基于卷积神经网络和有序类分类器的前列腺癌分级方法

þ¼ ¼¼þ ¼ þ ¼ þ ¼ þ ¼�¼i本文的最新情况见最后医学信息学解锁17（2019）100256使用卷积神经网络和有序类分类器BejoyAbraham a，b，*，Madhu S. 奈尔ca计算机科学系，喀拉拉邦大学，Kariavattom，Thiruvananthapuram，695581，喀拉拉邦，印度b计算机科学与工程系，Perumon工程学院，Kollam，691601，印度喀拉拉邦c人工智能计算机视觉实验室，科钦科技大学计算机科学系，科钦，682022，喀拉拉邦，印度A R T I C L EI N FO保留字：有序类分类器CNN前列腺癌的早期症状计算机辅助诊断A B S T R A C T前列腺癌（PCa）是男性最常见的癌症之一。早期诊断和治疗计划对降低PCa的死亡率具有重要意义。需要准确预测等级，以确保及时治疗癌症。前列腺癌的分级可以被认为是一个序数类分类问题。本文提出了一种基于VGG-16卷积神经网络和有序类分类器的多参数磁共振图像前列腺癌分级新方法。这项工作采用了PROSTATEX-22017 Grand Challenge数据集的多参数磁共振图像。该方法在将PCa分级为5个等级组时实现了0.4727的中等二次加权Kappa评分，这高于最先进的方法。该方法在预测临床上显著的前列腺癌方面也实现了0.9079的阳性预测值。1. 介绍前列腺癌（PCa）是男性中最常见的癌症，仅次于肺癌。据估计，2019年美国将有近1，74，650例新发病例和31，620例前列腺癌相关死亡。PCa占男性中近五分之一的新癌症诊断[1]。早期诊断和治疗计划对降低PCa的死亡率Gleason评分（GS）是衡量前列腺癌侵袭性的标准。Gleason评分是病变模式中最常见的两个Gleason等级的总和[2]。病理学家根据癌症的模式在3-5的范围内分配格里森等级前列腺中的细胞PCa根据Gleason评分分为5个不同等级组[3]。Gleason评分6分为等级组（GG）1和Gleason评分<7分为GG 2（GS 34G 3（GS43G 4（GS 448个，GS 358个，一般事务人员538)和GG 5（GS9个，一般事务人员10)根据癌症的侵袭性[4]。医生根据年级组预测康复前景[4]。归类为GG 1的病变被认为具有临床意义，归类为GG 2、GG 3、GG 4和GG 5的病变被认为具有临床意义[5]。对于临床上有意义的 癌症， 但 活性 监控 是 需要[6]的文件。准确需要预测等级以防止对临床上不显著的肿瘤的过度治疗，并确保对临床上显著的前列腺癌的及时治疗[7]。使用数字直肠X线检查（DRE）进行PCa筛查，估计前列腺特异性抗原（PSA）水平和经直肠超声（TRUS）活检[8]。组织学验证用于确认诊断[8]。根据病理学家根据组织学图像的显微镜检查指定的病变等级组进行治疗计划[9]。TRUS活检通常会导致临床上不重要的癌症的过度诊断，以及临床上重要癌症的诊断不佳[10]。最近的研究表明，MRI可用于PCa的诊断和分级[11，12]。计算机辅助诊断技术可以帮助放射科医生从MRI中估计PCa的级别，如果手动完成，这是耗时且有压力的。最近很少有研究进行计算机辅助分类之间临床显著和临床不显著的PCa。Fehr等人[13]采用了一种开创性方法对具有临床意义和临床意义的PCa进行分类。该方法利用纹理特征，RFE-SVM分类器和基于SMOTE的少数类实例的上采样。随后，国际光 学 与 光 子 学 学 会 （ SPIE ） 与 美 国 物 理 学 家 协 会（AmericanAssociation of* 通讯作者。计算机科学系，喀拉拉邦大学，Kariavattom，特里凡得琅，695581，喀拉拉邦，印度。电子邮件地址：bjoyabraham@gmail.com（B.Abraham）。https://doi.org/10.1016/j.imu.2019.100256接收日期：2019年8月28日;接收日期：2019年9月29日;接受日期：2019年10月14日在线预订2019年2352-9148/© 2019由Elsevier Ltd.发布这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuB. 