2023年水质检测仪十大品牌排行榜
1绿之源京东旗舰店9.8品牌指数
上榜理由：产品涵括活性炭、口罩、清洁喷剂、空气检测仪等空气净化产品。绿之源致力于空气净化产品的研发、生产及运营，且新型空气净化产品椰壳活性炭在国内市场上由其研创。【展开】
所属公司：万佳国际集团品牌源地：北京创立时间：2009年得票数：1037427点赞数：16317分享数：168好评率：86.09%其他上榜榜单：测水笔空气检测甲醛检测仪品牌介绍>绿之源品牌详细内容点击展开2绿驰/GREENSKY京东旗舰店9.6品牌指数
上榜理由：广州素沛日用品有限公司，绿驰Greensky，专业从事室内空气污染治理及汽车后服务的健康日用品企业，其产品在天猫、京东、人人乐等线上线下大型商场有销售。【展开】
所属公司：广州素沛日用品有限公司品牌源地：广州创立时间：2012年得票数：1036162点赞数：1852分享数：279好评率：90.56%其他上榜榜单：测水笔测水仪检测笔甲醛检测仪品牌介绍>绿驰/GREENSKY品牌详细内容点击展开3家贝京东旗舰店9.6品牌指数
上榜理由：广州家贝水处理有限公司成立于2009年6月19日。家贝公司包括“广州家贝水处理有限公司”和”广州家贝科技有限公司“，共同持有”家贝“品牌商标，公司集研发、设计、生产、销售于一体。公司专注水质检测16年，成功开发出水质检测笔、电解器、矿物质笔和比色器等独家专利产品。【展开】
所属公司：广州家贝水处理有限公司品牌源地：广州创立时间：2009年得票数：51353点赞数：9310分享数：40好评率：92.26%其他上榜榜单：水质测试笔测试液锌试剂品牌介绍>家贝品牌详细内容点击展开4得力/DELI京东旗舰店9.4品牌指数
上榜理由：文具用品知名品牌、五金工具知名品牌、中国驰名商标、中国文具百环奖、办公文具行业领导品牌。始创于1988年，历经20年的探索与拼搏，目前已成长为国内颇大的综合文具供应商。集团现有员工6800余人，旗下拥有4大文具品牌、2大设计研究院、8大研发中心、5大制造基地、14个生产子公司、60多家销售分公司及办事处、5000家经销商和50000家销售终端，在全球100多个国家建立了得力自有品牌营销机构和合作伙伴。【展开】
所属公司：得力集团有限公司品牌源地：宁波创立时间：1995年得票数：207777965点赞数：168521分享数：870好评率：92.83%其他上榜榜单：胶柄尺寸标塑料棒珠结绳品牌介绍>得力/DELI品牌详细内容点击展开5标康京东旗舰店8.9品牌指数
上榜理由：标康是一家出口转内销的国内品牌，企业创立于2012年，以生产家装、五金工具、家居用品为主，并出口日韩、东南亚等国家及地区。2017年开始国内销售，标康定位为更多的普通家庭提供简单更好用的工具。【展开】
所属公司：标康科技(深圳)有限公司品牌源地：深圳创立时间：2012年得票数：928431点赞数：87分享数：0好评率：96.67%其他上榜榜单：ph笔电导率笔角码支架板品牌介绍>标康品牌详细内容点击展开6希玛/SMART京东旗舰店8.9品牌指数
上榜理由：东莞万创电子制品有限公司，远红外测温仪知名品牌，著名的测试测量仪器专业生产厂家，研发和生产仪器仪表已有多年历史，香港恒高电子集团旗下，红外测温仪、测振仪、测厚仪、声级计等产品的专业制造商。【展开】
