文献速递泌尿生殖腹部MR

基于深度学习的图像质量评估对MRI上前列腺癌前列腺外侵犯检测准确性的影响

Deep learning-based image quality assessment: impact on detection accuracy of prostate cancer extraprostatic extension on MRI.
PubMed 文献 · Abdom Radiol (NY) · 2024-07-03

这项回顾性单中心研究纳入773例接受mpMRI后行根治性前列腺切除术的患者,用AI算法将T2WI分为高质量与低质量,并由一位泌尿生殖放射科医生按NCI EPE分级系统前瞻性评估前列腺外侵犯。结果显示,高质量T2WI在NCI EPE分级≥1时特异度显著更高(72% vs 63%,P=0.03),但敏感度、阳性预测值、阴性预测值无显著差异;NCI EPE分级1仅在高质量图像上与病理学EPE显著相关。

要点

  • 高质量T2WI在NCI EPE分级≥1时特异度显著高于低质量组(72% vs 63%,P=0.03)。
  • NCI EPE分级1在高质量图像上与病理学EPE显著相关(OR 3.05),低质量图像则无显著关联(OR 1.76)。
  • NCI EPE分级≥2和≥3的敏感度、特异度、PPV、NPV均未因图像质量而出现显著差异。

核心结论

  • 基于深度学习的AI算法可对前列腺MRI的T2WI进行质量分类,更好的T2WI质量与更准确地预测最终病理学EPE相关。
  • 高质量T2WI显著提高了NCI EPE分级≥1时检测EPE的特异度,但未显著影响敏感度、PPV或NPV。
  • NCI EPE分级1仅在高质量图像上与病理学EPE显著相关,低质量图像则无显著关联。

研究设计与样本

  • 回顾性单中心研究,纳入2007年6月至2022年8月接受mpMRI后行根治性前列腺切除术的773例连续患者(中位年龄61岁,IQR 56–67)。
  • 使用两台3T扫描仪(Achieva 3.0 T TX或Ingenia Elition 3.0 T X,Philips Healthcare),16通道表面线圈,587例使用直肠内线圈、186例未使用。
  • 由一位泌尿生殖放射科医生按NCI EPE 3级评分系统前瞻性评估EPE,仅分析每例患者的索引病灶。
  • 参考标准为根治性前列腺切除术后的组织病理学评估,按ISUP共识声明进行。
  • AI模型将T2WI分类为高质量(无质量失真)或低质量(存在失真),该模型此前已发表并可通过GitHub获取。

关键影像表现/征象

  • 高质量T2WI示例:59岁患者,血清PSA 6.1 ng/mL,病灶位于左中基底外周带,大小1.5 cm,PI-RADS 5类,可见轻度包膜膨隆(NCI EPE分级1),根治术后为Gleason 9(4+5)前列腺腺癌伴EPE,属真阳性。
  • 低质量T2WI示例:69岁患者,血清PSA 8.2 ng/mL,T2WI信噪比较低并伴运动伪影,ADC图和高b值DWI信噪比亦较低;病灶位于左尖基底外周带,大小1.7 cm,PI-RADS 5类,可见长曲线接触长度和包膜不规则/膨隆(NCI EPE分级2),根治术后为Gleason 8(4+4)前列腺腺癌无EPE,属假阳性。
  • NCI EPE分级在影像上的分布为:0级59%(455/773)、1级12%(95/773)、2级18%(137/773)、3级11%(86/773)。
  • EPE检出率随NCI EPE分级升高:1级24%(23/95)、2级40%(55/137)、3级62%(53/86)。