亚伯拉罕和MS Nair医学信息学解锁17（2019）1002562þþþ¼������美国医学会（AAPM）和美国国家癌症研究所（NCI）组织了一项重大挑战，对具有临床意义的和无关的病变进行分类[14]。Seah等人的方法。[15]和Liu等人。[16]使用卷积神经网络和Kitchen等人。[17]使用SVM在PROSTATEX测试数据集中取得了显着的结果Le等人[18]和Wang等人[19]使用卷积神经网络的方法使用挑战的训练数据集以及私有数据集实现了良好的性能。Abraham等人[20]使用稀疏自动编码器和随机森林分类器提取的特征，在使用ADASYN平衡实例后，使用PROSTATEX的训练数据集区分临床显著和临床不显著的本文的其余部分组织如下。第二部分介绍了本研究所使用的材料和方法。本节详细描述了用于研究的数据集、预处理、特征提取技术和分类器。结果和实验分析在第3节中解释。第4节描述了结论 的研究。2. 材料和方法2.1. 数据集一家公开 可用数据集， 前列腺X-2（序列）， 这是在前列腺X激发后，AAPM、SPIE和NCI进行了前列腺X-2大激发，将PCa分为5个等级组[14]。作者提交的方法赢得了挑战，在高度不平衡的PROSTATEX-2数据集中实现了0.2772的二次加权Kappa值[21]。该方法还可以-阳性预测值PPVGG>1为0.80严重的前列腺癌该方法使用纹理特征作为输入，并使用堆叠稀疏自动编 码 器 产 生 深 度 特 征 [21] 。 在 最 近 的 一 项 工 作 中 ， 作 者 使 用Inception-V3预训练网络和LADTree分类器来实现公平的二次加权kappa得分[22]。在另一项研究中，Jensen et al.[23]使用图像直方图和纹理特征结合k-最近邻分类器对GG 1、GG 2、GG（1 2）、GG 3和GG （ 4 5 ） 进 行 了 二 进 制 分 类 ， 以 获 得 显 著 的 然 而 ， 他 们 将PROSTATEX-2数据集的GG 4和GG 5合并，并将GG（4 5）分类为单独的类别，而不是将多类分类为5个等级组由于从MR图像将前列腺癌分级为5级组是一个相对较新的研究领域，因此在该领域仅有少数已发表的著作参考文献中描述了文献中发表的将前列腺癌从MRI分级为5级组的工作[21、22]。上述作品几乎没有值得一提的局限性大多数现有技术[15-20 ]只能区分高级别和低级别PCa，而不能区分所有5个尽管PROSTATEX-2激发的获胜方法获得了公平的二次加权kappa评分，但它无法预测任何属于GG 4的癌症[21]。随后的方法无法预测任何属于GG 5的病变。参考文献1中描述的方法[23]在仅结合GG 4和GG 5后，将前列腺癌分类为不同没有现有的方法报告中度二次加权Kappa评分高于0.40。没有一个现有的工程考虑的顺序性质的分级问题。最先进的技术已经使用卷积神经网络（CNN）[24]，支持向量机（SVM）[18]，Softmax[21]和LADTree [22]对有序前列腺癌数据进行分类。然而，在文献中的一些作品已经表明，顺序类分类器（OCC）是有效的分类顺序性质的不平衡分类问题。Perez等人[25]使用有序类分类器对有序性质的高度不平衡黑色素瘤图像进行分类。Cardoso等人[26]使用OCC对乳腺癌保守治疗进行美学评价。所提出的方法探索了OCC与从CNN提取的高级特征相结合用于PCa分级的所提出的方法具有以下贡献。1. 该方法是文献中第一个使用VGG-16预训练CNN与OCC组合进行PCa诊断的方法2. 尽管存在几种使用二元分类预测临床显著PCa的方法，但该方法是少数几种执行用于预测临床显著PCa的多类分类的方法之一3. 该方法是文献中第一个使用PROSTATEX-2挑战数据集获得中等二次加权kappa评分的方法。早期用作PROSTATEX-2 2017挑战的训练数据集放射科专家在每次MRI中识别可疑病变并分配PI-RADS评分[14]。结果与 一 PI-RADS评分 >3个 是 经受 到 磁 共振引导活检，并由病理学家对其进行分级这些结果被用作地面事实[14]。T2W，高B值DWI（HBVAL）和ADC图像的数据集的工作。图1显示了ADC、HBVAL和T2W图像中的5个等级组GG 1型病变36处，GG 2型病变41处，GG 3型病变20处，GG 4型病变8处，GG 5型病变7处。该数据集可在癌症成像档案（TCIA）中获得[27挑战的测试数据集无法纳入，因为其基本事实尚未公布。