多参数MRI与人工智能在膀胱癌治疗反应预测和监测中的应用
本文综述了多参数MRI(mpMRI)衍生的定量影像生物标志物(QIBs)和影像组学在膀胱癌治疗反应评估中的潜力,并讨论了人工智能在图像分割、特征提取和预测模型构建中的作用。作者指出,基于mpMRI的QIBs和影像组学可能优于RECIST标准,但需多中心研究验证。
要点
- VI-RADS可用于术前评估肌层浸润,但治疗后因解剖改变应用受限。
- ADC值和DCE-MRI参数等QIBs可早期预测BCG、NAC和CRT的治疗反应。
- Delta-radiomics和AI可提升影像组学特征提取及预测模型性能。
核心结论
- 基于mpMRI的QIBs、影像组学和人工智能有潜力改善膀胱癌治疗反应评估和预后预测。
- QIBs和影像组学可能优于RECIST标准,用于早期识别治疗引起的肿瘤变化。
研究设计与样本
- 综述,总结了mpMRI衍生QIBs和影像组学在膀胱癌预后预测和治疗反应评估中的文献。
- 纳入文献涉及BCG、NAC、CRT和免疫治疗等治疗后的评估。
关键影像表现/征象
- NAC应答者治疗后ADC显著升高且更不均匀,ADC直方图参数在应答者中较高。
- 残留肿瘤的平均峰度(MK)值高于炎症病变,MKb的AUC最高为0.943。
- DCE-MRI参数rSI80s在残留肿瘤区显著高于无残留治疗区,AUC为0.861。
诊断标准与关键数值
- T1高级别BCa接受BCG治疗:ADC < 1.09 × 10-3 mm²/s是复发的独立预测因子,ADC < 0.985 × 10-3 mm²/s是进展的独立预测因子。
- NAC后诊断pCR:平均ADC阈值0.911 × 10-3 mm²/s,敏感度90.0%–91.2%,特异度89.3%–91%。
- NAC后诊断应答者:平均ADC阈值1.65 ×10-3 mm²/s,AUC为0.74。
- 鉴别残留肿瘤与治疗效应:rSI80s敏感度70%、特异度100%;Fp敏感度60%、特异度86%;两者联合敏感度75%、特异度100%。
- NAC应答预测:预处理MRI平均ADC阈值1.33 × 10-3 mm2/s,AUC为0.88。
临床应用与阅片要点
- VI-RADS可用于术前肌层浸润评估,但治疗后因解剖改变应用困难。
- ADC值可帮助筛选T1高级别BCa中可能需要早期RC而非BCG保守治疗的患者。
- nacVI-RADS是新近研究的VI-RADS迭代,用于评估NAC反应,需大队列验证。
- QIBs整合到临床方案可能减少膀胱镜检查需求,实现微创治疗反应评估。
局限性
- nacVI-RADS需大队列进一步研究验证。
- QIBs测量技术需标准化并通过大规模研究验证才能广泛临床应用。
- mpMRI评估免疫治疗反应需进一步研究确认疗效和潜在生存获益,标准化方案制定至关重要。
- 多模态膀胱保留治疗中影像组学和AI需多中心研究验证。
全文中译20 节 · 点击展开
引言
膀胱癌(BCa)是全球第10位最常见、第13位最致命的癌症。其发病率正稳步上升,尤其是在欧洲。尿路上皮癌占BCa病例的90%以上,其余10%包括鳞状细胞癌和腺癌等较少见的组织学类型[1]。肌层浸润显著影响BCa的管理和预后,肌层浸润性膀胱癌(MIBC)的预后差于非肌层浸润性膀胱癌(NMIBC)[2, 3]。区分这两种类型至关重要[4]。NMIBC通常采用经尿道膀胱肿瘤电切术(TURB)治疗,可联合或不联合膀胱内治疗[2, 3]。MIBC通常采用根治性膀胱切除术(RC)治疗,常联合新辅助全身治疗,或采用包括TURB、放射治疗(RT)和化疗的多模式保膀胱方案[2, 3]。
MRI可提供适当的局部评估和治疗反应监测。膀胱影像报告和数据系统(VI-RADS)是一种基于多参数磁共振成像(mpMRI)的共识报告系统,已被提出用于标准化BCa患者的术前肌层浸润评估[4, 5]。
本综述旨在提供关于影像学方法在BCa中潜在应用价值的最新进展,探讨其在治疗反应评估中扩展的作用,并讨论人工智能(AI)在这一领域日益增长的重要性。因此,本综述的前半部分讨论MRI在预后判断和治疗反应评估中的意义与挑战,后半部分描述AI应用于mpMRI和影像组学以克服这些挑战。
膀胱癌患者当前的诊断和治疗策略