所属公司：东莞万创电子制品有限公司品牌源地：东莞创立时间：2004年得票数：734333点赞数：432分享数：219好评率：87.45%其他上榜榜单：声级计辐射检测仪器多用表镀层测厚仪品牌介绍>希玛/SMART品牌详细内容点击展开7力辰科技/LICHEN京东旗舰店8.8品牌指数
上榜理由：力辰科技品牌成立于2014年1月7日，隶属于湖南力辰仪器科技有限公司，是一家集科研生产、经销批发、招商代理于一体的大型实验室仪器服务商，主要从事各类通用仪器、分析仪器、生命科学仪器等设备的研发、生产、销售与技术服务。【展开】
所属公司：湖南力辰仪器科技有限公司品牌源地：长沙创立时间：2014年得票数：496842点赞数：3419分享数：5好评率：90.07%其他上榜榜单：高温炉乳钵电阻炉农残检测仪品牌介绍>力辰科技/LICHEN品牌详细内容点击展开8雷磁京东旗舰店8.7品牌指数
上榜理由：成立于201年中国上海，上海雷磁是仪电科学仪器股份有限公司的自主品牌，作为国内最大的集开发、制造和服务为一体的高科技企业，长期以来专注于分析仪器事业，明确战略方向和发展目标，坚持不懈，锐意进取，营造良好的企业文化。坚决实施产品发展策略，不断创新，提高核心技术，与时俱进，赶超国际先进水平，产品门类齐全，已拥有两百多项专利和自主知识产权。【展开】
所属公司：品牌源地：上海创立时间：2011年得票数：128535点赞数：69118分享数：6好评率：94.7%其他上榜榜单：电位计生化仪消解器水质ph值检测仪品牌介绍>雷磁品牌详细内容点击展开9佰霖京东旗舰店8.7品牌指数
上榜理由：隶属于河南佰霖仪器设备有限公司，是一家专注仪器仪表品牌，旗下专营水质检测仪，农残检测仪，食品安全检测仪，大气环境检测仪等各类检测仪器。【展开】
所属公司：河南佰霖仪器设备有限公司品牌源地：郑州创立时间：2020年得票数：22671点赞数：100分享数：100好评率：90.91%其他上榜榜单：工业内窥镜生化仪静电计浊度仪品牌介绍>佰霖品牌详细内容点击展开10云唐科器京东旗舰店8.6品牌指数
上榜理由：“云唐科器”是山东云唐智能科技有限公司旗下的主推品牌，公司主营业务是研发、生产、销售：农药残留检测仪、兽药残留检测仪、土壤养分检测仪、食品安全检测设备等仪器仪表，为食品药品监督委员会、第三方检测机构，以及各大高校研究院、农副产品检测等相关领域提供综合解决方案。【展开】
所属公司：山东云唐智能科技有限公司品牌源地：潍坊创立时间：2015年得票数：62217点赞数：100分享数：0好评率：90.91%其他上榜榜单：反射仪水分仪余氯检测仪采样器品牌介绍>云唐科器品牌详细内容点击展开人工智能“验血”，全新角度检测癌症
人工智能“验血”，全新角度检测癌症时间:2020年03月13日|作者:Admin|来源:学术经纬来自加州大学圣地亚哥分校（UCSD）的科学家，训练人工智能从血液中鉴定来自微生物的线索，不仅可以识别出癌症，还能对不同类型的癌症做出区分。顶尖学术期刊《自然》今天上线了一项有关癌症诊断的重要研究。来自加州大学圣地亚哥分校（UCSD）的科学家，训练人工智能从血液中鉴定来自微生物的线索，不仅可以识别出癌症，还能对不同类型的癌症做出区分。研究机构评价说，这项新的诊断工具，“可能会改变人们观察和诊断癌症的方式”。