诊断标准与关键数值

  • NCI EPE 3级评分系统:曲线接触长度1.5 cm或包膜膨隆和不规则为1级,两者同时存在为2级,包膜明显突破为3级;EPE评分≥1视为阳性EPE。
  • NCI EPE分级≥1时,全部扫描的敏感度73%(95%CI 66–79%)、特异度68%(95%CI 65–72%)、PPV 41%(95%CI 38–45%)、NPV 89%(95%CI 87–91%)。
  • NCI EPE分级≥2时,敏感度60%(95%CI 52–67%)、特异度81%(95%CI 77–84%)、PPV 48%(95%CI 43–54%)、NPV 87%(95%CI 85–89%)。
  • NCI EPE分级≥3时,敏感度29%(95%CI 23–37%)、特异度94%(95%CI 92–96%)、PPV 62%(95%CI 52–71%)、NPV 82%(95%CI 80–83%)。
  • NCI EPE分级≥1时,高质量T2WI特异度72%(95%CI 67–76%)vs 低质量63%(95%CI 56–69%),P=0.03;敏感度72%(95%CI 62–80%)vs 75%(95%CI 63–85%)、PPV 44%(95%CI 39–49%)vs 38%(95%CI 32–43%)、NPV 89%(95%CI 86–92%)vs 89%(95%CI 85–93%)均无显著差异。

临床应用与阅片要点

  • AI算法将36%(280/773)的T2WI分类为低质量、64%(493/773)为高质量,可用于客观标记需关注图像质量的扫描。
  • NCI EPE分级1在低质量图像上未显示与病理学EPE的显著关联(多因素OR 1.76,95%CI 0.63–4.24,P=0.24),在高质量图像上则显著相关(OR 3.05,95%CI 1.54–5.86,P<0.001)。
  • MRI与病理不匹配(MRI阳性EPE分级≥1但病理阴性)见于全部病例的31%,低质量T2WI亚组为34%、高质量亚组为28%,差异接近统计学显著(P=0.09)。
  • 使用直肠内线圈对图像质量评估和EPE预测均无影响;MRI前是否行前列腺活检对EPE预测性能亦无差异。

局限性

  • 研究的回顾性性质和依赖单一机构数据集可能引入选择偏倚。
  • MRI判读由一位放射科医生完成,根治性前列腺切除术和病理评估由各自领域的专家完成,但均为临床常规实践而非研究方式。
  • 研究人群为接受根治性前列腺切除术的患者,其临床或影像特征可能不同于非手术人群。
  • 多读者分析结果提示存在一定的观察者间变异,这些因素可能限制研究结果的普遍性。
  • 未来研究应旨在多中心研究中验证这些结果,纳入更大且更多样化的患者队列。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Abdom Radiol (NY). 2024 Jul 3;49(8):2891–901. doi: 10.1007/s00261-024-04468-5

引言

除了在检测具有临床意义的前列腺癌中的作用外,多参数磁共振成像(mpMRI)在术前局部分期中发挥着重要作用,特别是在显示前列腺外延伸(EPE)方面。EPE是前列腺癌侵袭性的重要指标,与根治性前列腺切除术(RP)后手术切缘阳性可能性更高、生化复发率增加以及总生存期降低相关[1]。在mpMRI上早期发现EPE可影响治疗选择和手术方式,减少术后并发症[2, 3]。研究表明,mpMRI在预测病理性EPE方面可能优于传统临床风险计算器[4, 5]。此外,将mpMRI与临床风险评估相结合可提高预测病理性EPE的准确性[6]。因此,美国国家癌症研究所(NCI)建立了EPE分级系统,以标准化并帮助改善使用T2加权成像(T2WI)预测EPE[7]。

尽管mpMRI在前列腺癌诊断检查中的价值日益增长,但其在局部分期中的作用因中等敏感性和阳性预测值而面临挑战[8]。各中心采集参数的高度变异性进一步加剧了这些局限性,这可能影响整体图像质量,并最终影响阅片者解读和诊断性能[9]。前列腺影像报告和数据系统(PI-RADS)制定了最低技术要求和指南,旨在提高图像质量并减少变异性[10]。为进一步应对这些障碍,2020年引入了前列腺影像质量(PI-QUAL)评分系统[11]。由于图像质量往往“因人而异”,文献中关于mpMRI质量如何影响EPE预测准确性的研究结果不一[12–15]。更标准化的图像质量评估方法可能有助于确定其在诊断中的重要性。

