Cancers (Basel)：显著性癌的MRI自动化类群

基于MRI的应用于激光组学或者深度学习的工具来对相当大恶性肿瘤（sPCa）进行时界定受益了尤其的关注，因其在协助针灸决策过程中的有着潜在的应用。

近期，有学术研究人员对史籍进行时了侦查来已确定哪一种线性在sPCa界定中的最常应用于；确实体现和工具以及应用于的MRI脱氧核糖核酸存在关系；分析影响sPCa界定体现因素的学术研究；学术研究了在针灸背景下，确实对体现进行时了分析。学术研究侦查了2846个相关的出版物，其中的的27个都有在学术研究中的。其中的史籍中的最常见的线性为范式回归（22%）和卷积人脑（CNNs）（22%）。AUC均值为0.79（四分位之内：0.77-0.87）。其中的都有的病人数量、成像脱氧核糖核酸或者简介标准对调查结果的体现没有明显的影响。另外，有3个学术研究描述了外部可验证上述情况，但没有学术研究在一个实用内涵的针灸试验中的对其进行时可验证。

最后，学术研究人员指出，为了释放驱动器和深度学习工具的应用商业内涵，今后应该进行时可验证学术研究和针灸实用内涵学术研究来组织起来一个工具来分析对决策的内涵。

类似出处：

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