我们知道，目前大多数癌症在诊断时需要进行手术活检，从可疑的肿瘤部位取出样本，并由富有经验的专家寻找某些与癌症相关的分子标记物。这样的方法耗时、昂贵，还因为是入侵式的，可能给患者带来痛苦。
正因为如此，很多科研人员正在努力开发液体活检技术，希望通过简单的验血，快速识别出特定的疾病。
现有的各种液体活检技术，检测目标大多针对我们自身的基因组，例如血液中从肿瘤脱落的DNA，或是特定的蛋白质等。而在今天要介绍的这项新技术中，研究人员另辟蹊径，让我们体内的“外来者”透露肿瘤的信息。
世界上几乎各个角落都有细菌、病毒等微生物的存在，人体内也不例外。事实上，常驻人体的微生物数量远超我们自己的细胞数量，它们的核酸片段（DNA或RNA）经血液游荡在我们全身。
近年越来越多的研究证据开始显示，人体微生物对多种类型的肿瘤有“贡献”。就以微生物最丰富的部位肠道为例，学术经纬在过去也和读者朋友们介绍过多项研究，有些肠道细菌可能引发结直肠癌，还可能通过免疫系统影响肝癌的发生、诱发白血病，等等。
正在UCSD医学院攻读博士的GregoryPoore和他的导师RobKnight教授也注意到了细菌、病毒和癌症的关系，并且猜想，这些微生物在癌症中起的作用或许比现在所知的更大。“以前的癌症研究工作大多假设肿瘤是在无菌环境，而忽略了人的癌细胞与细菌、病毒以及其他生活在人体的微生物可能有复杂的相互作用。”Knight教授说。
于是，他们有了一个全新而大胆的思路：分析血液中来自微生物的遗传物质，可以根据其特征模式来识别体内的肿瘤吗？
研究人员第一步通过已有的人类肿瘤样本，来确认癌症相关的微生物核酸特征。他们从美国国家癌症所“癌症基因组图集”数据库（TCGA）获得了大约18000份样本，对其全基因组数据（DNA序列）和全转录组数据（RNA序列）重新检查。这些样本涵盖了33种癌症、10000多个病例，包括原发性和复发性肿瘤以及转移扩散的肿瘤，既有肿瘤组织也有相邻组织和血液样本。
从几千份样本中找到独特的微生物特征后，研究人员把工作交给了人工智能，训练机器学习模型来挖掘大量数据，把特定的微生物序列特征与特定的癌症相匹配。
为了尽量避免在样本采集、测序等各个步骤中可能存在的微生物污染问题，研究人员对数据集做了严格的生物信息学过滤。而且，在癌症3期、4期的数据从数据集中去除后，发现模型依然可以对许多癌症做出区分，这意味着，癌症的早期阶段就能从血液中读取出特定的微生物核酸特征。
接下来，要让这套AI模型在真实世界中接收检验。来自UCSDMoores癌症中心的合作者提供了包括前列腺癌、肺癌和黑色素瘤等100名患者的样本，让AI对每份血浆中的微生物核酸特征进行鉴定，并与69名健康无癌个体的血样进行比较。
分析取得了令人欣喜的结果，机器学习模型不仅可以区分患癌和无癌的样本，还相当擅长区分不同类型的癌症：以86%的敏感性识别出肺癌患者，对于无肺部疾病的个体没有出现假阳性报告，并且以81%的准确率区分出前列腺癌和肺癌。
“只要一管血，就能够全面了解肿瘤细胞的DNA和患者微生物群的DNA，可以说，我们迈出了重要的一步，来更好地理解癌症中宿主-环境的相互作用。”这项研究的共同负责人、肿瘤学家SandipPravinPatel博士说。他相信，如果这项研究结果能经过未来的检验，“可能会对癌症患者的诊疗和癌症早诊有重要影响”。
