۲۸شهریور ۱۴۰۵
عنوان: Enhancing foundation model transfer for prostate cancer detection with patch-level contrastive learning
خلاصه: این مطالعه به توسعه یک روش هوش مصنوعی مبتنی بر بهبود ترنسفورمرها برای شناسایی مکان دقیق سرطان پروستات می پردازد. با توجه به اینکه مکانیابی دقیق سرطان پروستات در تصویربرداری تشدید مغناطیسی (MRI) به دلیل نمای ظریف سرطان، همچنان چالشبرانگیز است،امری که منجر به نادیده گرفته شدن سرطانهای دارای اهمیت بالینی، تغییرپذیری زیاد میان تفسیرکنندگان (رادیولوژیستها) و تعداد زیادی از عوامل مخدوشکننده میشود، نیازمند تأیید با نمونه برداری و بررسی پاتولوژی هستند. مدلهای بنیادی بینایی نتایج نوید بخشی در حوزه های مختلف آنالیز تصویر نشان دادهاند، اما انتقال مستقیم آن ها به حوزه MRI پروستات به دلیل وجود شکاف قابلتوجه بین تصاویر طبیعی که مدل های بنیادی بر اساس آن ها توسعه داده شده اند و MRI پروستات و همچنین نمای ظریف سرطان پروستات، دشوار است. محققان برای غلبه بر این چالش شبکههای تقابلی بینایی پروستات (ProViCNet) را توسعه داده اند. این مدل با نظارت ضعیف که از یادگیری تقابلی در سطح patch بر روی تصاویر MRI توسعه داده شد، برای غربالگری مبتنی بر MRI، جایگزینی بیوپسی و برنامهریزی درمان کانونی استفاده می شود.
مدل ProViCNet به عنوان یک مدل تشخیص سرطان پروستات در MRI، با استفاده از دادههای ۴۴۰۱ بیمار در شش گروه (کوهورت) آموزش و اعتبارسنجی شد. برچسبهای آموزشی، حاشیهنویسیهای رادیولوژیستها بودند که با بیوپسی تأیید شده بودند، در حالی که برچسبهای ارزیابی شامل ضایعات تأیید شده با هر دو روش بیوپسی و جراحی میشدند. مدل ProViCNet عملکردی پایدار در تشخیص و قطعه بندی در چندین گروه اعتبارسنجی داخلی و خارجی از خود نشان داد، بهطوری که مقادیر AUROC بین ۰.۸۷۵ تا ۰.۹۶۶ متغیر بود و در مطالعه خوانش توسط متخصصان MRI، عملکرد بهتری نسبت به رادیولوژیستها داشت (۰.۹۰۷ در مقابل ۰.۸۰۵، 0.01 > p).
محققان همچنین ProViCNet را با سطح PSA سرم ترکیب تا یک آزمون غربالگری مجازی ایجاد کنند. این روش ضمن حفظ حساسیت بالا برای تشخیص سرطانهای دارای اهمیت بالینی، Specificity را در میان مردان با PSA ≥ ۴ ، بیش از دو برابر افزایش داد (از ۱۵٪ به ۳۸٪، 0.001 > p) که این امر میتواند منجر به کاهش بیوپسیهای غیرضروری شود. این یافتهها بر پتانسیل ProViCNet برای ارتقای دقت تشخیص سرطان پروستات و کاهش بیوپسیهای غیرضروری تأکید دارند.
https://www.nature.com/articles/s41746-026-02831-y
ارسال نظر