为了克服这一限制，我们在将PROSTATEX-2训练数据集划分为训练集和测试集后，对它进行了交叉验证。2.2. 预处理PROSTATEX-2数据集的基础事实是大致位于肿瘤中心的（p，q，r）坐标VOXel点与参考文献[22]中的方法类似，从HBVAL和ADC MRI体积中选择围绕真实值的尺寸为15 15 3的感兴趣区域（ROI），并从T2W图像中选择围绕真实值的尺寸为60 60 3的ROI。选择了三个连续切片，ROI大小用3表示由于图像采集分辨率，T2W的尺寸与其他模态的尺寸不同[22]。从ADC、HBVAL和T2W图像中的每一个制备尺寸为224 224 3的体积。Vallieres等人的方法和程序[30]用于生成卷。将每个体积的切片间距设置为1mm，即体积被测量的尺度Fig. 1. 该图对应于GG 1、GG 2、GG 3、GG 4和GG 5的样本图像。第一、第二和第三行表示ADC、HBVAL和T2W图像，而第一、第二、第三、第四和第五列表示GG 1、GG 2、GG 3、GG 4和GG 5。B. 亚伯拉罕和MS Nair医学信息学解锁17（2019）1002563������������将各向同性重采样设置为1 mm，将量化算法设置为Max-Max量化算法，并且将量化过程中的灰度级的数量设置为32。与ADC和HBVAL图像相比，使用不同的平面内分辨率采集T2W图像。由于这一差异，T2W的感兴趣体积的平面内分辨率设置为3.8 mm，ADC和HBVAL图像的平面内分辨率设置为14.9 mm。图2示出了从ADC、HBVAL和T2W图像生成ROI。2.3. 使用VGG-16进行卷积神经网络可用于学习层次结构不同层次的复杂特征。传统的CNN由卷积层、池化层、激活层和全连接层组成。卷积函数描述了对两个函数的操作。一个函数由体积图像中的位置处的体积值组成，并且第二个函数是核。两个函数之间的点积产生输出。然后，基于指定的步幅，将内核移动到体积图像中的下一个位置。重复计算，直到覆盖整个体积，产生特征激活图。卷积函数定义为：（hj）mn¼（Wj*y）mnbj（1）其中，j^l，图二. 该图对应于数据集中的图像ProstateX-0026。ADC和HBVAL图像的真实值分别为（38，66，5）和（175，197，6）。从ADC和HBVAL图像中选择围绕地面实况的大小为15 15 3的ROI和大小为60603例为T2W图像。我们用红色表示包含病变的区域。weight和bj对应于第j个核的偏置，y表示输入，（hj）是对应于第j个特征图的输出来自卷积层的输出被传递到激活层。最常见的激活函数是整流线性单元（ReLU）函数，这是一种将负输入转换为零的非线性激活函数[31]。ReLU函数加速了计算和训练，并解决了梯度消失的问题。ReLU函数定义为f（t）¼最大值（0，t）（ 2）其中t是神经元的输入其他主要的激活函数是sigmoid，Softmax和tanh函数。池层是一个非线性的子采样层，它通过在输入特征图的邻近区域上取平均值或最大值来对图像进行下采样。最常见的池化类型是最大池化，它将平移不变性引入到特征映射中的变形和微小移位。最大池合并语义上相似的特征，从而减少特征图的维度。卷积神经网络的最后一层是完全连接（FC）层。前一层中的所有神经元都链接到全连接层中的所有神经元。基于所需的特征抽象级别，可以有一个或多个全连接层[31]。由于CNN保持空间关系，它们适合执行对象识别任务。从头开始训练CNN需要大量的注释数据，这对于医学成像来说很难获得。在这种情况下，在ImageNet [32]等大型数据集中训练的预训练现成网络可以用于特征提取[33]。VGG-16预训练CNN用于本研究。VGG-16，由Simonyan等人提出。[34]，是在本地化和分类类别中赢得ImageNet 2014年大规模视觉识别挑战赛（ILSVRC 2014）的架构Simonyan等人[34]观察到使用大小为3的小卷积核3在整个网络中允许识别从粗到细的图像模式，这导致改进的泛化。VGG-16早期用于几种医学成像应用，包括皮肤病变分割[35]和虹膜识别[33]。它由13个滤波器大小的卷积层组成33和5个大小为2 2的最大池化层。它还包括纠正线性单元（ReLU）和dropout单元，用于检查过拟合。VGG-16网络中存在三个全连接层。从网络的最后一个全连接层提取特征。从ADC、HBVAL和T2 W图像生成的大小为224 224 3的ROI作为输入传递到VGG-16网络。