当然，作为一项早期的概念验证研究，这种检测方法要应用到临床还需要做大量工作，而我们对微生物在人体中的作用、在肿瘤微环境中的作用也还有许多需要回答的问题。正如研究者所言，“这只是研究血液微生物群和癌症相互作用的开始”。但随着新认识的积累，我们期待一条全新的治疗途径在脚下展开。
相关文章自我隔离14天了？来看看七年2020-03-0611:02:37实验室里搭建“模拟市场”再2020-03-0610:53:04真的不能再胖了！肥胖让你“2020-03-0410:12:36如果想找对象你就拍拍手：灰2020-03-0409:57:42想要预防衰老，你需要先知道2020-03-0409:44:29获取评论失败人工智能在前列腺 MRI 中的任务
精准医学的出现、不断增加的临床需求和成像的可用性以及前列腺癌诊断途径中的许多其他因素促使了人工智能(AI)的利用。人工智能在前列腺癌诊断途径的每一步都有大量潜在应用，从分类/改善前列腺多参数磁共振图像质量、前列腺分割、解剖学分割癌症可疑病灶、检测和区分体素上临床上不显着的癌症和临床上显着的癌症-级，并将整个病变分类为前列腺成像报告和数据系统类别/格里森评分。所有这些领域的多项研究表明，许多有希望的结果接近放射科医生的准确度。尽管这项研究蓬勃发展，但仍需要更多前瞻性多中心研究来揭示AI在提高放射科医生绩效和前列腺癌临床管理方面的全部影响和效用。在这篇叙述性评论中，我们旨在介绍新兴的医学影像AI论文质量指标，例如医学影像人工智能清单(CLAIM)和领域加权引文影响(FWCI)，深入研究一些顶级AI模型进行细分，检测、分类。
人工智能(AI)是一个涵盖机器学习(ML)和深度学习(DL)的总称。传统的ML方法通常需要几个预处理步骤，包括解剖分割和特征提取，而DL是ML的一个子领域，不一定依赖于手工制作的特征并独立识别特征以生成所需的输出预测[1、2]。DL比ML更常见，它利用人工神经网络，这些人工神经网络使用受生物神经网络启发并部分建模的统计模型。人工神经网络的使用允许近似输入和输出之间的非线性关系[3].前列腺癌(PCa)管理的一个主要挑战是缺乏可以区分临床显着PCa(csPCa)和临床无显着PCa(cisPCa)的非侵入性工具，从而导致过度诊断和过度治疗。csPCa有许多不同的定义，范围从Gleason评分≥6或≥7到各种临床因素，包括前列腺特异性抗原(PSA)截断值、前列腺外扩展的存在和活检核心癌症百分比[4]。在大多数研究中，csPCa最常见的定义是Gleason评分≥7。
人工智能可以解决前列腺癌诊断途径中的许多挑战和潜在的改进，其共同目标是可能减少cisPCa过度诊断和csPCa诊断不足。AI可能有助于改进良性和恶性实体的癌症检测和/或分类，它可能有助于在磁共振成像(MRI)扫描中分割可疑病灶和正常解剖结构，以执行体积估计或利用经直肠超声引导的治疗计划等任务活检[5]。AI还可以帮助初步评估或分流前列腺多参数MRI(mpMRI)病例（即，挑选/识别具有更多非典型图像特征的前列腺MRI检查）和图像质量（即.,将mpMRI扫描分类为诊断性与非诊断性）[6–8]。PCa诊断路径中的所有这些步骤可能会受到各种来源的低读者间协议的影响，AI也可能能够改进这些来源。一旦证明了AI系统的临床疗效，就可以将临床部署设想为一个伴随系统，该系统在放射科医师进行临床阅读期间为他们创建注意框/地图，作为提供独立诊断的第二个阅读器，或者可以用作患者分诊系统[9]。