膀胱癌(BCa)通常以血尿为首发表现,其初始诊断检查一般包括体格检查、超声(US)和诊断性膀胱镜检查[2, 6]。将多参数磁共振成像(mpMRI)纳入膀胱癌指南的工作正在推进[2]。虽然CT尿路造影用于初始影像学评估,但MRI能提供更好的局部评估和治疗反应监测。多项研究证实了膀胱影像报告和数据系统(VI-RADS)的诊断准确性[7–11]。然而,由于解剖结构改变,尤其是肌层的变化,将VI-RADS应用于治疗后膀胱壁评估具有挑战性。图1展示了代表性患者的VI-RADS评分。表1、补充表1和补充表2分别详述了国际指南、TNM分类和传统影像学方法的特征[2, 4–6, 12–21]。对于非肌层浸润性膀胱癌(NMIBC),2021年欧洲泌尿外科学会评分模型有助于风险分层并指导辅助治疗,如卡介苗(BCG)治疗或化疗[22–25]。帕博利珠单抗等免疫治疗正成为BCG无应答NMIBC的二线治疗[26, 27]。对于肌层浸润性膀胱癌(MIBC),根治性膀胱切除术(RC)仍是标准治疗,通常联合新辅助化疗(NAC),因为MIBC对传统方案的应答具有异质性[28, 29]。近期进展使RC对老年患者可行,尽管许多患者在术后一年内死亡,凸显了需要替代疗法以降低死亡率和维持生活质量[30–33]。保留膀胱的多模式治疗,包括根治性经尿道膀胱肿瘤电切术(TURB)后行NAC和放化疗(CRT),是替代RC的有前景的治愈性选择[2, 34]。图2描绘了MIBC患者管理的决策过程。
用于膀胱癌患者治疗评估的新一代影像技术
源自mpMRI的定量影像生物标志物(QIBs)
弥散加权(DW)-MRI和动态对比增强(DCE)-MRI是mpMRI VI-RADS方案的组成部分[5],源自这些方法的定量影像生物标志物(QIBs)有助于评估基线和治疗应答中的早期细胞和血管变化[35, 36]。此外,生理性QIBs可在可观察到的尺寸变化之前揭示癌细胞和肿瘤微环境的空间和时间改变[37, 38]。
mpMRI非常适合放射组学,放射组学涉及从医学图像中数学提取数据(如信号强度和基于像素或体素的关系)[39–42]。治疗前后放射组学值的变化(delta-放射组学)可能通过识别早期肿瘤变化,增强当前监测治疗反应的标准——实体瘤疗效评价标准(RECIST)[39, 40, 43]。
来自DW-MRI和DCE-MRI的定量影像生物标志物(QIBs)有望作为膀胱镜检查的非侵入性替代方法,用于预测早期治疗反应[35, 36, 44]。
表观扩散系数(ADC)图反映组织中水分子的运动性,由至少两个b值的DW图像计算得出[45]。水扩散被认为与肿瘤组织细胞密度呈负相关[46]。先进的扩散峰度成像(DKI)模型将扩散衍生参数扩展到ADC之外,以量化水扩散偏离高斯分布的程度。峰度系数(K)是一个无量纲量,据报道在健康组织和肿瘤组织之间存在差异[47]。
DCE-MRI是提供生理性QIBs的一种潜在有用方法。使用半定量和定量方法,可对DCE-MRI数据的信号强度时间过程进行建模[48]。半定量参数包括信号增强、流入率和流出率。对时间-对比剂浓度曲线数据进行定量分析以估计体积转移常数,并反映血管灌注/通透性[48]。将QIBs整合到临床方案中可能减少膀胱镜检查的需要,并使治疗反应评估能够以侵入性更低的方式进行。图3和图4分别显示了DW-MRI的ADC机制和DCE-MRI的定量参数。
放射组学和人工智能
影像组学涉及对多种定量影像特征的计算机化提取,包括大小和形状信息以及基于像素或体素的高级纹理特征。治疗前后影像组学衍生值的变化(delta-影像组学)可能通过识别早期肿瘤变化来增强当前监测治疗反应的标准[6, 16, 19]。过去十年中,术前影像方法取得了显著进展,尤其是膀胱多参数磁共振成像(mpMRI),已成为膀胱癌(BCa)诊断和分期的基石,在检测肌层浸润方面准确率高达85%[49]。影像组学的出现标志着放射肿瘤学领域的潜在飞跃,它通过提取肉眼不可见的特征(如像素或体素强度及纹理衍生物)来量化医学图像的异质性[39, 50, 51]。图5展示了定量影像生物标志物(QIBs)和影像组学的方案示意图,可用于对BCa患者实施个性化诊疗。
治疗前预后预测
