基于T2加权成像的深度学习用于前列腺癌无创检测与Gleason分级预测:一项多中心研究
该回顾性多中心研究利用单模态T2WI深度学习模型进行前列腺癌检测和Gleason分级预测,内部验证集检测AUC为0.918,Gleason分级预测内部验证、外部验证和公开挑战验证AUC分别为0.854、0.776和0.838,模型表现优于人类专家。
要点
- 单模态T2WI深度学习模型在前列腺癌检测内部验证集AUC为0.918。
- Gleason分级预测内部验证AUC为0.854,外部验证为0.776,公开挑战验证为0.838。
- 模型在Gleason分级预测上表现优于仅使用T2WI的放射科专家(平均AUC<0.5)。
核心结论
- 通过多中心数据集验证,所提出的深度学习方法检测前列腺癌和预测Gleason分级的能力优于人类专家。
研究设计与样本
- 回顾性研究,内部数据集来自本院2015年9月至2022年6月经组织病理学确诊的前列腺癌患者及健康个体。
- 内部数据集随机按8:2分为训练集(n=228)和验证集(n=58),外部数据集1来自另一医疗中心(n=48),公开挑战数据集(n=91)用于外部验证。
- 所有T2WI图像采用3-T MR系统(MAGNETOM Skyra、Prisma、Vida,Siemens Healthcare)获取,使用标准18通道相控阵体线圈和32通道一体化脊柱线圈。
- 轴位T2加权快速自旋回波成像,层厚3–5 mm,无间距,视野12×12 cm²,覆盖整个前列腺和精囊。
- 参考标准为组织病理学结果(活检或手术获得)。
诊断标准与关键数值
- 前列腺癌检测:训练集(n=392,80.3%)AUC为1,验证集(n=96,19.7%)AUC为0.918。
- Gleason分级预测:训练集(n=227)AUC为0.902,验证集(n=56)AUC为0.854,外部验证集(n=48)AUC为0.776,公开挑战验证集(n=91)AUC为0.838。
- 对比模型:3D ResNeXt和3D densenet在前列腺癌检测训练集AUC分别为0.932和0.974,测试集分别为0.853和0.911。
- 对比模型Gleason分级预测:3D ResNeXt和3D densenet在训练集AUC分别为0.857和0.838,验证集分别为0.788和0.776,外部验证集分别为0.698和0.703,公开挑战验证集分别为0.738和0.776。
- 放射科专家仅使用T2WI预测Gleason分级的平均AUC<0.5,模型平均AUC>0.776。
临床应用与阅片要点
- 模型基于前列腺分割而非病灶分割进行训练,前列腺分割比前列腺癌病灶标注更容易被放射科医生完成。
- 非侵入性Gleason分级预测可减少不必要的活检。
- 公开挑战数据集层厚更薄、视野更宽,模型在该数据集上的表现优于外部验证数据集,提示图像质量参数影响模型性能。
局限性
- 由于外部验证和公开挑战验证数据集样本量小,无法展示模型在这些数据集上的前列腺癌检测性能,且未能准确预测Gleason评分。
- 部分前列腺癌患者的组织病理学来自活检,这些患者可能存在多个Gleason分级的癌灶,因此仅预测最高Gleason分级而非每个癌灶的准确Gleason分级。
- 所有MRI检查均使用3 T设备,训练模型应用于非3T扫描图像时可能存在局限。
- 研究样本量小于1000例。
全文中译13 节 · 点击展开
引言
前列腺癌(PCa)在全球范围内受到广泛关注,因为它是西方世界男性中最常见的癌症[1]。2022年欧洲泌尿外科协会指南和2019年英国国家卫生与临床优化研究所指南建议在活检前使用多参数磁共振成像(MRI)检测早期PCa[2]。然而,使用MRI评估PCa易受读者间一致性低(< 50%)、判读欠佳和过度诊断的影响[3, 4]。
病理活检结果是PCa分类的金标准。然而,活检穿刺针芯大多针对阳性病灶(前列腺影像报告和数据系统[PI-RADS v2]评分≥ 3),限制了检测所有PCa病灶的能力[5–7]。此外,活检确认病灶的标注高度依赖于放射科医师的判读[8]。