在这篇叙述性评论中，我们介绍了新兴的医学影像AI论文质量指标，例如医学影像人工智能清单(CLAIM)和领域加权引文影响(FWCI)，深入研究了一些用于分割、检测的顶级AI模型，和分类，并提及放射科医生工作流程中的潜在影响领域（图1）。
图1
组合多参数磁共振成像的三个序列的潜在人工智能输出示例，其中(A)代表识别边界框的检测臂，(B)代表病变分割臂，(C)代表分类臂从预注释的边界框、病变分割或完整的非注释图像中对病变进行分类的能力。EPE前列腺外扩张、GSGleason评分、ISUP国际泌尿病理学会、PI-RADS前列腺影像报告和数据系统
图2
人工智能驱动的前列腺分割对放射科医生工作流程的潜在影响。一名血清PSA为13.5ng/mL的6岁男性患者：多参数MRI（T2加权序列、ADC图；以及使用b=1,500s/mm2获得的弥散加权图像）(A)；可以运行全前列腺器官和病变检测/分割的手动分割或AI(B); 分割输出有助于计算变量，如PSA密度和最大病变尺寸和分类（AI可以潜在地分配PI-RADS分数或预测前列腺外扩展的怀疑以生成报告（C）；输出分割可用于注册到用于TRUS/MRI融合引导活检的超声(D）。AI人工智能、ADC表观扩散系数、MRI磁共振成像、PI-RADS前列腺影像报告和数据系统、PSA前列腺特异性抗原、TRUS经直肠超声
CLAIM和FWCI
CLAIM于2020年[10 ]开发，旨在帮助作者介绍研究成果并帮助审稿人审阅已发表的医学成像AI手稿。CLAIM清单根据诊断准确性研究报告标准STARD指南进行了修改，专门用于解决AI在医学成像中的应用，包括分类、检测、重建和工作流程优化。该清单包含42条标准，这些标准应被视为或视为呈现医学影像AI研究的“最佳实践”[10 ]。这个CLAIM清单可以很容易地转化为CLAIM实现的百分比，这是一个客观评估，基于是否通过满足适用的CLAIM要求以被认为是“最佳实践”的方式报告论文与如果他们不这样做。
FWCI是一种常见的Scopus文章指标，是收到的总引用次数与根据主题领域的平均值预计的总引用次数的比率。FWCI为1意味着该论文的表现与全球平均水平的预期一致，而大于1意味着该论文的引用率高于全球平均水平的预期（FWCI为1.48意味着该论文的引用率比预期高48%），低于1表示论文被引用低于全球平均水平的预期。CLAIM和FWCI都可以用作文章/研究影响力和严谨性的标记，并鼓励在AI手稿报告和评估中使用。
总共有29篇分类/检测论文：18篇检测论文，4篇检测和分类论文，2篇没有注明。将创建分类模型的论文（n=29）与创建检测模型的论文（n=18）进行比较时，分类模型的平均AUC为0.843（29份报告中的n=25），检测模型的平均AUC为0.832（n=1518份报告），而分类模型的平均现场加权影响因子为4.79（29份报告中的n=26），检测模型为3.64（18份报告中的n=18），平均CLAIM完成率为77.8%（n=29篇报告中的29篇）用于分类论文，71.2%用于检测论文（n=18篇报告中的18篇）。
在样本论文的领域加权影响因子方面排名前25%的分类和检测论文以及具有最大样本量和最高CLAIM百分比实现率的论文在下面讨论，因为我们认为这些论文将代表最具影响力并且可能具有普遍性。此外，还介绍了新兴的细分AI论文，这些论文在之前的评论中没有涉及.
