前列腺癌（PCa）是全世界范圍內男性第二常見的惡性腫瘤，占男性癌癥診斷的五分之一以上。2020年，全世界估計有140萬新病例和37.5萬與PCa有關的死亡。臨床上，為檢測PCa而引入的前列腺特異性抗原（PSA）篩查導致了對低風險PCa的過度診斷。主動監測（AS）是一個廣泛使用的診治計劃，可減少低風險PCa的過度治療。接受主動監測的男性通過PSA測量和重復活檢進行密切監測以盡早發現疾病的進展，并使后續的治療效果最大化。

 

連續的MRI為監測PCa患者提供了一種無創的方法，放射科醫生經常使用這種方法來比較不同患者就診時的病情情況，并報告放射學的穩定性或進展情況。PRECISE指南是目前在AS環境下報告連續MRI結果的最佳實踐，其依據是PCa病變的大小和特征的變化。然而，目前報告的診斷準確率仍然太低，無法支持基于MRI的監測作為AS方案中重復活檢的可靠替代。

 

隨著技術的發展，人工智能（AI）可以改善MRI監測。許多研究已經應用深度學習（DL）在單一時間點對MRI上的PCa進行自動檢測和定性。然而，到目前為止，還沒有任何一項研究探索在連續的前列腺MRI檢查中使用差異化的信息。

 

近日，發表在European Radiology雜志的一項研究評估了人工智能輔助的雙參數MRI（bpMRI）在自動檢測csPCa方面的可行性，為臨床更加快速、準確的診斷PCa提供了技術支持。

本項回顧性研究納入了1513名在2014年至2020年間接受bpMRI（T2+DWI）的患者，其中73名患者接受了至少連續兩次bpMRI掃描和重復活檢。本研究開發了一個深度學習PCa檢測模型以產生所有PIRADS≥2的病變的熱圖。使用每個病人先前和當前檢查的熱圖來提取不同的體積和可能性特征，以反映檢查之間可解釋的變化。訓練一個機器學習分類器，并根據活檢結果從這些特征中預測當前檢查中的csPCa（ISUP>1）。使用ROC分析比較了交叉驗證的診斷準確率。最佳模型的診斷性能與放射科醫生的評分進行了比較。 

當前研究的模型（AUC 0.81，CI：0.69，0.91）比只包括當前研究模型（AUC 0.73，CI：0.61，0.84）的診斷準確性更高（P = 0.04）。添加臨床變量進一步提高了診斷性能（AUC 0.86，CI：0.77，0.93）。AI模型的診斷性能明顯優于放射科醫生（AUC 0.69，CI：0.54，0.81）（P = 0.02）。 

 

圖 一名70歲的男性，中央腺體區病變（由每張圖像中的紫色輪廓劃定），AI正確診斷為非csPCa。之前掃描時的初始活檢結果為PCa陰性，而本次檢查時的靶向重復活檢結果顯示為非csPCa（Gleason 3 + 3 = 6）。圖中顯示了T2加權圖像（a，b）和ADC圖（c，d），以及之前和當前檢查的相應檢測熱圖（e，f）。第二次檢查的檢測熱圖顯示體積和似然分數基本沒有變化。放射科醫生給PIRADS評分為4分

 

本研究表明，本研究提出的人工智能輔助前列腺MRI監測可以為臨床提供與診斷相關的變化及信息，并具有良好的診斷準確性。

 

原文出處：

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