基于区域特异性前列腺特异性抗原密度减少前列腺MRI活检决策策略中的假阳性
本回顾性研究纳入1604例接受前列腺MRI和活检的患者,利用深度学习系统分割全腺体和移行带计算区域特异性PSAD(sPSAD),并与PI-RADS组合制定活检决策策略。结果显示,在PI-RADS 4-5或PI-RADS 3且sPSAD≥0.42 ng/mL/cc时活检,相比所有PI-RADS 3-5均活检,GG≥2前列腺癌检出特异度从18%提高到43%,敏感度93%对97%无显著差异,假阳性减少25%。
要点
- 移行带特异性PSAD(sPSAD)阈值0.42 ng/mL/cc用于PI-RADS 3病灶活检决策。
- 组合策略使GG≥2检出特异度从18%升至43%,敏感度无显著下降。
- 深度学习自动分割全腺体和移行带的DICE系数分别为0.89和0.84。
核心结论
- 使用sPSAD指导PI-RADS 3病灶的活检决策可减少MRI假阳性,同时保持对GG≥2癌症的高敏感度。
- sPSAD在临床挑战性PSAD(0.1–0.2 ng/mL/cc)患者中优于全腺体PSAD。
研究设计与样本
- 回顾性研究,纳入2012年1月至2018年10月连续接受前列腺MRI和活检的患者1604例,年龄67岁(IQR 61–73)。
- 采用nnU-Net深度学习系统在T2WI、ADC和DWI轴位图像上自动分割全腺体和移行带,计算PSAD和sPSAD。
- 数据集分为训练集(n=972)、验证集(n=243)和保留测试集(n=389),外部测试使用公开前列腺MRI-US活检集(n=692,csPCa患病率58%)。
- 参考标准为ISUP Grade Group ≥ 2前列腺癌病理结果。
关键影像表现/征象
- MRI上全腺体体积中位数50 mL(95%CI 22–78),移行带平均体积31.26 mL。
- 深度学习分割全腺体和移行带的DICE系数分别为0.89(95%CI 0.80–0.97)和0.84(0.70–0.99),分割处理时间12秒(95%CI 9–15秒)。
- 全腺体手动分割与深度学习分割体积平均偏差4%(2 mL/50 mL)。
诊断标准与关键数值
- sPSAD单独检测GG≥2的AUC为0.73(95%CI 0.70–0.76),优于TRUS-PSAD的0.69(0.66–0.72)和MRI-PSAD的0.71(0.68–0.74),p<0.001。
- 在PSAD 0.1–0.2 ng/mL/cc患者中,sPSAD的AUC为0.66(95%CI 0.61–0.71),优于TRUS-PSAD的0.60(0.54–0.66,p=0.031)和MRI-PSAD的0.62(0.57–0.67,p=0.023)。
- 验证集中,PI-RADS 3-5活检策略敏感度100%(95%CI 100–100%),特异度24%(16–32%);sPSAD≥0.42策略敏感度100%(100–100%,p=1),特异度36%(28–47%,p=0.027)。
- 保留测试集中,PI-RADS 3-5策略敏感度97%(95%CI 94–99%),特异度18%(10–20%);sPSAD≥0.42策略敏感度93%(89–96%,p=0.053),特异度43%(30–44%,p<0.001)。
- 与PI-RADS 3-5全活检相比,sPSAD策略在验证集和保留测试集中分别减少假阳性17%(95%CI 9–25%)和25%(18–33%)。
临床应用与阅片要点
- 对于PI-RADS 3病灶,可结合sPSAD阈值0.42 ng/mL/cc决定是否活检,以减少不必要的穿刺。
- sPSAD在PSAD灰区(0.1–0.2 ng/mL/cc)患者中可能提供额外鉴别价值。
- 深度学习自动分割移行带使sPSAD计算具有可行性,分割处理时间约12秒。
局限性
- 原文未报告局限性。
全文中译17 节 · 点击展开
引言