VGG-16构建了输入图像的分层表示。较深的层包含使用前面层的较低级别特征生成的较高级别特征。为了获得输入图像的特征表示，激活应用于由1000个神经元组成的最后一个完全连接的层。三个特征向量的维度112 - 1000分别从ADC，HBVAL和T2 W图像构建。大小为1123000的特征向量通过连接上述特征向量而产生。主成分分析（PCA）用于将特征向量的大小降低到112 32。通过选择足够多的特征向量以占原始数据中方差的85%来实现离散性降低。通过WEKA中实现的PCA算法选择32个特征向量。将PCA应用于从整个数据集中提取的特征向量。然而，值得注意的是，与对训练集执行PCA并应用PCA相比，测试集上的转换无其他预处理技术在使用PCA时，2.4. 分类前列腺癌的分级可以被认为是一个序数类分类问题。设G1、G2、G3、G4和G5为不同等级B. 亚伯拉罕和MS Nair医学信息学解锁17（2019）1002564--组这些等级可以按照聚合性的递增顺序排列为G1G 2G 3G 4G 5。<<<<正常的分类器不能识别这种排序信息。序数类分类器使普通基分类器能够利用类属性中提供的排序信息[36]。我们使用了一个有序类分类器，WEKA作为所提出的技术的分类器。序数类分类器是一个元分类器，它允许将传统的分类技术应用于序数类问题[36]。对应于n类序数问题的数据被重构为n -1个二元问题.对于n -1个二进制属性中的每一个，在训练过程中提取新的数据集[36]。随后，尝试基本分类器，以获得与每个新生成的数据集相对应的模型。设Gi为类值。样本属于第一序数类的概率为P（G1）1/4-P（目标>G1）（3）给出了实例属于第j个序数类的概率通过P（Gj）P（Target>Gj-1）·（1-P（Target>Gj）），1jn（4）最后一个序数类的概率由下式给出：<Gn-1）（5）在测试过程中，一个未知的样本是由所有的n -1个分类器，和n个有序类别中的每一个的概率估计使用上述技术。具有最高概率的类别被分配给未知样本[36]。我们使用J48作为基本分类器。J48是一个用于创建修剪或未修剪的C4.5二叉决策树的类[37]。C4.5决策树的节点表示特征，分支表示特征的值，叶子表示类。在树的每个节点处，选择具有最高信息增益的属性，该属性将其样本集划分为不同的子集。J48迭代遍历每个节点以确定最佳划分。如果子集中的所有样本对应于同一类，则划分过程终止。在决策树中构造对应于所选类别的叶节点。设定J48的置信因子、最小对象数、折叠数和种子 分别为0.25、1、3和1所提出的技术的架构如图所示。3.第三章。3. 结果和讨论二次加权kappa评分[38，39]是前列腺X-2挑战中用于测量各种方法性能的性能指标。Kappa评分计算如下：K1/4（Pa-Pca）/（1-Pca）（ 6）其中Poa是观察到的一致性的比例，Pca是偶然一致性的比例。二次加权kappa反映了分歧的程度，在这种方式下，更强调评级之间的较大差异，而不是较小的差异[40]。二次加权kappa适用于多类别有序类分类[40]。对于前列腺X-2中的极端重复数据[41]，它是一个合适的性能指标，而在这种情况下，准确性是一个误导性的性能指标[4221]，因为它没有考虑到不同等级组中疾病的患病率。根据Wilson有效评分法计算比例的95%置信区间（CI），并进行连续性校正。如果95% CI中不包括零，则认为结果具有统计学显著性。对于95% CI不包括零的结果，进一步计算基于卡方的p值，以确定统计学显著性。如果p值小于0.05，则认为结果具有统计学显著性。除了二次加权Kappa评分外，阳性预测-预测临床显著癌症（PPVGG>1）的有效值（PPV）用作PROSTATEX-2挑战中的额外性能度量。PPVGG>1/4CPGG>1/TGG>1（ 7）其中CPGG>1是被正确预测为GG>1的GG>1的实例的数量，TGG>1是GG>1的总实例二次加权Kappa评分范围为1 - 1，根据其大小，将其解释为差、轻微、一般、中等、实质性和几乎完美。表1显示了不同范围的二次加权Kappa评分的解释[39]。该方法的实现是在WINDOWS 10平台上使用MATLAB 2018 b完成的，具有Intel（R）Core（TM）i7-7700 HQ CPU，2.81 Ghz，16 GB RAM和NVIDIA GTX 1060 6 GB GPU。