基于人工智能(AI)的方法已被广泛应用于PCa肿瘤的检测和分类。鉴于机器学习或深度学习方法的优势,大多数研究[9]使用了多模态成像方法,如T2加权成像(T2WI)联合扩散加权成像(DWI)、表观扩散系数(ADC)、动态对比增强成像(DCE-MRI)以及DWI联合ADC。多模态成像结合了各种成像方式的优势,可提供全面的信息。AI算法可以利用这些多样且丰富的数据来提高PCa检测和分类的准确性和敏感性。每种成像技术都能提供关于肿瘤性质的独特信息。例如,DWI和ADC图对于评估肿瘤细胞密度具有重要价值,而DCE-MRI提供关于血管分布的信息。AI可以深入分析这些特征,从而改善肿瘤表征和分级。然而,管理和整合来自多种成像模态的不同数据类型可能具有挑战性。确保这些数据对AI分析的兼容性和有效综合是一个重大障碍。AI模型可能因其训练数据而产生偏差,或难以在不同人群或成像系统之间泛化,可能影响其可靠性和准确性。例如,最近一篇社论指出,ADC值在软件应用中并不容易获得,且ADC截断值受硬件相关因素影响(如序列参数、b值的选择和数量、场均匀性变化或MRI系统间的线圈选择)[10]。另一项研究报告称,根据其数据,前列腺MRI中不需要定性或定量DCE评估[11]。此外,大多数研究在经验丰富的放射科医师帮助下手动分割PCa病灶,而PCa病灶的标注受到MRI扫描质量的挑战,扫描质量受层厚和视野等参数的影响[12]。
因此,在本研究中,我们尝试减少多模态图像带来的变异,尽管此类图像对PCa诊断贡献很大。我们提出了一种使用单模态(T2WI)图像配合前列腺分割而非病灶分割的深度学习模型,以改进基于AI的无创PCa检测和Gleason分级预测方法,这对于临床治疗和决策具有重要的临床意义。
患者和方法
研究人群
本回顾性研究按照《赫尔辛基宣言》进行,并经我院机构审查委员会批准。由于研究的回顾性性质,豁免了获取患者知情同意的要求。
样本收集自我院2015年9月至2022年6月期间接受MRI检查、经组织病理学确诊为前列腺癌(PCa)的患者。纳入标准如下:(1)接受包含T2WI的MRI检查;(2)MRI检查前未进行前列腺活检、手术、放疗或内分泌治疗。已接受导管置入或既往接受过PCa治疗的患者以及MRI上存在伪影的患者被排除(图1)。用于外部验证的外部数据集1收集自另一医疗中心。外部数据集1的入组纳入标准与内部数据集所适用的标准相同。
成像采集和数据集
两个数据集中的所有T2WI图像均使用3-T MR系统(MAGNETOM Skyra、Prisma、Vida,Siemens Healthcare,Erlangen,Germany)获得,配备标准18通道相控阵体线圈和32通道一体化脊柱线圈。轴位T2加权快速自旋回波成像的层厚为3–5 mm,无间距,视野为12×12 cm2,包括整个前列腺和精囊。外部数据集1的图像采集参数要求与我们中心保持一致。所有内部MRI数据集被随机分为训练数据集和测试数据集。外部数据集收集自中国另一医疗中心(外部数据集1)和公开挑战数据集(公开挑战验证)(https://prostatex.grand-challenge.org/)。
前列腺标注
所有内部数据集和外部数据集1的前列腺区域由一名具有5年盆腔诊断经验的放射科医师在T2WI上手动标注;所有标注均由另一名具有10年盆腔诊断经验的放射科医师确认。手动标注使用开源软件(3D Slicer 5.10版;National Institutes of Health;https://www.slicer.org)完成。所有标注均转换为nii.gz格式。
数据准备和预处理
根据标注结果,我们裁剪原始图像并仅保留前列腺区域,从而减少非目标区域对模型的干扰,提高其效率。该步骤使用三维(3D)连通域技术完成。通过计算掩膜,可获得前列腺区域的最小外接三维框。为便于模型训练,将裁剪后的图像调整为256 × 256 × 16。最后,将所有图像归一化至[0, 1],以减少不同数据集之间的差异。预处理流程如图1所示。
内部数据集按8:2的比例随机分为训练集(n = 228)和验证集(n = 58)。外部数据集1(n = 48)和公开挑战数据集(n = 91)用作外部验证集。由于训练集中样本分布不平衡,我们对数据量较少的类别1(20例)进行了数据扩增[13]。具体操作是对类别1的数据进行水平翻转(40例)。数据扩增后,训练集中各类别的分类和数据量差异较小(40:51:67:37:52),从而提高模型识别所有类别的准确性。
深度学习框架