引入磁共振成像(MRI)路径用于检测临床显著性前列腺癌(csPCa)已减少了前列腺穿刺活检的需求,并降低了临床非显著性癌症的检出率 [1, 2]。MRI路径还通过改善靶向定位和分级提高了活检的准确性,大多数研究显示csPCa检出率非劣效 [1–4]。在活检前采用前列腺影像报告和数据系统(PI-RADS)仍会遇到相对较高比例的假阳性,尤其是在PI-RADS 3评分的男性中,且存在较高的中心间变异性 [2, 5–7]。因此,临床持续需要额外的标志物来减少假阳性病例数,以实现更准确的患者活检分诊。
近期研究通过使用前列腺体积(PV)标准化的前列腺特异性抗原(PSA密度;PSAD)用于活检管理决策来应对这一未满足的临床需求 [8–10]。多项研究表明,PSAD和前列腺MRI可疑评分(如PI-RADS)是活检时csPCa的独立预测因子 [11–13]。在此背景下,PSAD值大于0.15 ng/mL/cc更能提示csPCa的存在,而小于0.09 ng/mL/cc的值则很大程度上排除了csPCa [4, 14–16]。此外,活检决策策略(BDS),即PI-RADS评分与PSAD的结合,已被开发用于最大化影像衍生信息在活检规划中的准确性 [14, 15, 17]。
计算PSAD需要PV。然而,缺乏标准化的PV测定建议限制了PSAD的临床应用,因为PV估计值确实因成像方式和计算方法而异。平面测量法和扁长椭球公式均在临床上使用 [18–21]。移行区(TZ)特异性(s)PSAD被认为是更相关的检测指标,因为TZ的分泌细胞主要负责PSA的产生 [22, 23]。由良性前列腺增生导致的TZ体积能更好地解释用于活检决策的PSA值 [24]。然而,目前没有计算TZ体积的特定公式,这对sPSAD在常规临床实践中的应用构成了障碍。
在此背景下,深度学习(DL)系统在全前列腺和TZ分割任务中显示出更高的准确性 [25–29]。然而,据我们所知,基于DL的自动化sPSAD计算用于检测csPCa的诊断效用尚未被全面探索。
因此,本研究的目的是开发和测试一种结合基于DL的sPSAD和PI-RADS的决策策略,以指导具有较高前列腺癌风险的男性的前列腺活检。
方法
本研究遵循医学影像人工智能检查清单和诊断准确性研究报告标准。本研究经机构审查委员会批准,由于其为回顾性设计,免知情同意。
研究样本
我们将2012年1月至2018年10月期间在本机构接受前列腺活检的连续男性患者纳入研究,同时纳入活检前6个月内的经直肠超声(TRUS)和前列腺MRI检查。年龄、血清PSA和基于TRUS的前列腺体积(PV)从临床记录中获取。符合条件的MRI研究从机构PACS系统中检索,并导入定制的DICOM查看器中进行图像标注、质量评估和后处理。该队列的一个子集曾被纳入既往分析,当时未研究PSAD对前列腺癌(PCa)检测的价值[30]。
排除标准包括:影像-病理相关性不一致、前列腺带区结构不确定(如经尿道切除术后带区边缘不清或变形)、使用直肠内线圈的MRI以及图像质量不足的MRI(图1)。最终,研究样本被分为训练集(61%)、验证集(15%)和留出测试集(24%),分别由2012年1月至2016年1月、2016年1月至2017年1月、2017年1月至2018年10月的连续病例组成。对于外部测试,使用了公开可用的前列腺MRI-超声-活检数据集,其报告的临床显著前列腺癌(csPCa)患病率为58%(692例中399例);该数据集可在https://wiki.cancerimagingarchive.net获取,详见补充材料[31]。
MRI方案与PI-RADS评分
MRI按照PI-RADS和ESUR技术推荐指南采集[5, 32]。影像检查在三台MRI扫描仪上进行,包括一台1.5-T(Magnetom Avanto,Siemens Healthineers)和两台相同的3-T MRI扫描仪(Magnetom Skyra,Siemens Healthineers)。前列腺MRI方案包括T2加权成像(T2W)、弥散加权成像(DWI)和动态对比增强(DCE)序列(如有)。扫描参数为轴位和冠状位T2W图像(3.0 × 0.47 × 0.47 mm,18 cm视野),轴位DWI b值为0、50、500和1000 s/mm²,附带单指数计算的表观扩散系数(ADC)图和推算的高b值DWI图像(3.0 × 1.4 × 1.4 mm,22 cm视野,计算b = 1400 s/mm²)。