一种有置信度分析的前列腺癌良恶性分类模型研究

摘要

目的 旨在构建一套具备可解释性与置信度分析功能的前列腺癌(orostate cancer, PCa)良恶性分类模型，以提升诊断准确性并降低临床误诊风险。方法 回顾性分析267例PCa患者和143例非PCa患者的双参数磁共振数据，采用VGG-16网络构建分类模型，通过梯度加权类激活映射(gradient-weighted class activation mapping, Grad-CAM)方法实现可视化解释，并使用蒙特卡洛Dropout(Monte Carlo Dropout, MC-Dropout)法进行不确定性估计，引入拒绝机制；最后通过受试者工作特性(receiver operating characteristic, ROC)曲线和曲线下面积(area under the curve,AUC)评估模型性能。结果 相比于原始VGG-16网络，本次提出的置信度模型提高了正确分类比例(94.6%vs 79.3%),并减少了假阳性(5.3%vs 15.3%),同时漏诊率接近零(0.1%),AUC值提高(P<0.05);模型正确分类比例高于高年资医生(94.6%vs 90.8%),高置信度激活区域与真实病灶区域高度吻合。结论 本次提出的PCa分类模型，结合可视化与拒绝机制，无需像素级标签，也可准确识别PCa病灶并输出置信度，显著提高临床决策的准确性与安全性。

关键词

磁共振成像 / 前列腺癌 / 置信度分析 / 梯度加权类激活映射 / 蒙特卡洛Dropout法