Точная ранняя диагностика клинически значимого рака предстательной железы (csPCa) критична для улучшения выживаемости пациентов. В ретроспективном исследовании проанализированы данные бипараметрической МРТ (bpMRI) от 410 пациентов. Классификационная модель построена на базе сети VGG-16 с интеграцией Grad-CAM для визуальной интерпретируемости, Monte Carlo Dropout (MC-Dropout) для оценки неопределённости и механизма отклонения ненадёжных предсказаний. Эффективность оценивали по ROC-кривым и площади под кривой (AUC).

Для всех предсказаний общая точность модели составила 79,3% до применения механизма отклонения. При пороге достоверности 0,8 было сохранено 80,8% предсказаний, среди которых селективная точность достигла 94,6%, с 99 ложноположительными и 2 ложноотрицательными результатами. Точность модели превзошла показатель опытного радиолога (94,6% vs 90,8%). Качественная визуализация Grad-CAM показала, что классификатор часто присваивал высокую активацию МРТ-зонам, подозрительным в отношении csPCa; однако количественное пространственное соответствие с аннотированными очагами не оценивалось.

Модель с оценкой достоверности идентифицирует очаги csPCa и предоставляет надёжные показатели уверенности без разметки на уровне пикселей. Отклонение неопределённых предсказаний повышает прозрачность и безопасность клинического принятия решений.