Cancers (Basel)：显著性癌的MRI自动化归纳

基于MRI的中用放射组学或者最深处学习的方式来对显著癌（sPCa）展开分类给与了尤其的关注，因其在协助药理学决策过程中都有着潜在的系统设计。

值得注意，有研究课题人员对历史文献展开了侦查来明确哪一种插值在sPCa分类中都都可中用；是否观感和方式以及中用的MRI基因组不存在关系；指标制约sPCa分类观感诱因的研究课题；研究课题了在药理学着重下，是否对观感展开了指标。研究课题侦查了2846个系统性的报刊，其中都的27个最主要在研究课题中都。其中都历史文献中都都可用的插值为逻辑回归（22%）和时域神经网络（CNNs）（22%）。AUC均值为0.79（四分位范围：0.77-0.87）。其中都最主要的患者需求量、成像基因组或者参照标准对份文件的观感从未明显的制约。另外，有3个研究课题描绘出了外部正确性情况，但从未研究课题在一个实用性的药理学试验中都对其展开正确性。

最后，研究课题人员引述，为了释放出来机器和最深处学习方式的系统设计潜力，未来应该展开正确性研究课题和药理学实用性研究课题来建立一个方式来指标对决策的价值。

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