基于人工智能的前列腺分割
前列腺分割AI被开发用于提取感兴趣的解剖/病变区域，类似于手动分割，但试图解决由不同经验的读者和不同质量的MRI扫描引起的分割的可变性[18]。典型的解剖学AI分割训练/推理工作流程如图1所示。的3个来自前列腺尿道分割AI模型[19]。分割AI将尝试输出所需对象/感兴趣体积的确切轮廓（图1）。的1个b).前列腺及其相关结构的分割对于识别其包膜、前列腺区、尿道和前列腺内病变位置非常重要。识别这些区域有助于改善良性前列腺增生的治疗、手术和靶向活检计划、放射治疗剂量/毒性计算，以及预测癌症特异性生存和预后[5、20 ]。
图3
分割AI的典型训练/推理/评估工作流程显示了用于前列腺尿道自动分割的三维CNNU-Net。首先，原始T2加权图像经过强度归一化、尺寸缩放/裁剪的预处理，并且为了训练图像经过额外的数据增强。其次，将预处理后的图像输入CNN，输出预测或白色分割。第三，将真实的红色尿道轮廓与AI预测的白色轮廓进行比较，计算损失或差异，并将该损失传回CNN以调整神经元权重。在最后阶段，使用Dice相似系数对AI模型进行性能评估。人工智能CNN_卷积神经网络
前列腺MRI的分割具有重要的临床用途，例如准确估计整个前列腺体积以计算血清前列腺特异性抗原(PSA)密度和MRI数据准备以用于经直肠超声/MRI融合引导活检系统中的活检指导和放疗计划.前列腺及其子器官（如尿道）的手动分割是一项耗时的任务，并且很容易出现操作者之间的差异[21]。AI已普遍用于前列腺分割，目前很少有针对这一耗时过程的商业解决方案[7]。
最近，据报道基于DL的AI解决方案通常可以为前列腺及其区域的分割提供强大的性能。在Wang等人的一项研究中。[11]，具有深度监督的三维(3D)全卷积网络被用于开发用于T2加权MRI的全自动前列腺分割模型。作者报告了整个前列腺的AI模型和手动分割之间的平均Dice相似系数为0.88（范围0.83-0.93）。王等。[11]利用交叉熵损失和余弦损失的组合损失函数为了利用他们的个人优势，并尝试取得更好的定量和定性绩效。交叉熵损失通常针对体素级精度进行优化，而余弦相似性损失等其他损失函数有助于提高分割质量。在另一项研究中，Ushinsky等人。[12]开发了一种基于混合3D-二维(2D)U-net的分割算法，用于在299名患者的T2加权MRI上自动定位和分割前列腺。与手动分割相比，基于AI的整个前列腺分割模型的平均Dice相似系数为0.898（范围，0.890–0.908）。Ushinksy等人的模型。developed同时利用来自多个轴向切片的特征来更好地构建单个2D图像。他们说这种架构模仿放射科医生，他通常会在对一个2D图像做出决定之前解释多个轴向图像。最后，在Sanford等人的一项研究中。[13]，一种将2D和3D架构与迁移学习结合相结合的DL方法用于在648名患者中开发整个前列腺和过渡区分割算法。该研究报告了整个前列腺和过渡区的平均Dice相似系数分别为0.931和0.89。这项研究采用了一种数据增强策略，该策略针对五个不同中心的MRI数据的腺体变形、强度变化和图像采集变化，这种新策略将整个前列腺和过渡区分割性能分别提高了2.2%和3%。前列腺分割AI是前列腺MRI工作流程中研究最多的部分，目前的研究表明，基于3DDL的应用程序可以为放射科医生在前列腺MRI读出和活检计划期间的这项耗时任务提供最先进的解决方案。数字的3个说明了分割AI如何改进和补充放射科医生的工作流程。上面讨论的许多用于前列腺及其子器官的解剖分割的策略也适用于可疑病变分割。
前列腺内病变AI检测
