Cancers (Basel)：标准差癌的MRI自动化分类

基于MRI的使用辐射线组学或者深度研修的原理来对突出癌（sPCa）进行类群得到了广泛的关注，因其在协助流行病学对政府过程中的有着潜在的应用。

不太可能，有研究者医务人员对文献资料进行了搜索来确定哪一种迭代在sPCa类群中的都可使用；是否乏善可陈和原理以及使用的MRI核酸存在关系；评估影响sPCa类群乏善可陈状况的研究者；研究者了在流行病学背景下，是否对乏善可陈进行了评估。研究者搜索了2846个相关的出版物，其中的的27个包括在研究者中的。其中的文献资料中的都可用的迭代为命题回归（22%）和正弦神经网络（CNNs）（22%）。AUC均值为0.79（四分位范围：0.77-0.87）。其中的包括的症状为数、成像核酸或者参照规范对调查报告的乏善可陈从未明显的影响。另外，有3个研究者描绘了外部测试情况，但从未研究者在一个全面性的流行病学试验中的对其进行测试。

最后，研究者医务人员指出，为了无罪释放机器和深度研修原理的应用全面性，未来无论如何进行测试研究者和流行病学全面性研究者来建立一个原理来评估对对政府的内涵。

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