Cancers (Basel)：异质性癌的MRI自动化分类

基于MRI的使用电离辐射组学或者深度学习的作法来对显著癌（sPCa）进行形态学得到了广泛的关注，因其在协助流行病学决策过程中所具有潜在的运用于。

已经有，有科学研究医护人员对史料进行了搜索来明确哪一种线性在sPCa形态学中所常常使用；是否展现和作法以及使用的MRI碱基存在关系；风险评估阻碍sPCa形态学展现因素的科学研究；科学研究了在流行病学背景下，是否对展现进行了风险评估。科学研究搜索了2846个相关的出版物，其中所的27个都有在科学研究中所。其中所史料中所常惯用的线性为逻辑重生（22%）和卷积神经网络（CNNs）（22%）。AUC均值为0.79（四分位全域：0.77-0.87）。其中所都有的高血压数量、超声碱基或者参照标准对报告的展现没明显的阻碍。另外，有3个科学研究描述了外部正确性情况，但没科学研究在一个基础性的流行病学试验中所对其进行正确性。

最后，科学研究医护人员说明，为了囚禁驱动器和深度学习作法的运用于潜力，未来应该进行正确性科学研究和流行病学基础性科学研究来建起一个作法来风险评估对决策的价值。

原始出处：

Jose M Castillo T ， Muhammad Arif ， Wiro J Niessen et al. Automated Classification of Significant Prostate Cancer on MRI： A Systematic Review on the Performance of Machine Learning Applications. Cancers (Basel). 17 June 2020