前列腺MRI质量评估通常由放射科医师使用通用评估方法或PI-QUAL等特定标准进行。然而,这些方法因其固有的定性性质而可能存在变异性,在保持一致性标准方面存在挑战[16, 17]。在此背景下,基于深度学习的人工智能(AI)成为客观评估前列腺MRI扫描的有前景工具,可能克服人工评估的变异性。近期研究显示了AI在准确评估T2WI质量[18]以及识别基于AI的质量评估对MRI靶向活检性能影响[19]方面的能力。尽管有这些进展,前列腺MRI质量尤其是基于AI的评估的临床影响在很大程度上仍未得到充分探索。因此,本研究旨在使用基于深度学习的AI算法探讨T2WI质量对EPE检测的影响。

材料与方法

患者人群

这项符合HIPAA的回顾性研究经机构审查委员会批准,并获得了所有患者的书面知情同意(ClinicalTrials.gov标识符:NCT03354416、NCT00026884和NCT02594202)。对前瞻性维护的机构数据库进行回顾性查询,纳入2007年6月至2022年8月期间在一家学术中心接受mpMRI检查并随后接受RP的连续患者(图1)。既往接受过前列腺癌治疗的患者(N = 61),或属于用于训练AI算法的初始队列的患者(N = 39)被排除在研究之外。604例患者中一个亚组的结果此前已发表在一项评估基于MRI的分期预测RP后前列腺癌生化复发的研究中[20]。

图1 本研究的患者流程图。mpMRI 多参数MRI,AI 人工智能 查看原图 ↗

图像采集与评估

MRI检查在两台3 T扫描仪(Achieva 3.0 T TX扫描仪或Ingenia Elition 3.0 T X,Philips Healthcare,Best,荷兰)上进行,使用16通道表面线圈(SENSE,Philips Healthcare,Best,荷兰),伴(n = 587)或不伴(n = 186)直肠内线圈(BPX-30,Medrad,PA,美国)。成像前,指导每位患者进行灌肠以减少直肠气体。获得T2W turbo-spin-echo MRI、高b值echo-planar扩散加权成像(DWI)和gradient recalled echo动态对比增强(DCE)序列。完整图像采集参数总结于补充表1。

2010年至2022年,扫描在临床阅片过程中由一名泌尿生殖放射科医师(B.T.,自2007年起具有前列腺成像经验)进行前瞻性评估。2007年至2010年,由另一名放射科医师负责解读检查,且当时全面的癌症分期评估并非临床工作流程的一部分。因此,对于本研究,上述放射科医师(B.T.)对该期间的检查进行了回顾性解读。EPE使用NCI EPE分级系统进行评估[7]。3点分级系统定义如下:曲线接触长度为1.5 cm或包膜膨隆及不规则为1级,同时存在这两种特征为2级,明显的包膜突破为3级。EPE分级评分≥ 1被视为EPE阳性判定。每位患者仅考虑指数病灶(即PI-RADS分类最高者)进行统计分析。

为评估EPE的阅片者间一致性,MRI扫描的一个子测试由来自不同机构的第二名泌尿生殖放射科医师(Y.M.L.,具有10年前列腺癌成像经验)进行评估。共评估80次扫描,包括根据第一位阅片者的解读为四个NCI EPE分级(0级、1级、2级、3级)各随机选择的20次扫描。第二位阅片者对临床和病理细节以及第一位阅片者的解读均设盲。

根治性前列腺切除术与组织病理学评估

两名泌尿外科医师(P.A.P,具有23年经验;或S.G.,具有5年经验)实施RP。每份手术标本在临床工作流程中由一名泌尿生殖病理科医师(M.J.M.,具有45年经验)审阅,并对mpMRI结果设盲。RP时根据国际泌尿病理学会(ISUP)共识声明进行组织病理学评估[21]。