采用在医学图像分析中广泛应用且性能良好的3D ResNet18网络构建分类模型[14, 15]。深度学习模型所采用的流程为两阶段任务:首先,在内部数据集中检测PCas;其次,在所有PCas(包括内部、外部和公开挑战数据集)中预测Gleason分级。3D ResNet18网络由卷积层、四个残差块、三维自适应平均池化、全连接层和softmax层组成。模型使用Adam优化器,以交叉熵作为损失。模型的详细说明见图1。模型输入为大小为256 × 256 × 16的裁剪MRI图像,输出为Gleason分级分组分类结果。
深度学习性能评估
为更好地评估模型性能,我们分别计算了训练集、内部测试集和外部测试集的平均精确率、平均召回率和F1分类。我们还使用曲线下面积(AUC)评估模型性能。同时,我们使用混淆矩阵直观展示模型对所有病例的分类能力。在计算训练集的各项性能时,我们剔除了因数据扩增而重复的类别1病例。
此外,我们将我们的模型与另外两种深度学习框架(3D ResNeXt [16]和3D densenet [17])进行比较以评估性能。
所有实验和统计分析均在Linux环境(Ubuntu 20.04.2)中进行,硬件条件如下:主频3.70 GHz的Intel CPU、128 GB DDR4内存和10 GB显存的RTX3080 Ti显卡。编程语言采用Python软件基金会的Python(版本3.9.7)。我们使用PyTorch深度学习框架(https://pytorch.org/)及关键软件包,如SimpleITK(版本2.1.1)、torch(版本1.11.0)、torchvision(版本0.12.0)和scikit-learn(版本1.0.2)。
放射科医师对Gleason分级预测的判读
使用影像学报告Gleason分级对放射科医师而言并非常规任务;与深度学习模型相比,放射科医师预测Gleason分级的实际能力尚不明确。因此,在使用T2WI进行Gleason分级预测时,对具有10年以上前列腺癌(PCa)诊断经验的资深放射科医师设盲,使其不知晓所有Gleason分级预测的测试集,包括内部、外部和公开挑战数据集。
结果
通过多次实验确定了模型的最优参数:200个训练轮次、批大小为8、学习率为0.0002、每20个轮次更新学习率、gamma为0.8、dropout率为0.5。
深度学习用于前列腺癌检测的性能
对于前列腺癌检测,内部MRI数据集包括195例经放射科医师诊断未患前列腺癌并有随访期的患者(年龄:57.27 ± 14.45岁)和302例确诊为前列腺癌的患者(年龄:72.20 ± 8.34岁);未使用外部验证,因为所有患者均经活检或手术获得的组织病理学结果确诊为前列腺癌。
我们的模型在训练集(n = 392,80.3%)中用于前列腺癌检测的AUC为1,而验证集(n = 96,19.7%)的AUC为0.918,如表1和图2所示。
基于3D ResNeXt和3D densenet构建的前列腺癌检测模型在训练集中的AUC分别为0.932和0.974,在测试集中的AUC分别为0.853和0.911。这些结果表明本研究使用的模型具有令人满意的分类能力(表1)。
深度学习用于Gleason分级预测的性能
对于Gleason分级预测,从内部数据集中使用了283例经活检或手术获得的组织病理学结果确诊为前列腺癌的患者数据,其中227例患者的数据用于训练(年龄:72.06 ± 7.98岁),而56例患者的数据用于测试(年龄:72.78 ± 9.49岁)。外部和公开挑战数据集分别包括48例(年龄:72.19 ± 7.81岁)和91例(年龄信息不可用)患者的数据。
如图3所示,在训练过程中,模型的损失持续下降,并在3000个批次训练后趋于稳定,表明模型达到收敛。我们的模型对训练集(n = 227)进行Gleason分级预测的AUC为0.902,而对验证集(n = 56)、外部验证集(n = 48)和公开挑战验证集(n = 91)的AUC分别为0.854、0.776和0.838。详情见表2–4。
基于3D ResNeXt和3D densenet构建的Gleason分级预测模型在训练集中的AUC分别为0.857和0.838,在验证集中的AUC分别为0.788和0.776,在外部验证集中的AUC分别为0.698和0.703,在公开挑战验证集中的AUC分别为0.738和0.776。这些结果表明本研究使用的模型表现出更优的分类能力(表3)。
