现阶段，人工智能（AI）已成为规范前列腺磁共振成像（MRI）解释和优化放射医师检测前列腺癌（PCa）表现的一种重要手段。根据2017年进行的全球疾病负担研究，从1990年-2017年，PCa的发病率一直在稳步上升，从每10万人口30.5例提高到37.9例。因此，泌尿生殖系统放射学界已采用构建策略以满足前列腺MRI作为PCa筛查和早期检测工具的激增需求。现阶段，只有在不改变放射科医生的诊断准确性的情况下，简略方案的实施才是可行的。此外，研究一致表明，放射科医生的经验在影像学结果的解释中起着关键作用，在PCa的诊断中也起着关键作用。

随着2019年前列腺成像-报告和数据系统（PI-RADS）2.1版的引入，观察者之间的一致性和读者表现在早期发现前列腺癌方面略有改善。读者经验与图像质量被证明会显著影响PI-RADS评分和诊断性能的读者间差异。根据ESUR/ESUI小组关于MRI的共识声明，要想成为一名基本的前列腺放射医师，需要达到400个病例的门槛，并与专家放射医师达成至少80%的一致。该小组还认为，初级放射医师在独立报告前必须接受至少100个病例的监督及判析。

现阶段，由Giganti等人开发的前列腺成像质量系统（PI-QUAL）解决了对MRI扫描图像质量进行标准化质量控制的需要。该评分以五分制为基础并考虑了各种因素，如图像分辨率、是否存在伪影和技术规范。

人工智能在放射学各领域的实施引发了关于放射科医生的角色是否会过时的广泛讨论。虽然普遍认为人工智能是一种支持而非替代，但缺乏人工智能的基本知识与对其应用的消极态度有关。

近日，发表在Eur J Radiol杂志的一项研究评估了使用市面上的人工智能辅助前列腺MRI软件对前列腺增强型MRI的新手和专家放射医师之间图像判析的影响，为提高前列腺的诊断准确性及一致性提供了技术支持。

 我们的机构进行了一项前瞻性的观察研究，最终有200名接受mpMRI扫描的患者队列。一位受过专业训练的泌尿生殖器放射学专家根据PI-RADS v2.1标准对所有200张扫描进行了解释。扫描结果被分为四批，每批50名患者。四个独立的读者在使用和不使用人工智能辅助软件的情况下对每一批进行评估，对专家和个人报告进行盲审。在每批扫描前和扫描后都有专门的培训课程。根据PI-QUAL对图像质量进行评分，并记录报告时间。读者的信心也得到了评估。在研究结束时对第一批进行了最终评估，以评估性能的任何变化。 

不使用和使用Quantib®的PI-RADS评分协议的总体卡帕系数差异为：读片员1为0.673至0.736，读片员2为0.628至0.483，读片员3为0.603至0.292，读片员4为0.586至0.613。使用PI-RADS≥4作为活检的分界线，AI的AUC从0.799（95 % CI：0.743，0.856）到0.820（95 % CI：0.765，0.874）。使用Quantib时，不同PI-QUAL评分的阅读者之间的一致性较高，尤其是阅读者1和4，Kappa系数值显示出中等至轻微的一致性。 

图 Quantib® Prostate在mpMRI分析步骤中的ROI识别界面。该软件在右下角窗口显示了一个比色图，放射科医生可以用它来识别和分割临床上怀疑是PCa的病变，显示为红色到紫色的区域。为分割的病灶填写PI-RADS评分模板，并生成报告

本项研究表明，如果将Quantib®PI-RADS评分协议作为PACS的补充将有助于提高经验不足到完全是新手的读者之间的一致性，进一步提高了在不同机构、不同医师之间对前列腺癌的诊断准确性。 

原文出处：

Ali Forookhi,Ludovica Laschena,Martina Pecoraro,et al.Bridging the experience gap in prostate multiparametric magnetic resonance imaging using artificial intelligence: A prospective multi-reader comparison study on inter-reader agreement in PI-RADS v2.1, image quality and reporting time between novice and expert readers.DOI:10.1016/j.ejrad.2023.110749

Tags： Eur J Radiol：人工智能在PI-RADS v2.1前列腺癌诊断中的应用及价值