在PROSTATEX- 2（训练）数据集上进行留一患者（LOPO）交叉验证 。 达 到 中 度 二 次 加 权 kappa 评 分 0.4727 和 95% CI [0.27755 ，0.66785]。那个...表1二次加权Kappa的解释。SL. 无二次加权Kappa一致性1阴性穷人2 0.013 0.214 0.4150.6160.81图三. 建议方法的体系结构。将输入量提供给VGG-16预训练网络进行特征提取。从全连接（FC）层提取的特征作为输入被给出到序数类分类器以用于分级。B. 亚伯拉罕和MS Nair医学信息学解锁17（2019）1002565值进一步计算，显著性水平设为0.05。p值为0.001，具有显著性。表2显示了合并结果。对应于该结果的混淆矩阵X示于图2中。 四、该方法能够将前列腺癌分类为GG 1，GG 2和GG 5，具有中等的精确度和召回率。GG 4的正确分类实例相对较少对GG 4的预测不太准确的一个原因是属于该类的训练样本数量较少。然而，值得注意的是，没有一个GG 4肿瘤被错误分类为临床上不重要的肿瘤。所有GG4病变均被正确分类为具有临床意义。也是观察到七个GG 5病变中只有一个被错误地分类为临床上不显著的。该方法在区分低级PCa与高级PCa方面实现了0.9079的PPVGG>1。诊断准确率为47.32%。为了评估每个年级组的表现，我们分别考虑了5个年级组中每个年级组的一致率。表3给出了达成一致的比例。等级组3和等级组4仅能达到小于0.2的一致性比例，而等级组2和等级组5在0.2和0.4。等级组1实现了大于0.4的中等比例的一致性。除一致率外，我们还计算了每个年级组达到的精确度、召回率和受试者工作特征曲线下面积（AUC），如表4所示。将VGG-16预训练网络的性能与其他网络的性能进行比较，结果如表5所示。除VGG-16外，没有其他网络达到中等二次加权Kappa评分。DenseNet和InceptionResnet-V2只能获得较差的二次加权Kappa评分。SqueezeNet、ResNet-50、ResNet- 101、VGG-19和Inception-V3在与OCC组合时实现了轻微的二次加权kappa。只有提出的网络和Inception-V3能够实现统计学显著的二次加权kappa评分，其中95% CI不包括零。p值进一步计算使用Inception-V3 和VGG-16获得的结果该方法的p值分别为0.0132和0.001，具有显著性。<有序类分类器的性能进行了比较，与其他几个分类器。使用VGG-16网络提取的特征以及分类器的默认参数设置用于表6中所示的比较。OCC获得了中等的二次加权Kappa评分，而其他分类器只能获得一般、轻微或较差的二次加权Kappa评分。PART、OneR、Logistic、DMNBtext、END、FT、JRip、NNge、VFI、回归分类、朴素贝叶斯、NBTree和KStar获得了轻微的二次加权Kappa评分。IB 1、Log-ITBoost、MultiClass Classifier、IBK和Multilayer Perceptron获得了公平的二次加权Kappa评分。OCC、IB1、LogitBoost、MultiClassClassifier、IBK和Multilayer Per-见图4。混乱矩阵X.右下角的元素对应于精度。最下面的一行表示精确度，最右边的一列对应于召回率。考虑从2到5的行。在76例具有临床意义的事件中，69例被归类为具有临床意义。PPVGG>1¼69/76¼ 0.9079。表3各年级组对应的一致率（PoA）GG观察到的PoA 95% CI10.4186[0.2737至0.5779]20.3611[0.2537至0.4835]30.1176[0.0384至0.2839]40.1429[0.0251至0.4385]50.375[0.1024至0.7411]表4每个等级组的精确度、召回率和AUC。GG精确召回AUC10.720.50.62620.4560.6340.53530.2220.20.37940.250.250.76150.750.4290.847表5预训练网络的性能比较。基于95% CI和p值，ceptron获得了统计学显著性结果。SL.没有网络二次加权Kappa95% CI P值J48作为OCC的基本分类器的性能与其他主要的基于决策树的分类器一起进行了评估。