前列腺癌（PCa）是全世界范围内男性第二常见的恶性肿瘤，占男性癌症诊断的五分之一以上。2020年，全世界估计有140万新病例和37.5万与PCa有关的死亡。临床上，为检测PCa而引入的前列腺特异性抗原（PSA）筛查导致了对低风险PCa的过度诊断。主动监测（AS）是一个广泛使用的诊治计划，可减少低风险PCa的过度治疗。接受主动监测的男性通过PSA测量和重复活检进行密切监测以尽早发现疾病的进展，并使后续的治疗效果最大化。

 

连续的MRI为监测PCa患者提供了一种无创的方法，放射科医生经常使用这种方法来比较不同患者就诊时的病情情况，并报告放射学的稳定性或进展情况。PRECISE指南是目前在AS环境下报告连续MRI结果的最佳实践，其依据是PCa病变的大小和特征的变化。然而，目前报告的诊断准确率仍然太低，无法支持基于MRI的监测作为AS方案中重复活检的可靠替代。

 

随着技术的发展，人工智能（AI）可以改善MRI监测。许多研究已经应用深度学习（DL）在单一时间点对MRI上的PCa进行自动检测和定性。然而，到目前为止，还没有任何一项研究探索在连续的前列腺MRI检查中使用差异化的信息。

 

近日，发表在European Radiology杂志的一项研究评估了人工智能辅助的双参数MRI（bpMRI）在自动检测csPCa方面的可行性，为临床更加快速、准确的诊断PCa提供了技术支持。

本项回顾性研究纳入了1513名在2014年至2020年间接受bpMRI（T2+DWI）的患者，其中73名患者接受了至少连续两次bpMRI扫描和重复活检。本研究开发了一个深度学习PCa检测模型以产生所有PIRADS≥2的病变的热图。使用每个病人先前和当前检查的热图来提取不同的体积和可能性特征，以反映检查之间可解释的变化。训练一个机器学习分类器，并根据活检结果从这些特征中预测当前检查中的csPCa（ISUP>1）。使用ROC分析比较了交叉验证的诊断准确率。最佳模型的诊断性能与放射科医生的评分进行了比较。 

当前研究的模型（AUC 0.81，CI：0.69，0.91）比只包括当前研究模型（AUC 0.73，CI：0.61，0.84）的诊断准确性更高（P = 0.04）。添加临床变量进一步提高了诊断性能（AUC 0.86，CI：0.77，0.93）。AI模型的诊断性能明显优于放射科医生（AUC 0.69，CI：0.54，0.81）（P = 0.02）。 

 

图 一名70岁的男性，中央腺体区病变（由每张图像中的紫色轮廓划定），AI正确诊断为非csPCa。之前扫描时的初始活检结果为PCa阴性，而本次检查时的靶向重复活检结果显示为非csPCa（Gleason 3 + 3 = 6）。图中显示了T2加权图像（a，b）和ADC图（c，d），以及之前和当前检查的相应检测热图（e，f）。第二次检查的检测热图显示体积和似然分数基本没有变化。放射科医生给PIRADS评分为4分

 

本研究表明，本研究提出的人工智能辅助前列腺MRI监测可以为临床提供与诊断相关的变化及信息，并具有良好的诊断准确性。

 

原文出处：

C Roest,T C Kwee,A Saha,et al.AI-assisted biparametric MRI surveillance of prostate cancer: feasibility study.DOI:10.1007/s00330-022-09032-7

Tags： European Radiology：人工智能辅助双参数MRI的前列腺癌监测