所有MR图像在分析前均按照国内前列腺MRI诊断要求审查图像质量是否充分[33]。在专家放射科医师(P.A.、B.H.和T.P.,每位均有>10年经验)的监督下,放射科医师在原始报告中描述的前列腺病灶由两名放射科医师(C.H.和N.B.,具有3-5年经验)使用PI-RADS v.2.1标准进行共识审查[5]。每位患者最多识别四个病灶,其中报告PI-RADS评分最高的病灶被定义为基于患者分析的索引病灶。根据PI-RADS v.2.1指南,PV使用长椭球体公式计算:宽 × 高 × 长 × π/6。
基于经直肠超声(TRUS)的体积测量与活检操作
所有TRUS检查和MRI/US融合引导的靶向活检均由我们三级大学中心的一组泌尿科医生(H.C.、A.M.和K.G.,每人经验均超过10年)按照欧洲泌尿外科学会(EAU;2022)指南执行。根据标准临床方案,前列腺体积(PV)采用扁长椭球体公式计算。
首先,按照既往描述对前列腺进行靶向活检,每个靶病灶取3条组织[34]。其次,进行系统活检,分别从两侧的尖部、侧中部、基底部以及腹侧和尿道旁区域各取10条组织。如果活检前MRI为阴性(PI-RADS 1-2),则仅进行系统活检。所有组织条均分别包埋和记录,并由经验丰富的病理学家(包括S.S.)按照ISUP指南进行检查和分析[4]。
在MRI上进行前列腺分割的深度学习系统再训练
数据集与手动前列腺分割
在训练集和验证集中,整个腺体(WG)和移行区(TZ)由两名研究者(K.F.和F.D.)在两名放射科医生(C.H.和T.P.,分别具有3年和超过10年经验)的监督下进行手动分割。分割使用医学影像交互工具包(MITK;v.2021.10,德国癌症研究中心,医学图像计算部)和3D Slicer(v.4.10.2)完成[35]。分割依据PI-RADS指南[5]中规定的轴位和冠状位T2W体积图像上的解剖标志进行。
深度学习分割模型
为实现前列腺和TZ的自动分割,选择了一种高性能、成熟的nnU-Net,并在T2W、ADC和DWI轴位图像以及手动生成的整体腺体和TZ三维掩膜上进行训练[36]。训练集和验证集分别包含972名和243名男性[36]。模型架构和训练详情见补充材料。深度学习系统的分割性能在验证集中通过计算DICE系数进行评估,该系数范围为0至1(0表示二值分割无空间重叠;1表示完全重叠)。此外,另行进行了更全面的配对一致性检验,比较源自不同MRI和TRUS分割方法的前列腺体积,详情见补充材料。
使用PI-RADS和sPSAD开发活检决策策略
为使用PI-RADS和sPSAD开发活检决策策略(BDS),从训练集中推导最佳sPSAD截断值,选择标准为在临床显著性前列腺癌(csPCa)检测中达到最高特异度且灵敏度无统计学显著损失。具体方法为:(I)以5%为增量步长从0至100%计算sPSAD特异度;(II)使用1000次重复的自举法,测量对PI-RADS 4-5或PI-RADS 3且sPSAD≥截断值的男性进行活检的BDS诊断性能;(III)使用精确Fisher-Yates检验(α=0.05)选择最佳sPSAD截断值。
结局与统计学
本研究的主要结局是单独使用sPSAD或联合PI-RADS评分时csPCa(Gleason评分≥3+4;ISUP分级分组(GG)≥2)的检出率。
在验证集中,分别使用基于TRUS和基于MRI的PSAD及sPSAD,以1000次重复的自举法报告基于患者的GG ≥ 2检出准确率,并绘制受试者工作特征(ROC)曲线下面积(AUC)。AUC采用DeLong等人[37]提出的非参数方法进行比较。
在验证集和留出测试集中评估BDS使用PI-RADS和sPSAD检测GG ≥ 2的准确率,计算特异度和敏感度。最后,使用决策曲线分析(DCA)和精确Fisher-Yates检验,将BDS对GG ≥ 2检测的潜在附加临床价值与单独使用PI-RADS 3-5类别进行比较。单侧p值 < 0.05被认为具有统计学显著性。统计分析使用Python(v.3.8.10)及scipy(v.1.5.4)和Scikit-learn(v.0.23.2)库进行。
