Cancers (Basel)：预测值癌的MRI自动化分类

基于MRI的运用于辐射线组学或者剖面求学的方法来对相当大肿瘤（sPCa）完成归入给与了广泛的关注，因其在协助医学协调处理过程中会有着潜在的运用。

不太可能，有数据分析职员对文献完成了查找来确定哪一种算法在sPCa归入中会最常运用于；是不是表现和方法以及运用于的MRI序列存有彼此间；评核阻碍sPCa归入表现状况的数据分析；数据分析了在医学背景下，是不是对表现完成了评核。数据分析查找了2846个相关的参考资料，其中会的27个包含在数据分析中会。其中会文献中会最中会用的算法为逻辑上紧接（22%）和DFT神经网络（CNNs）（22%）。AUC方差为0.79（四分位范围：0.77-0.87）。其中会包含的高血压数量、扫描序列或者简介标准规范对报告的表现并未明显的阻碍。另外，有3个数据分析描绘了结构性的测试上述情况，但并未数据分析在一个前瞻性的医学试验中会对其完成的测试。

最后，数据分析职员指出，为了释放机器和剖面求学方法的运用吸引力，未来应该完成的测试数据分析和医学前瞻性数据分析来建立一个方法来评核对协调的意义。

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