表7显示作为基础1 DenseNet-0.04714 [-0.21822至0.12393]2挤压网0.03549 [-0.13400，OCC分类器ADTree、FT、J48graft和Random Tree实现了一个公平的二次加权Kappa评分。BFTree、LMT、NBTree、Simple Cart和3 ResNet-50 0.150440.20497][-0.02168至0.32256]随机森林获得了轻微的二次加权Kappa评分。Deci-4 ResNet-101 0.00207 [-0.15306至Sion Stump能够获得较差的二次加权Kappa评分5初始Resnet-0.124260.15720]–V2-[-0.28548至0.03696]表26 VGG-19 0.14118 [-0.01399至结果：二次加权kappa，PPV GG>1，标准误，95%CI和P值.7启动-V3 0.198820.29634][0.00235至0.39529]0.0132二次加权KappaPPVGG>1标准品误差95% CI P值8 VGG-16 0.4727 [0.27755至0.66785]<0.0010.4727 0.9079 0.09957 [0.27755，0.66785]2.333e-8B. 亚伯拉罕和MS Nair医学信息学解锁17（2019）1002566-þþþ¼¼表6分类器的性能比较表7基本分类器的比较。Kappa0.30500][-0.06335至0.20064][-0.25726至-0.02387]–0.06798]0.40476]0.54060]6 LMT 0.03352 [-0.11006至0.17710]7 NBTree 0.14400 [-0.05513至0.34312][-0.06620至0.41529]8随机森林0.06413 [-0.06423至0.19250][0.10126至0.47001][-0.25726至0.0464–9随机树0.21919 [0.01572至0.42266]10简易推车0.00267 [-0.10799至0.019944–-0.02387][0.01301至0.32931]0.08139]0.083011 J48 0.472700.11333][0.27755至0.66785]<0.00116分类方式0.25101][-0.05671至0.16513][-0.02514至0.32438]0.11244 [-0.06600至参与PROSTATEX-2激发的43种方法获得的二次加权Kappa评分范围为0.24至0.2772，没有一种方法可以获得大于0.40的中等二次加权Kappa评分[14]。Le等人。[18]使用PROSTATEX-1（训练）和名为TJPCa的私有数据集的组合来实现显著AUC为0.909。尽管Le et al.[18]和回归17分类方式0.29089]-0.02294 [-0.13438至Wang等人[19]在区分低级别和高级别PCa方面取得了显著的AUC，他们的方法并没有对所有PCa聚类18装饰-0.085380.08851][-0.25201至五个年级组。他们的方法对PCa进行分类，19MultiClass分类器0.2383920 IBK 0.3237723 NBTree 0.091000.08124][0.07903至0.39775][0.14756至0.49998]0.29455][-0.13819至0.32019]0.02370.0019–仅GG1与GG> 2。Jensen等人[23]对GG 1、GG 2、GG（1 2）、GG 3和GG（4 5）进行了二元分类，分别获得AUC为0.85、0.89、0.83、0.94和0.86。 而不是多类由于属于这两个年级组的受试者数量少得多另一作者的方法实现了PPVGG>1的0.8158，二次曲线PROSTATEX-2（训练）数据集的加权kappa评分为0.3772，95% CI为[0.2111，0.5433][22即使该方法[22]达到了统计学显著的95% CI，但它只能达到一个公平的二次加权kappa评分和较小的PPVGG>1，提出的方法。 只有提出的方法和 方法 在参考文献[22]中，PCa分级为5级组时能够达到统计学显著性95% CI。所提出的方法能够只. 的 J48 分类器 是 能够 到 实现 一 适度二次型加权Kappa评分。