放射科医师判读
放射科医师对Gleason分级预测的判读详见表5和图4。
讨论
我们提出的深度学习模型在利用T2WI进行前列腺癌(PCa)检测和Gleason分级预测方面表现出良好性能,与既往使用多模态成像的研究报道相当[9]。尽管我们模型的PCa检测性能与3D ResNeXt相比未显示出更优表现,但其Gleason分级预测性能在所测试的三种模型中最佳。作为本研究中的两阶段任务,3D ResNeXt在外部验证集1和公开挑战验证集上的性能在三种模型中最差,而我们的模型则表现最佳。我们注意到,与使用公开挑战验证集时相比,所有模型在外部验证集1上的性能下降更为显著。这归因于T2WI图像的图像质量(如视野和层厚);公开挑战验证集的特征是层厚较其他两个数据集更薄(https://prostatex.grand-challenge.org/),提示深度学习模型在公开挑战验证集上较外部验证集表现更好受到图像质量参数的影响。此外,与放射科医师仅使用T2W图像的判读相比,我们的模型在Gleason分级预测方面表现更佳。
与Ishioka等[18]相比——该研究使用层厚0.8 mm的T2WI评估了335例患者,并在两个独立人群中实现的模型对PCa检测的AUC分别为0.636和0.645——我们使用了多中心数据集,PCa检测的平均AUC达到0.99,Gleason分级预测的平均AUC超过0.87。与Schleb等[19](基于每例患者的PI-RADS cutoff评分≥ 3 vs. ≥ 4)、Arif等[20](针对292例低危PCa患者)和Winkel等[21](针对PI-RADS评分 > 3但无组织病理学验证的病灶患者)相比,我们证明了我们的模型在所有PCa分级患者中对PCa检测和Gleason分级预测均具有良好的性能。人工智能近年来已变得流行,并被大量应用于PCa检测。事实上,一项纳入12项研究的荟萃分析[22]报告了在临床显著性PCa检测中总体合并AUC为0.86,范围为0.81–0.91。正如另一篇关于基于深度学习的AI应用的简要总结[12]所提出的,大多数基于深度学习的方法应用于训练和外部验证测试数据集中天然大规模、多样且注释良好的数据集,而PCa病灶注释即使对经验丰富的放射科医师也充满挑战。尽管本研究的发现基于 < 1000例的样本量,但我们尝试使用相较于PCa病灶注释更简便的前列腺注释,以在中国不同医疗中心进行广泛验证,此外还进行了公开挑战验证。
多参数MRI通过结合解剖学T1加权成像、T2WI、功能性DWI、DCE-MRI和磁共振波谱[23],对PCa的临床管理显示出高灵敏度和特异性诊断能力。正如2014年一篇以深度学习方法为重点的PCa影像学综述所提及,Giannini等[9]使用T2WI和ADC进行病灶检测,Matulewicz等[24]使用DCE进行PCa分类,Abraham等[25]使用T2WI、ADC和DWI进行PCa分类。这些研究[9]使用T2WI或ADC或两者、DWI和DCE-MRI进行PCa分类;仅Alkadi等[26]使用T2WI进行PCa检测。与Alkadi等的研究(样本量非常小,仅19例患者)相比,我们的模型在大规模多中心数据集上表现出可靠性能。本研究的优势在于,我们使用单模态成像(T2WI)的深度学习模型取得了良好性能。
前列腺活检是一种有创操作,只有在诊断准确时其获益才显而易见。通常,对于PI-RADS评分为4或5的病灶建议进行活检,这表明临床显著性癌症的可能性高或非常高[27]。对于评分为PI-RADS 3的病灶,进行活检的决定可能取决于其他因素,如PSA水平、PSA密度以及患者的整体临床情况和危险因素[27–29]。PI-RADS评分为1或2的病灶通常被认为低风险,可能不需要立即活检,但可能建议进行持续监测。在决定进行活检时,重要的是考虑患者的个体情况、偏好和整体健康状况,并与医疗保健提供者协商。