用于前列腺癌检测的AI主要用于识别前列腺MRI扫描中的癌症可疑区域，不需要放射科医生事先对病变进行注释[8]。基于AI的检测模型的范围可能从两类病变检测（csPCa与cisPCa）系统到多类病变检测系统，例如国际泌尿病理学会(ISUP)评分[22]或前列腺成像报告和数据系统（PI-RADS）评分[16]。与通常提供图像中对象的准确轮廓的分割相比，基于AI的检测有助于在可疑对象周围创建边界框（图1）。的1个一种）。迄今为止，一些研究已经评估了为在mpMRI上检测前列腺癌而开发的AI算法。尽管在特征提取、MRI技术和研究人群方面存在许多差异，但这些研究证明了稳健的检出率：75%至80%或更高。值得注意的是，这在报告的放射科医生表现范围内[1]。
对于基于AI的检测，已经有多项验证研究调查这些AI是否真的对放射科医生的工作流程产生影响。在最近的一项多读者、多机构研究中，Gaur等人。[23]表明，当与PI-RADSv2[24]分类相结合时，基于AI的检测提高了特异性。这种基于AI的检测还略微提高了放射科医生的效率，并发现PIRADSv2≥3的指数病变敏感性为78%[23]。Litjens等人。[25]和宋等。[26]还证明，当结合基于AI的预测和PI-RADSv2时，癌症检测和csPCa与顺式PCa的区分得到改善[25,26]。
进一步讨论了开发检测AI的顶级AI研究。Cao等人的一篇DL论文的CLAIM完成率为68.3%，FWI为6.04。[14]在接受mpMRI[14]的417名患者的数据集上开发了联合前列腺癌检测和格里森评分预测模型。该模型结合了T2加权涡轮自旋回波成像和使用扩散加权回波平面成像的表观扩散系数(ADC)映射，并将它们堆叠为不同的成像通道，然后输入端到端的多类FocalNet美国有线电视新闻网。Cao等人的一个独特补充。[14]made就是他们所说的相互寻找损失.它试图解决mpMRI的不同组件（T2加权和扩散加权序列、ADC图、动态对比增强序列）捕获不同信息并且当堆叠在多通道AI中时只有一部分信息在所有组件之间共享的挑战检测（图的1个一种）。因此，在一个组件中可观察到的结果可能在其他组件中部分可观察或不可观察。在端到端AI模型训练期间，Cao等人提出的具有堆叠组件的CNN。[14]可以学习跨组件的共同特征，有效地模拟放射科医生阅读mpMRI的正常过程，基于mpMRI子组件的各种成像发现的组合。对于组织病理学证实的指标病变和临床显着病变的检测，他们的FocalNet在每位患者出现一次假阳性时达到了89.7%和87.9%的灵敏度，并且显示灵敏度仅比经验丰富的放射科医生使用PI-RADSv2的灵敏度低3.4%和1.5%[14].Ishioka等人的另一篇DL检测论文，其CLAIM完成率为75%，FWI为7.69。[15]通过将U-net与ResNet50相结合展示了AI网络集成的强大功能，并引入了神经网络可解释性和概率图。U-net有可能区分整体和局部骨盆结构，然后ResNet可以重新构造CNN层以将它们学习为残差函数，而不是学习未引用的函数。人们普遍认为，残差函数允许AI与中间CNN层通信，从而有助于消除AI中的梯度消失问题。Ishioka等人的一项独特贡献。[15]是CNN中特征和概率图的可视化，作为解释AI最常使用哪些成像特征进行预测的一种方式[15]。这些特征图对于试图解释神经网络的逻辑结构至关重要，神经网络通常表示为“黑匣子”，可能表现为特征图、显着性图或概率图[见图1]。的4个显示AI检测的概率图]。总体而言，前列腺内病变检测是前列腺MRI读数中最关键的步骤之一，它需要大量的专业知识，并且通常容易出现观察者间差异。目前，这项任务存在相当多的基于研究的人工智能模型，但要记录它们对改善临床管理的实际影响，主要包括活检决策，需要前瞻性和多中心研究。
图4
多通道前列腺病变计算机辅助检测模型输出前列腺区域的概率图和轮廓以进行解释
前列腺内病变AI分类