使用基于治疗前MRI的定量影像生物标志物和影像组学来预测BCa患者接受BCG、新辅助化疗(NAC)及多模式治疗等治疗后的预后,是一个有前景的研究领域。
表2总结了利用治疗前MRI的mpMRI定量影像生物标志物和影像组学进行预后预测的文献。
mpMRI预测
BCG治疗主要用于非肌层浸润性膀胱癌(NMIBC),通过将减毒结核分枝杆菌菌株注入膀胱以刺激免疫系统并靶向癌细胞[52]。常规膀胱镜检查和尿液分析对于局部监测至关重要,因为BCG诱导的炎症可能损害标准影像技术的诊断性能。在接受BCG治疗的T1高级别BCa患者中,Abd Elwahab等报道治疗前MRI上较低的ADC值与较高的ADC值相比,与显著更高的疾病复发和进展风险相关[53]。具体而言,多因素分析显示ADC < 1.09 × 10-3 mm²/s和ADC < 0.985 × 10-3 mm²/s分别是复发和进展的唯一显著独立预测因子[53]。这些发现表明,ADC值有助于对可能需要早期根治性膀胱切除术(RC)而非BCG保守治疗的T1高级别BCa患者进行分类。
治疗前MRI上的ADC值为接受BCG治疗的T1高级别BCa患者提供了有价值的预后工具,必要时可引导治疗决策转向更积极的干预措施。图6展示了BCG治疗的代表性病例。
Nguyen等人揭示,治疗前DW-MRI的ADC直方图得出的均匀性和熵指标在应答者中显著高于无应答者[54]。Zhang等人报道,治疗前MRI的平均ADC值在应答者中显著高于无应答者,使用报道的截止值1.33 × 10-3 mm2/s,应答者诊断的AUC为0.88[55]。Hafeez等人报道,基线ADC与放疗后ADC之间的变化(ΔADC)在75百分位数处> 15.5%与总生存期(风险比(HR),0.40;95%置信区间(CI),0.19–0.86;p = 0.0179)、BCa特异性生存期(HR,0.26;95% CI,0.08–0.82;p = 0.0214)、无进展生存期(HR,0.16;95% CI,0.05–0.48;p = 0.0012)和至膀胱切除术时间(HR,0.19;95% CI,0.07–0.47;p = 0.0004)的显著改善相关[56]。
治疗前DW-MRI的ADC直方图指标有望作为NAC反应的预后指标,有助于对可能从治疗中获益的患者进行分层。
放射组学预测
Zhang等人报道,使用结合T2加权成像(T2WI)、DW-MRI和ADC特征(特别是小波变换特征)的模型预测肿瘤对NAC反应的准确性很高,AUC为0.967[57]。治疗前MRI中的放射组学特征,如小波-HLL-GLRLM(灰度游程矩阵)游程熵和小波-LLH-GLCM(灰度共生矩阵)差异平均值,与NAC反应显著相关[57]。
整合来自T2WI、DW-MRI和ADC图的小波变换特征显著提高了预测NAC反应的准确性,突显了放射组学在个性化治疗计划中的潜力。
多模式治疗将经尿道膀胱肿瘤电切术(TURB)与放化疗(CRT)相结合,为根治性膀胱切除术(RC)提供了一种保留器官的替代方案。缓解率和总生存结局存在差异,正在进行的研究旨在确定治疗反应的预测因素以优化患者选择[2, 34]。Kimura等人利用影像组学,使用Q1 ADC、GLCM相关性和GLCM均匀性等影像特征来预测CRT反应[58]。治疗前MRI上较低的Q1 ADC和GLCM均匀性与CRT反应性显著相关。基于ADC图纹理分析开发的支撑向量机模型在预测病理完全缓解(pCR)方面提供了最高的AUC值0.96。GLCM相关性评估像素对灰度值的线性依赖性,而GLCM均匀性衡量GLCM矩阵中元素分布的均匀程度。均匀性值升高意味着纹理一致,有助于区分正常组织与病理组织,因为癌性病灶通常表现为均匀性降低[58]。
多模式治疗作为保留膀胱的治疗方法是一种新兴的治疗策略,影像组学和人工智能在该领域的进一步应用以及在多中心研究中的验证是一个有前景的研究方向。图7展示了一例多模式治疗应答者的代表性病例。
NAC后治疗反应评估
多参数MRI(mpMRI)特征描述