T2W MR图像质量评估AI模型

先前发表的前列腺图像质量评估AI模型将T2WI分类为高质量(无质量失真)与低质量(存在失真)[18]。一位放射科医师(B.T.)基于一般失真(如运动、噪声、混叠)和感知失真(如前列腺包膜、前列腺带、外尿道括约肌 delineation 模糊、直肠气体过多)将T2WI质量评估为高或低质量。该放射科医师的评估被用作训练AI算法的参考标准。该AI模型可通过以下GitHub仓库找到并访问:https://github.com/NIH-MIP/Prostate-MRI_T2W_Quality。

统计分析

分别采用Pearson卡方检验[22]和非参数Wilcoxon–Mann Whitney检验[23]检查分类变量和连续变量分布的差异。采用Fisher精确检验[24]比较高质量与低质量图像组之间的EPE检测指标(即灵敏度、特异度、阳性预测值[PPV]或阴性预测值[NPV])。诊断指标的95%置信区间(CI)通过对患者层面进行随机抽样从2000个 bootstrap 样本中获得。创建受试者工作特征(ROC)曲线,并计算ROC曲线下面积(AUC)。高质量与低质量图像组之间的AUC使用DeLong检验比较相关ROC曲线[25]。应用基于Akaike信息准则向后变量选择的一元和多元逻辑回归分析与病理EPE进行相关性分析[26]。使用未加权和二次加权的Cohen's kappa评估两位读者之间的一致性[27]。Kappa值分类为轻微(0–0.20)、一般(0.21–0.40)、中等(0.41–0.60)、显著(0.61–0.80)和极好(0.81–1)。所有检验均为双侧,P值<0.05被认为具有统计学意义。统计分析使用R软件(版本4.2.1;R Foundation for Statistical Computing)进行。

结果

患者特征

最终研究人群包括773例患者,中位年龄为61(IQR 56–67)岁。中位血清前列腺特异性抗原水平为6.5(IQR 4.6–10.2)ng/mL,中位前列腺特异性抗原密度为0.16(IQR 0.10–0.26)ng/mL2。MRI与RP之间的中位时间间隔为95(IQR 51–158)天。在RP时,23%(180/773)的患者有病理EPE。在mpMRI上,41%(131/318)的阳性EPE判断在病理上发现存在EPE。影像学上NCI EPE分级的分布如下:0级占59%(455/773),1级占12%(95/773),2级占18%(137/773),3级占11%(86/773)。研究人群的详细人口学和临床特征总结于表1。

表1 患者人口学和特征 查看原表 ↗

读者间一致性

两位读者对NCI EPE分级评估(n = 80,未加权κ = 0.30 [95% CI 0.16–0.44];加权κ = 0.63 [95% CI 0.49–0.78])具有一般至显著一致性,对MRI上 frank EPE 评估(NCI EPE分级 = 3级 versus 0–2级)(未加权κ = 0.41 [95% CI 0.17–0.64])具有中等一致性。