J48、FT、J48graft和Random Tree实现了统计学显著性结果，95% CI不包括零且p值0.05。没有其他基础分类器能够实现统计上显著的结果。表8显示了文献中PCa分级的各种方法的比较仅当相应论文中报告相同时，表中才会提及95% CI大多数技术使用PROSTATEX-1 或PROSTATEX-2数据集。AUC是PROSTATEX-1激发中用于低级别和高级 别 前 列 腺 癌 二 元 分 类 的 性 能 指 标 ， 而 二 次 加 权 kappa 是PROSTATEX-2激发中用于将前列腺癌分级为5级组的性能指标所提出的方法实现了0.4727的中等二次加权kappa得分，而作者之前的方法赢得了PROSTATEX-2 2017挑战，可以实现公平的二次加权Kappa评分。所提出的方法还能够预测PPVGG>1为0.9079的高级别PCa。所提出的方法打破了零假设，因为其达到了[0.27755，0.66785]的95%CI的达到0.4727的中等二次加权Kappa评分所有其他方法只能获得公平的二次加权Kappa分数。本文提出的方法以及文献[1]中的方法[21，22]已经进行了多类分类技术，用于预测临床显著的PCa，而其他方法使用了二元分类技术。所提出的方法不能应用于PROSTATEX-1数据集，因为该数据集仅包含对应于临床显著和临床不显著癌症的基础事实所提出的方法需要适合于多类分类的数据集。所提出的方法以及Le等人[18]、Wang等人[19]、Abraham等人[21]和Jensen等人[23]的方法的结果是基于对相应PROSTATEX挑战的训练数据进行的交叉验证，因为PROS-TATEX测试数据的基础事实尚未公开。Fehr等人的方法[13]和Jensen等人[23]使用纹理特征，而所有其他方法使用CNN或稀疏自动编码器的深度特征。所提出的方法和Le等人的方法。[18]，Wang等人。[19]，Seah等人。[15]和Abraham等人。[22]使用CNN提取特征，而Abraham等人的方法[21]第二十一话SL.没有分类器二次加权Kappa95% CIp值SL.没有分类器二次加权95% CIp值1部分0.08832[-0.13338至–1ADTree0.21066[-0.00193至–0.31001]0.42324]2OneR0.00329[-0.14464至–2BFTree0.05823[-0.10438至–0.15123]0.22085]3IB10.32377[0.14756至0.49998]0.00193决策树粧-0.10400[-0.27598至–4RBF网络-0.01186[-0.16890至0.14518]–4FT0.26041[0.11606至0.0328685Logistic0.14565[-0.01369至–5J48接枝0.35358[0.16656至<0.00112简易购物车-0.01514[-0.11167至–13JRip0.10736[-0.03629至–21多层0.23332[0.07177至0.024422感知器朴素贝叶斯0.118780.39487][-0.05699至–14NNge0.0542115VFI0.1496224科士达0.19706[0.03623至0.143725有序类分类器0.47270.35788][0.27755至0.66785]<0.0016DMNBtext0.068647AdaBoost-0.140568端0.174559LogitBoost0.2856410MultiBoostAB-0.1405611FT0.17116B. 亚伯拉罕和MS Nair医学信息学解锁17（2019）1002567þþ表8与现有技术的比较。方法数据集病例数GG分类AUCPPVGG>1二次加权KappaKappa一致性95% CIFehr等人[13]第13话GG0.99Seah et al.[15]Le et al. [18个国家]前列腺X-1前列腺X-1（序列）538463> 1/2GG¼1与GG>¼21与GG0.840.909–TJPCaGG¼Wang et al. [19]Jensen et al.[23日]PROSTATEX-1（train）PROSTATEX-2（train）201112> 1/2GG¼1与GG> 1/2-0.962-–GG 1与其余0.85-–GG 2与其余0.89-–GG (1 其余0.83-–GG 3与其余0.94-Abraham等人[21]前列腺X-2-GG（4 × 5）与其余0.86-181 GG 1、2、3、4、50.2772公平Abraham等人[21]Abraham等人[22]前列腺X-2（列）112 GG 1，2，3，4，5前列腺X-2（序列）112 GG 1，2，3，4，5使用稀疏自动编码器。