结果
研究人群
本研究纳入1604例患者,分为训练集(n = 972)、验证集(n = 243)和留出测试集(n = 389;表1)。本研究中的男性年龄为67(IQR,61–73)岁,PSA为7.85(4.86–10.84)ng/mL,48%(774/1604)被诊断为GG ≥ 2前列腺癌(PCa)。1059名男性在MRI上怀疑为GG ≥ 2疾病(分别为524例和535例PI-RADS 4和5),而182名男性的PI-RADS类别为3。分别有71例和41例患者因图像质量不足和前列腺带区结构不确定而被排除。
前列腺体积和PSAD
在整个研究样本中,Segmentation-MRI、Ellipsoid-MRI和Ellipsoid-TRUS的前列腺体积测定显示全腺体(WG)体积分别为50(95%置信区间(95%CI),22–78)mL、55(22–88)mL和55(26–84)mL(p < 0.001,表2),PSAD分别为0.26(0–0.65)ng/mL/cc、0.25(0–0.56)ng/mL/cc和0.24(0–0.63)ng/mL/cc(p < 0.001)。MRI和TRUS上基于椭球体的方法将PV高估了10%(55 vs 50 mL;p < 0.001,补充图1)。基于MRI的平均TZ体积为31.26 mL,产生的sPSAD为0.55(0–1.41)ng/mL/cc。
基于深度学习的体积估计在MRI上WG和TZ的分割DICE评分分别为0.89(95%CI,0.80–0.97)和0.84(0.70–0.99),与手动分割的WG体积平均偏差为4%(50 mL WG中的2 mL;图2及补充图1和2)。分割处理时间为12s(95%CI,9–15s)。
单独使用PSAD检测GG ≥ 2癌症
sPSAD检测GG ≥ 2的AUC为0.73(95%CI,0.70–0.76),优于基于TRUS和基于MRI的PSAD(AUC分别为0.69(0.66–0.72)和0.71(0.68–0.74);p < 0.001;图3a)。PSAD对GG ≥ 2和任何级别PCa的性能与文献相当,分布在所绘制AUC的CI范围内(补充图3)。
在临床上面临挑战的PSAD患者中(中低危至中高危;0.1–0.2 ng/mL/cc;图3b),基于TRUS和MRI的PSAD对GG ≥ 2的检测表现相似(AUC,0.60(95%CI,0.54–0.66)vs. 0.62(0.57–0.67);p = 0.61),而两者的表现均被sPSAD超越(0.66(0.61–0.71);与基于TRUS和基于MRI的PSAD相比,p分别为0.031和0.023)。在未进行额外优化或再训练的外部测试中,sPSAD的表现与PSAD相似(AUC,0.72(0.68–0.76)vs 0.71(0.67–0.75);p = 0.13),但在临床上面临挑战的PSAD患者中优于全腺体方法(0.61(0.54–0.68)vs 0.54(0.47–0.61);p = 0.018;图3c–d)。
使用PI-RADS和sPSAD的活检决策策略
基于sPSAD的BDS在验证集中的性能
对PI-RADS 3-5类男性进行活检,GG ≥ 2检测的敏感性为100%(95%CI,100–100%),特异性为24%(16–32%)。按照推荐方法对PI-RADS 4-5男性进行活检,以及对PI-RADS 3且密度高于指定截断值的男性进行活检,表现最佳的BDS在GG ≥ 2方面达到敏感性100%(95%CI,100–100%;p = 1)和特异性36%(28–47%;p = 0.027),使用sPSAD截断值0.42 ng/mL/cc。相比之下,使用基于MRI的PSAD截断值0.15 ng/mL/cc的临床established BDS对GG ≥ 2癌症的敏感性为100%(95%CI,100–100%;p = 1),特异性为33%(23–41%;p = 0.11)。任何级别PCa检测结果见补充材料。
