通过补丁级对比学习增强基础模型在前列腺癌检测中的迁移能力

《npj Digital Medicine》：Enhancing foundation model transfer for prostate cancer detection with patch-level contrastive learning

　　

摘要

在磁共振成像（MRI）中准确定位前列腺癌仍然具有挑战性，因为癌症的表现较为微妙，这导致一些具有临床意义的癌症被遗漏，不同读者的诊断结果存在较大差异，并且有许多需要通过活检来确认的干扰因素。基于视觉的模型显示出了一定的潜力，但由于自然图像与前列腺MRI之间的领域差异较大，以及前列腺癌的表现非常微妙，因此将这些模型直接应用于前列腺MRI存在困难。为此，我们开发了前列腺视觉对比网络（ProViCNet），这是一种采用弱监督方法的模型，通过MRI上的补丁级对比学习来支持基于MRI的筛查、活检定位和局部治疗计划制定。ProViCNet在六个队列中的4401名患者数据上进行了训练和验证，作为前列腺癌检测模型。训练标签由经过活检确认的放射科医生提供，而评估标签则包括通过活检和手术确认的病变。ProViCNet在多个内部和外部验证队列中表现出一致的检测和分割性能，接收者操作特征曲线下面积（AUROC）值介于0.875到0.966之间，并且在MRI专家读者研究中优于放射科医生的诊断结果（ProViCNet的AUROC为0.907，而放射科医生的为0.805，p?p?