AI T2W图像质量评估

AI算法将773例T2WI中的493例(64%)归类为高质量,将773例T2WI中的280例(36%)归类为低质量。高质量和低质量扫描的示例分别见图2和图3。

图2 一名59岁患者的多参数MRI,血清前列腺特异性抗原水平为6.1 ng/mL。AI将T2WI归类为高质量。病灶(星号)位于左侧中基底外周带,大小为1.5 cm,被评定为PI-RADS 5类。注意到轻度包膜膨隆(NCI EPE分级=1)(箭头)。根治性前列腺切除术显示Gleason评分9(4+5)的前列腺腺癌伴EPE,代表真阳性EPE判断。轴位T2WI(A)、表观扩散系数图(B)、高b值(b=1500 s/mm2)扩散加权成像(C)、动态对比增强成像(D)。AI人工智能,T2WI T2加权成像,PI-RADS前列腺影像报告和数据系统,NCI美国国家癌症研究所,EPE前列腺外延伸 查看原图 ↗
图3 一名69岁患者的多参数MRI,血清前列腺特异性抗原水平为8.2 ng/mL。T2WI信噪比较低并有运动伪影,而ADC图和高b值DWI的信噪比也较低。AI将T2WI归类为低质量。病灶(星号)位于左侧尖-基底外周带,大小为1.7 cm,被评定为PI-RADS 5类。注意到长曲线状接触长度和包膜不规则/膨隆(NCI EPE分级=2)(箭头)。根治性前列腺切除术显示Gleason评分8(4+4)的前列腺腺癌,无EPE,代表假阳性EPE判断。轴位T2WI(A)、ADC图(B)、高b值(b=1500 s/mm2)DWI(C)、动态对比增强成像(D)、冠状位T2WI(E)。AI人工智能,T2WI T2加权成像,ADC表观扩散系数,DWI扩散加权成像,PI-RADS前列腺影像报告和数据系统,NCI美国国家癌症研究所,EPE前列腺外延伸,SNR=信噪比 查看原图 ↗

按图像质量分层的诊断准确性

NCI EPE分级1级的EPE检出率为24%(23/95),2级为40%(55/137),3级为62%(53/86)。对于NCI EPE分级≥1,所有扫描中预测EPE的敏感性为73%(95% CI 66–79%),特异性为68%(95% CI 65–72%)。PPV和NPV分别为41%(95% CI 38–45%)和89%(95% CI 87–91%)。对于NCI EPE分级≥2,敏感性为60%(95% CI 52–67%),特异性为81%(95% CI 77–84%),PPV为48%(95% CI 43–54%),NPV为87%(95% CI 85–89%)。对于NCI EPE分级≥3,总体敏感性为29%(95% CI 23–37%),特异性为94%(95% CI 92–96%)。PPV和NPV分别为62%(95% CI 52–71%)和82%(95% CI 80–83%)。检测EPE在各NCI EPE分级中的详细诊断指标总结于表2。

不同EPE分级间的AUC、敏感性、PPV和NPV未显示出可归因于图像质量的显著差异。对于NCI EPE分级≥1,高质量T2WI组的特异性显著高于低质量组(72%[95% CI 67–76%] vs 63%[95% CI 56–69%],P=0.03)。此外,在31%的总病例中观察到MRI与病理不一致(即MRI判断阳性[EPE分级≥1]但病理阴性)。该不一致在低质量T2WI亚组中略更常见,为34%,而高质量亚组为28%,接近统计学显著性(P=0.09)。

为检验MRI前活检状态对EPE预测的影响而进行的额外分析显示,在前列腺活检之前和之后接受MRI的患者之间,MRI的预测性能没有差异(补充表2)。最后,我们评估了使用ERC对质量评估和EPE预测的影响。我们观察到使用ERC对图像质量和EPE预测没有影响(补充表3)。

表2 检测EPE的诊断指标 查看原表 ↗

用于EPE预测的单变量和多变量逻辑回归分析

在预测病理性EPE的单变量逻辑回归模型中,评估了临床和病理变量、影像特征及图像质量。前列腺特异性抗原(比值比[OR] 1.07,95% CI 1.05–1.09;P < 0.001)、前列腺特异性抗原密度(OR 20.33,95% CI 8.08–54.29;P < 0.001)、ISUP分级4级(OR 3.70,95% CI 1.95–7.40;P < 0.001)和5级(OR 9.75,95% CI 4.72–21.17;P < 0.001),以及外周带指数病灶(OR 1.52,95% CI 1.02–2.29;P = 0.04)是组织病理学EPE的显著预测因素。NCI EPE分级升高与预测病理性EPE的OR呈逐步增加相关(表3)。与MRI上无EPE证据的患者相比,高质量图像上NCI EPE 1级患者与病理性EPE呈显著相关(OR 3.44,95% CI 1.78–6.43;P < 0.001)。相反,低质量图像上NCI EPE 1级患者未显示与病理性EPE的显著相关(OR 1.60,95% CI 0.58–3.79;P = 0.32)。