基于sPSAD的BDS在留出测试集中的测试
PI-RADS 3-5对GG ≥ 2的敏感性和特异性分别为97%(95%CI,94–99%)和18%(10–20%)。所开发的基于sPSAD的BDS在应用sPSAD截断值0.42 ng/mL/cc时,对GG ≥ 2的敏感性为93%(95%CI,89–96%;p = 0.053),特异性为43%(30–44%;p < 0.001)。相比之下,使用PSAD截断值0.15的established BDS敏感性为93%(95%CI,89–96%;p = 0.053),特异性较低,为34%(27–41%;p < 0.001)。
对活检决策和结局的总体影响
应用所提出的基于PI-RADS和sPSAD的风险分组,PI-RADS 4-5或PI-RADS 3且sPSAD ≥ 0.42 ng/mL/cc的男性显示出更多GG ≥ 2癌症患者(患病率38–78%;图4)。基于EAU总体接受的GG ≥ 2风险阈值9% [4],在验证集中,PI-RADS 3且sPSAD < 0.42的男性本可安全避免活检。然而,在留出测试集中,同一风险组检测到GG ≥ 2患病率为16%(95%CI,11–21%)。另请注意,在留出测试集中,PI-RADS 1/2在sPSAD < 0.42和 ≥ 0.42的男性中显示出中等(16–20%)的GG ≥ 2风险。
DCA显示,使用PI-RADS 4/5或PI-RADS 3且sPSAD ≥ 0.42的BDS产生了最高的临床获益(图5),在验证集和留出测试集中分别避免了18%(95%CI,12–23%)和19%(15–22%)的不必要活检,并将假阳性率从41%(33–48%)降至36%(29–43%;p < 0.001)和从47%(42–52%)降至41%(35–46%;p = 0.027)(表3)。同时,GG ≥ 2癌症仅在0%(95%CI,0–0%)和7%(3–11%)的病例中被漏诊。与对所有PI-RADS 3-5男性进行活检相比,验证集和留出测试集中假阳性结果的数量本可分别减少17%(95%CI,9–25%)和25%(18–33%)(68(53–82)对82(67–97;p = 0.027)和123(104–142)对165(146–186;p < 0.001))。此外,基于sPSAD的BDS在DCA中的表现与基于PSAD的BDS相似,略微减少了假阳性结果的数量(68(95%CI,53–82)对73(58–88);p = 0.28)并改善了活检避免(123(104–142)对129(111–148;p = 0.28),漏诊GG ≥ 2癌症数量相同)。最后,在外部集中使用所开发的基于sPSAD的BDS(该外部集与我们的队列存在实质性差异(补充材料)),与单独MRI评分或联合PSAD相比,产生了最高的临床获益(图5)。
讨论
PSAD是GG ≥ 2癌症的独立预测因子,是与PI-RADS评分联合用于BDS的宝贵资产[4, 17, 38]。然而,移行区特异性(s)PSAD方法专门考虑了良性前列腺增生和较大移行区体积所致的PSA升高,可能更好地预测活检结果。为解决这一问题,本研究提出了一种使用PI-RADS和sPSAD检测GG ≥ 2癌症的方法,其中移行区体积测定使用深度学习(DL)分割工具半自动完成。与PSAD相比,sPSAD在内部和外部测试集中改善了GG ≥ 2前列腺癌(PCa)的检测,尤其是在PSAD处于灰区(PSAD 0.1–0.2 ng/mL/cc)的男性中。我们使用PI-RADS评分和sPSAD的BDS建议对PI-RADS 4/5或PI-RADS 3且sPSAD ≥ 0.42的男性进行活检,提高了GG ≥ 2检测的特异性,而敏感性相比仅基于PI-RADS 3-5的BDS未显著降低。所开发的基于sPSAD的BDS在DCA中是诊断GG ≥ 2表现最佳的策略,相比仅对PI-RADS 3-5男性进行活检,改善了活检避免并减少了假阳性数量,同时保持了高敏感性。