在RSNA 2020上展示的一项研究强调,缺乏管理PI-RADS 3患者的具体指南,并指出其中相当数量的患者可能在相对较短的时间内发展为临床显著性PCa。这表明可能需要对其护理管理采取更积极主动的方法[30]。RSNA News中提到的另一个观点指出,升级为PI-RADS 3类可能导致不必要的活检,强调了过度谨慎与避免不必要干预之间的微妙平衡[31]。Applied Radiology进一步阐述了PI-RADS 3病灶的管理,承认其与良性疾病表现重叠所带来的挑战。文章提到,欧洲泌尿外科学会指南建议对所有PI-RADS 3病灶进行活检,强调患者因素(如年龄、合并症和治疗偏好)在决策中的重要性。文章还强调了前列腺特异性抗原密度(PSAD)在评估PI-RADS 3病灶中临床显著性癌症风险方面的实用性,PSAD水平越高表明临床显著性PCa的可能性越大[32]。这些见解表明,尽管对PI-RADS 3病灶需要进行全面评估已达成共识,但活检方法可能因患者特异性危险因素、额外影像学特征和专业指南等因素而异。指南的持续制定以及PSAD等额外标志物的使用可能有助于完善这些中风险病灶的决策过程。
因此,如果能够无创地准确预测前列腺癌(PCa)的分期,就能有效减少因误诊和漏诊而导致的不必要活检。尽管我们的结果显示,与外部验证数据集相比,深度学习模型在公共挑战数据集上表现更好,但我们研究了图像质量因素,如层厚和视野。我们发现公共挑战数据集的层厚更薄,并以宽视野更好地显示前列腺。这一一致性符合图像质量可影响深度学习模型性能的认识。
在本研究中,邀请了一位拥有10年以上经验的高级放射科医生进行Gleason分级预测。然而,根据结果(表3–5;图4),深度学习模型的性能(平均AUC > 0.776)显著优于临床医生(平均AUC < 0.5)。事实上,临床医生准确预测Gleason分级非常困难,因为仅使用T2WI进行病理组织学诊断缺乏信心。此外,如先前的一篇综述[12]所述,许多已报告的 performance 指标大多基于交叉验证,未包含实际的放射科医生与AI交互;因此,这些研究不能代表真实世界环境。我们的研究展示并比较了临床医生和模型的性能,尽管这不能完全反映现实,但仍具有价值。
我们的研究存在一些局限性。第一,由于外部和公共挑战验证数据集的样本量较小,我们无法展示模型在外部或公共数据集上检测PCa的性能;此外,我们未能准确预测Gleason评分。第二,部分PCa患者的病理组织学来自活检,其中一些患者可能存在多个Gleason分级的癌灶。因此,我们仅预测最高Gleason分级,而非准确预测每个癌灶的Gleason分级。第三,所有MRI检查均使用3 T设备进行,这意味着训练好的模型在应用于非3T扫描图像时可能存在局限性。最后,我们的观察突出了比较人类与AI能力时公平性和准确性的一个关键方面,尤其是在医学影像和诊断等专业领域。Gleason评分用于基于组织样本对PCa的侵袭性进行分级,需要特定的病理学专业知识,而放射科医生通常可能不具备这些知识。相比之下,PI-RADS评分旨在供放射科医生评估前列腺MRI图像并提示临床显著性PCa的可能性,这更符合他们的培训和专长。
需要注意的是,本研究的目的并非强调医生缺乏准确性,而是指出医生可能不擅长预测Gleason分级。我们旨在在Gleason分级预测等专业任务中,对AI与人类性能进行更公平、更准确的比较。这种方法不仅确保了公平性,还有助于更好地理解AI工具如何补充专业知识以提高诊断准确性和患者护理结果。我们计划在未来的研究中解决这些局限性。
总之,我们使用T2WI的深度学习方法通过多中心数据集进行了验证,可能为准确诊断前列腺癌(PCa)和预测Gleason分级提供一种新方法。这对于临床实践中的治疗和决策具有重要的临床意义。
引用
- Jin L, Yu Z, Gao F, et al. T2-weighted imaging-based deep-learning method for noninvasive prostate cancer detection and Gleason grade prediction: a multicenter study. Insights Imaging. 2024. PMID: 38713377. doi:10.1186/s13244-024-01682-z
- 全文:PMC11076444(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11076444/
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。