在多变量逻辑回归模型中,前列腺特异性抗原密度(OR 3.61,95% CI 1.39–10.16;P = 0.01)以及ISUP分级4级(OR 2.09,95% CI 1.30–3.35;P = 0.002)和5级(OR 5.13,95% CI 2.77–9.58;P < 0.001)仍为显著预测因素。高质量图像上NCI EPE 1级与病理性EPE显著相关(OR 3.05,95% CI 1.54–5.86;P < 0.001),而低质量图像上NCI EPE 1级与病理性EPE无相关(OR 1.76,95% CI 0.63–4.24;P = 0.24)。对于NCI EPE 2级,低质量图像(OR 4.25,95% CI 2.21–8.05;P < 0.001)和高质量图像(OR 4.99,95% CI 2.80–8.86;P < 0.001)均显示与病理性EPE显著相关。同样,对于NCI EPE 3级,低质量图像(OR 6.63,95% CI 2.89–15.44;P < 0.001)和高质量图像(OR 10.63,95% CI 5.55–20.82;P < 0.001)均与病理性EPE显著相关。

表3 用于病理性EPE风险预测的单变量和多变量逻辑回归模型 查看原表 ↗

讨论

EPE 的检测是前列腺癌侵袭性的关键指标,对于指导治疗决策和手术策略至关重要。然而,mpMRI 的解读和 EPE 的检测并非没有挑战,部分原因是图像质量的可变性以及放射学评估的主观性。人工智能有潜力支持医生客观、快速地评估 MRI 扫描的质量。因此,本研究调查了使用先前开发的人工智能算法评估的 T2W 图像质量对接受 RP 患者 EPE 检测的影响。虽然图像质量未显著影响敏感性、PPV 或 NPV,但在 NCI EPE 分级 ≥ 1 时,高质量 T2WI 对 EPE 检测的特异性观察到显著改善(72% vs. 63%,P = 0.03)。此外,单变量和多变量分析均显示,NCI EPE 分级 1 的高质量图像与低质量图像相比,与病理性 EPE 的关联更强。

当前文献报道预测病理性 EPE 的准确性范围广泛,这可能源于放射学 EPE 评估的测量指标和模式差异 [28–30]。在本研究中,我们通过 NCI EPE 分级系统评估放射学 EPE 的存在,该系统具有简单和标准化的优点。我们使用 mpMRI 预测 EPE 的结果强调了其高特异性但敏感性适中。这与一项评估 mpMRI 识别 EPE 诊断性能的荟萃分析结果一致,其汇总敏感性和特异性分别为 0.57 和 0.91 [31]。另一项研究 NCI EPE 分级系统的荟萃分析报告 EPE 预测的分层汇总 AUC 为 0.82 [32],这与本研究中 AUC 为 0.74 的结果一致。

由于前列腺MR图像质量是一个相当新的研究领域,大多数研究集中于PI-QUAL评分对前列腺外侵犯(EPE)预测的影响[12–15]。在一项纳入146例患者的回顾性研究中,Coelho等[14]发现PI-QUAL评分不影响EPE预测的总体准确性。具体而言,PI-QUAL评分≤3分的图像AUC为0.75,PI-QUAL评分≥4分的图像AUC为0.705。在单因素和多因素分析中,PI-QUAL评分均未显示与EPE预测相关。由于样本量有限(n = 146),其研究未评估某些诊断指标(如特异度)的统计学显著性。本研究以更大的研究人群证明了NCI EPE分级≥1时特异度差异具有统计学显著性。我们还发现,高质量图像在所有分级中均与更高的EPE预测OR相关。值得注意的是,在多因素分析中,低质量图像的NCI EPE分级1并非病理性EPE的显著预测因子。这些发现提示,基于AI的成像质量评估可能通过T2WI质量显著影响患者风险分层,从而实现更个性化的治疗策略。在另一项纳入105例患者的回顾性研究中,Ponsiglione等发现,具体对于EPE分级3,PI-QUAL≥4的研究准确性高于PI-QUAL<4的研究(0.849 vs. 0.564,P = 0.001)[13]。这与我们的结果相反。然而,需要注意的是,PI-QUAL评分系统利用所有mpMRI序列,而我们研究中使用的AI模型仅关注T2WI,T2WI被认为是检测EPE最关键的解剖脉冲序列。这一区别凸显了脉冲序列特异性分析在提高EPE预测精度方面的重要性。