前列腺内病变分类AI模型用于对完整图像进行分类或对预先注释的感兴趣区域进行分类，范围从两个类别（csPCa与cisPCa）到多个单独的类别（组织病理学分级，也称为ISUP评分或PI-RADS评分），如图所示在图的1个.AI病变分类通常不执行体素级预测，但通常基于整个图像/感兴趣区域。顺式PCa患者是ISUP2或更低的患者，通常有资格接受主动监测，而具有更高级别病变（如ISUP大于2）的男性通常被建议接受积极治疗，例如局部治疗、根治性前列腺切除术或放疗[8]。
准确的病变分类对于选择合适的管理方案很重要，因为任何一种疗法都有多种副作用。减少不必要的活检对于预防常见的活检并发症很重要，包括感染、血尿、直肠出血、血精症、下尿路症状和暂时性勃起功能障碍[4]。Suarez-Ibarrola等人。[2]在文献中发现，他们所研究的算法的病变分类准确度与放射科医生使用PI-RADS[2]提供的准确度相当。一项索赔实现率为68.3%且FWI为6.81的原始研究[16]开发了一种分类CNN，用于(i)检测癌症与非癌性病变和(ii)区分csPCa与惰性cisPCa。本文设计了一种新的相似性损失函数，类似于Cao等人使用的相互发现损失。[23]，允许融合来自ADC图和T2加权图像的共同和一致的特征。这使得CNN能够“看到”PCa在整个成像序列光谱中的真实视觉模式。否则，如果没有相似性损失函数，来自不同mpMRI序列（例如T2加权图像）的成像特征将无法填补其他功能序列（例如ADC图、扩散加权图像）产生的信息空白，反之亦然。
乐等。[16]然后使用支持向量机分类器将多模态CNN的分类结果与基于手工特征的结果相结合。来自364名患者（共有463个PCa病变和450个非癌性病变）的广泛临床数据集的实验结果表明，他们的系统在区分癌组织和非癌组织方面可以达到89.9%的灵敏度和95.8%的特异性。关于csPCa与cisPCa，他们实现了100.0%的灵敏度和76.9%的特异性。与仅依赖手工特征的最先进方法相比，本文还展示了卓越的性能[16]。另一项原创性研究[17]以70.6%的CLAIM实现百分比和23.12的FWI开发了XmasNet，这是一种基于CNN的新型深度学习架构，用于MRI上前列腺病变的分类。这项研究表明，凭借通过3D旋转和切片增强数据的优势，他们的XmasNet优于基于工程特征的传统ML模型。他们的XmasNet优于来自33个参与组的69种方法，并在2017年PROSTATex挑战中获得第二高的AUC(0.84)。与前列腺内病变检测AI模型一样，针对前列腺内病变分类任务定义了几种基于研究的AI算法，需要进一步研究来描述这些AI模型在放射科医生表现中的优势。
推进未来的AI研究
AI可能在进一步改善前列腺MRI对局部PCa临床管理的贡献方面发挥重要作用。前列腺MRIAI的大部分工作揭示了前列腺MRI解释和活检数据处理的各种任务的有希望的结果；然而，这项工作中只有相当有限的部分已经到达临床的实际转化阶段，因此人工智能对前列腺MRI工作流程的明显好处还有待证明。为此，“必须”之一是在前瞻性临床试验中证明AI的益处。潜在的好处可以列为与放射科医生相比提高的性能以及减少读出时间和读者间差异。与AI一起舒适地向前发展将需要这种关键的前瞻性多中心评估。
结论
AI是前列腺MRI的一个常见研究主题，几个小组报告了用于前列腺分割、前列腺内病变检测和分类任务的AI模型，并取得了有希望的结果。所讨论应用程序中的一些最佳模型利用3DAI模型和特殊损失函数，它们试图结合发现并填补由不同mpMRI序列引入的空白。需要采用多中心设计的前瞻性研究来描述人工智能对放射科医生的表现和前列腺癌临床管理的影响。
BelueMJ,TurkbeyB.TasksforartificialintelligenceinprostateMRI.EurRadiolExp.2022Jul31;6(1):33.doi:10.1186/s41747-022-00287-9.PMID:35908102;PMCID:PMC9339059.