Cancers (Basel)：确定性癌的MRI自动化分类

基于MRI的运用于激光组学或者浅层学习的工具来对相当大乳癌（sPCa）进行时归纳取得了广泛的关注，因其在协助临床执行者现实生活中的有着潜在的技术的发展。

最近，有深入研究工作人员对史籍进行时了查看来确定哪一种插值在sPCa归纳中的常会运用于；究竟乏善可陈和工具以及运用于的MRI序列实际上关系；指标不良影响sPCa归纳乏善可陈各种因素的深入研究；深入研究了在临床故事情节下，究竟对乏善可陈进行时了指标。深入研究查看了2846个相关的出版物，其中的的27个包含在深入研究中的。其中的史籍中的常会用的插值为逻辑回归（22%）和卷积神经网络（CNNs）（22%）。AUC中的值为0.79（四分位范围：0.77-0.87）。其中的包含的患者数量、成像序列或者参照标准对份文件的乏善可陈没有明显的不良影响。另外，有3个深入研究描述了结构性有效性情况，但没有深入研究在一个革命性的乳癌中的对其进行时有效性。

之后，深入研究工作人员指出，为了释放机器和浅层学习工具的技术的发展潜力，未来应该进行时有效性深入研究和临床革命性深入研究来建起一个工具来指标对执行者的价值。

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