PI-RADS 3-5病例中高达45%的高假阳性率问题已通过开发基于影像的BDS(使用PI-RADS评分和PSAD)加以解决,旨在提高MRI引导活检的阳性预测值。在此背景下,EAU指南建议对所有GG ≥ 2癌症风险升高的男性(患病率 ≥ 30%;PI-RADS 4-5或PSAD ≥ 0.2 ng/mL/cc)进行前列腺活检,而对中等风险男性(≥ 20%;PI-RADS 4-5或PSAD 0.15–0.2)应高度考虑活检[17]。这些EAU风险分组在本研究中得到证实,GG ≥ 2疾病的检出率相似。然而,我们的结果表明,采用区域特异性方法计算PSAD将同时改善活检避免并满足减少前列腺MRI假阳性的需求。
采用所提出的基于sPSAD的BDS可能在常规实践中提供即刻的临床优势。这一新提出的策略在由活检初治和活检阴性男性组成的均衡队列(验证集)中,以及在MRI优先队列(其中超过80%的个体为活检初治)中(留出测试集),均表现出最高的临床收益。具体而言,与使用全腺体PSAD的BDS相比,采用基于sPSAD的BDS使检测GG ≥ 2 PCa的特异性提高了9%,同时显示出相同的敏感性。此外,我们使用深度学习(DL)工具计算sPSAD的方法在外部测试集中证明了其可行性,并且可以通过对现有软件进行微小修改即可轻松实现,从而使该方法能够临床转化。
虽然研究结果令人鼓舞,但存在局限性。首先,这项单中心研究得出的临床意义可能受回顾性研究设计的限制。然而,本研究纳入了大量连续患者,将选择偏倚的风险降至最低。此外,临床实用性和可行性在内部和外部测试集上进行了检验,我们关于单独使用PSAD以及在基于PI-RADS的风险分层背景下检测任何级别PCa和GG ≥ 2的结果与已发表文献相似[8, 9, 11, 13]。其次,我们的分析受到研究样本中GG ≥ 2癌症患病率不确定性的限制,因为男性未接受饱和活检。然而,这是大多数PCa诊断研究的局限性。模板化活检是诊断背景下的金标准,但我们机构对MRI可疑病变的男性进行MRI/超声融合引导的靶向和系统活检,这与EAU指南和MRI诊断路径一致[2]。尽管如此,并非所有患者都基于MRI风险评估进行了靶向活检。然而,如果仅纳入接受MRI靶向活检的病例,我们将遭受有利于MRI阳性发现病例的选择偏倚,而MRI不可见的PCa可能被排除。第三,本研究中回顾性PI-RADS共识审查可能与原始报告不同,但具有明显放射学-病理学差异的病例被排除。因此,对诊断性能的总体影响可被认为是微小的。第四,基于sPSAD的BDS在EAU指南接受的遗漏10% csPCa风险下的临床意义无法证明,因为仅PI-RADS 4/5即达到> 90%的敏感性[4];然而,我们较高的48%人群患病率与PAIREDCAP研究的结果一致[39]。在这些局限性内,我们证明了使用sPSAD进行活检决策规划的初步可行性。
总之,我们的发现强调了TZ特异性(s)PSAD用于基于影像的前列腺活检决策规划的概念和应用。与单独使用PSAD相比,sPSAD改善了GG ≥ 2癌症的检测,并优于仅基于PI-RADS的BDS。具体而言,基于sPSAD的BDS的实施能够减少MRI的假阳性并提高活检避免率,同时保持临床显著疾病的高检出率。因此,使用sPSAD进行活检决策应在前瞻性研究中评估。
补充信息
以下是电子补充材料的链接。补充文件1(PDF 742 KB)
引用
- Hamm CA, Baumgärtner GL, Padhani AR, et al. Reduction of false positives using zone-specific prostate-specific antigen density for prostate MRI-based biopsy decision strategies. Eur Radiol. 2024. PMID: 38538841. doi:10.1007/s00330-024-10700-z
- 全文:PMC11399225(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11399225/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。