Fehr等人的方法。[13]使用RFE-SVM分类器，Le等人。[18]使用SVM分类器，Jensen et al.[23]使用KNN分类器，亚伯拉罕等人[22]使用LADTree分类器。其他方法使用CNN或Softmax分类器进行分类。据我们所知，没有显着的作品可在文献中描述的方法以外的参考文献。[21，22]利用公共数据集对3D体积进行分类 使用计算机辅助技术将来自MRI的PCa病变分为5个等级组。该方法有一些值得一提的局限性。格里森系统不允许通过一些精确的标准识别低侵袭性癌症[43]。前列腺癌的组织学图像的评价是以主观的方式进行的。癌症分级的主观性导致观察者间和观察者内的显著差异[44，45]。病理学家通常很难评估边缘性病变的侵袭性，如Gleason评分3 4和Gleason评分4 3.然而，有一个复杂性和多样性测量系统，可以对肿瘤的侵袭性进行定量、完全客观的评价[43，45作为未来的工作，我们建议开发计算机辅助技术的基础上，在参考文献中描述的新系统。[43，45MRI也具有某些缺点，因此不能将其视为前列腺癌诊断的金标准。使用PI- RADS标准主观评价MRI图像。然而，该系统具有观察者间和观察者内的可变性。此外，通过MRI识别的那些癌症通常仅部分检测到[49，50]。实验是在具有很少实例的数据集上进行的。 4年级和5年级的培训次数明显较少。我们没有执行任何数据增强技术来增强训练数据的大小。该方法仅在两种情况下能够正确预测4级前列腺癌。这是由于4级PCa可用的训练样本数量较少。即使所提出的方法实现了显著高于现有技术的中等二次加权Kappa评分，诊断的准确性在临床使用之前仍然需要改进。作为未来的工作，我们建议增加训练数据，以便可以提高诊断准确率。4. 结论所提出的方法是能够分类PCa属于不同的等级组与一个温和的二次加权Kappa评分。这是能够预测具有临床意义的PCa， PPVGG>1为0.91。该方法达到了[0.27755，0.66785]的95%置信区间实验结果表明，使用预训练的VGG-16网络提取的特征与有序类分类器相结合对于PCa的分级是中等使用PROSTATEX-2数据集获得的结果优于现有技术。尽管结果很有希望，但需要使用更多数据集进行进一步的实验以确认其效率。为了有效的临床使用，使用所提出的方法实现的诊断准确性需要进一步改进。确认我们感谢AAPM，SPIE，NCI和Radboud大学提供PROSTATEX-22017挑战的数据集我们感谢印度喀拉拉邦Thiruvananthapuram地区癌症中心（RCC）放射学助理教授Anil Prahladan博士建议将计算机辅助前列腺癌检测作为我们的研究课题。我们感谢印度喀拉拉邦大学授予Bejoy Abraham大学初级研究奖学金。引用[1] 放大图片Siegel RL，Miller KD，Jemal A.癌症统计。CA A CancerJ Clin2019;69（1）：7-34. 2019年。[2] Epstein JI.前列腺癌分级：2005年修改系统后的十年。ModPathol 2018;31（S1）：S47。[3] Epstein JI，Zelefsky MJ，Sjoberg DD，Nelson JB，Egevad L，Magi-GalluzziC，Vickers AJ，Parwani AV，Printerer VE，Fine SW，et al. A contemporaryprostatecancer grading system：a validated alternative to the gleason score.欧洲泌尿学2016;69（3）：428-35。[4] Epstein JI，Egevad L，Amin MB，Delahunt B，Srigley JR，Humphrey PA，Committee G，et al. 2014年国际泌尿病理学会（isup）前列腺癌格里森分级共识会议：分级模式的定义和新分级系统的建议。美国外科病理学杂志2016;40（2）：244-52。[5] 张文，张文. 结合前列腺成像报告和数据系统（pi