Cancers (Basel)：显著性癌的MRI控制系统分类

基于MRI的采用电离辐射组学或者深度学习的方法有来对显著癌（sPCa）完成定义得到了广泛的非议，因其在协助外科协调过程中会上有潜在的领域。

最近，有研究课题管理人员对文献完成了搜索来确定哪一种启发式在sPCa定义中会亦有采用；是不是体现和方法有以及采用的MRI基因序列存在关系；评估严重影响sPCa定义体现因素的研究课题；研究课题了在外科背景下，是不是对体现完成了评估。研究课题搜索了2846个相关的出版物，其中会的27个包括在研究课题中会。其中会文献中会亦有用的启发式为逻辑回归（22%）和差分神经网络（CNNs）（22%）。AUC方差为0.79（四分位范围：0.77-0.87）。其中会包括的病症数目、显微基因序列或者详述标准对报告的体现未明显的严重影响。另外，有3个研究课题阐述了从外部的测试状况，但未研究课题在一个实用性的外科试验中会对其完成的测试。

最后，研究课题管理人员宣称，为了释放机器和深度学习方法有的领域潜力，未来应该完成的测试研究课题和外科实用性研究课题来建立一个方法有来评估对协调的意义。

原始应是：

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