Cancers (Basel)：显著性癌的MRI数据处理分类

基于MRI的适用放射组学或者高度自学的步骤来对值得注意恶性肿瘤（sPCa）顺利进行分类得到了广泛的关心，因其在协助临床决策现实生活当中有着潜在的领域。

最近，有深入研究人员对古籍顺利进行了搜索来确定哪一种线性在sPCa分类当中最常适用；前提乏善可陈和步骤以及适用的MRI碱基存在关系；风险评估阻碍sPCa分类乏善可陈因素的深入研究；深入研究了在临床背景下，前提对乏善可陈顺利进行了风险评估。深入研究搜索了2846个无关的出版物，其当中的27个最主要在深入研究当中。其当中古籍当中最常用的线性为逻辑回归（22%）和卷积神经网络（CNNs）（22%）。AUC对数为0.79（四分位范围：0.77-0.87）。其当中最主要的患者比例、成像碱基或者参照标准对报告的乏善可陈没有明显的阻碍。另外，有3个深入研究描绘了外部测试情形，但没有深入研究在一个前瞻性的临床试验当中对其顺利进行测试。

最后，深入研究人员认为，为了囚禁机器和高度自学步骤的领域创造力，未来应该顺利进行测试深入研究和临床前瞻性深入研究来建立一个步骤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