关于用于评估前列腺MR图像质量的自动化AI研究仍在兴起,迄今为止研究较少[18, 33, 34]。尽管如此,目前的研究结果是令人鼓舞的。一个AI模型在其测试阶段展示了近乎完美的准确性[33]。我们研究中使用的AI模型在其开发阶段对1046次扫描达到了84.7%的准确性[18]。这一准确性水平确立了AI显著增强图像质量评估的潜力,为进一步的临床应用奠定了坚实基础。例如,一项使用该AI算法评估T2W图像质量对前列腺癌检出率影响的研究发现,较高质量的T2WI与PI-RADS 4病灶中更高的临床显著癌检出率相关[19]。展望未来,AI驱动的图像质量评估有望无缝整合到临床和研究工作流程中,确保统一的图像质量。此外,该AI模型具有在扫描过程中实时应用的潜力,为技师就是否需要重新扫描做出知情决策提供及时帮助[16]。

我们的研究存在一些局限性。其回顾性性质以及对单一机构数据集的依赖可能引入选择偏差。MRI扫描的判读由一名放射科医师完成,RP和病理评估由各自领域的专家完成。然而,所有这些均是作为临床常规实践的一部分而非以研究方式进行的,这反映了学术临床实践环境中的真实生活场景。研究人群由接受RP的患者组成,其临床或影像学特征可能与未手术人群不同。多阅片者分析的结果提示存在一定的观察者间变异。这些因素可能限制研究结果的普遍适用性。未来研究应旨在通过多中心研究验证这些结果,纳入更大且更多样化的患者队列。值得注意的是,高质量T2WI组的前列腺特异性抗原水平和前列腺体积显著高于低质量组。这些临床变量可能潜在影响图像质量的评估和EPE的评价。此外,单变量和多变量分析提示,随着图像质量提高,预测病理学EPE的OR呈升高趋势。然而,CI的宽泛重叠,尤其是对于EPE 2级和3级,表明虽然高质量图像的OR较高,但其临床意义可能需要谨慎解读。此外,本研究评估的AI模型仅限于评估T2WI的质量。在实践中,放射科医师可能利用其他序列,包括DWI和DCE MRI,来评估EPE。我们团队正在积极开发AI模型以评估这些功能性MRI脉冲序列的质量。

总之,本研究证明了由AI算法评估的T2W图像质量对接受RP患者EPE检测的显著影响。研究结果揭示,高质量T2WI显著提高了NCI EPE ≥ 1级的特异性,并且NCI EPE 1级仅在使用高质量图像时与病理学EPE相关。鉴于EPE检测的挑战和MRI质量的变异性,整合基于AI的图像质量评估可为更定制化和标准化的前列腺癌评估提供有前景的解决方案。

补充信息

以下是电子补充材料的链接。补充文件1(DOCX 17 kb)

引用

  1. Lin Y, Belue MJ, Yilmaz EC, et al. Deep learning-based image quality assessment: impact on detection accuracy of prostate cancer extraprostatic extension on MRI. Abdom Radiol (NY). 2024. PMID: 38958754. doi:10.1007/s00261-024-04468-5
  2. 全文:PMC11300622(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11300622/

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。