在新辅助化疗(NAC)后达到病理完全缓解(pCR)的患者预后更好,而有残留病灶的患者面临更高的复发风险和更差的预后[2, 59, 60]。早期准确评估NAC反应有助于替换无效治疗、改善预后并减少副作用[59, 60]。Ahmed等报道,由于NAC后微细胞密度降低,应答者的ADC显著升高且更加异质。他们报道,使用NAC后MRI平均ADC的截断值0.911 × 10-3 mm²/s,诊断pCR的敏感度和特异度分别为90.0%~91.2%和89.3%~91%[61]。DW-MRI有助于识别肌层浸润性膀胱癌(MIBC)中对NAC应答良好的患者,并优化膀胱保留策略的患者选择。Hafeez等观察到应答者与非应答者之间平均ADC变化存在显著差异,使用报道的NAC后平均ADC截断值1.65 ×10-3 mm²/s,诊断应答者的AUC为0.74[56]。Donaldson等发现,结合定量和半定量DCE-MRI分析可有效区分残留肿瘤与无残留肿瘤的治疗区域。区分残留肿瘤与治疗效应的敏感度和特异度分别为:rSI80s(静脉期相对强化)为70%和100%,Fp(血浆灌注)为60%和86%,两项指标联合为75%和100%[48]。Chakiba等显示,残留肿瘤区域测得的rSI80s显著高于无残留肿瘤的治疗区域,使用rSI80s 40%时AUC为0.861,表明rSI80s具有评估NAC反应的潜力[62]。Nguyen等证明体积分数(VF)变化与NAC反应之间存在显著关联[63]。有反应的肿瘤从基线到周期中期表现为簇2(低kep(对比剂外渗速率常数)和高Amp(振幅或浓度曲线下初始面积))的VF增加,以及簇1(低kep和低Amp)和簇3(高kep和低Amp)的减少。簇2的VF变化呈现的敏感度/特异度/准确度分别为96%/100%/97%[63]。Wang等报道残留肿瘤的平均峰度(MK)值高于炎性病变[64]。报道的截断平均峰度值分别为MKa = 0.637、MKb = 0.516和MKc = 0.478。MKb呈现最高的AUC为0.943[64]。
nacVI-RADS是VI-RADS评分的新迭代版本,最近已在治疗后背景下进行了研究,包括专为评估NAC反应而定制的特定分类[65]。据报道,nacVI-RADS分类与pCR病例及对NAC表现为部分或微小反应患者的最终根治性膀胱切除术(RC)病理结果相对应[65]。需要使用大规模队列的进一步研究来验证该评分系统。
尽管mpMRI与特定生物标志物(如ADC和DCE-MRI参数)的整合在NAC反应的无创评估方面显示出前景,但测量技术的标准化和大规模研究的验证对于实现广泛临床应用是必要的。图8和图9分别显示了NAC应答者和非应答者的代表性病例。
治疗后预后预测
准确评估治疗反应对于改善BCa患者的预后至关重要。然而,基于肿瘤大小的标准RECIST标准在准确评估治疗反应方面存在局限性[51]。表3总结了关于mpMRI和放射组学QIBs利用治疗后MRI评估治疗反应的文献。
mpMRI表征
免疫治疗
免疫治疗是癌症治疗的基石。传统上,RECIST标准通过影像学监测实体瘤反应,尤其是CT扫描[66–68]。然而,对免疫治疗的独特反应模式,如假性进展[69, 70],对RECIST框架提出了挑战,导致 adaptations,如免疫相关反应标准和改良RECIST[71, 72]。Necchi等人评估了新辅助帕博利珠单抗治疗后的膀胱肿瘤反应,并提出结合mpMRI序列的逐步评估。在帕博利珠单抗治疗后MIBC中,mpMRI评估具有可接受的观察者间变异性(κ值范围为0.5至0.76),并为定义放射学完全缓解状态/无疾病证据、预测帕博利珠单抗的pCR奠定了基础[73]。
虽然早期发现表明mpMRI在评估免疫治疗反应方面可能有价值,但需要进一步研究以确认其疗效和潜在生存获益。标准化方案的开发对于更广泛的临床应用至关重要。图10显示了免疫治疗应答者的代表性病例。
放射治疗(RT)
放射治疗策略旨在优化疾病控制,同时尽量减少对健康膀胱组织的损伤[74]。Hafeez等报道,由于肿瘤细胞死亡、水肿、炎症和微血管渗漏导致微细胞密度降低,应答者的放疗后ADC显著更高[75]。基线ADC均值与放疗后ADC均值之间的变化(ΔADC均值)为0.16 × 10-3 mm2/s,诊断放疗应答的敏感性/特异性/阳性预测值/阴性预测值分别为92.9%/100.0%/100.0%/75.0%。DW-MRI衍生的生物标志物可为BCa放疗应答评估提供无创工具,并有助于风险分层[75]。
使用mpMRI,特别是DW-MRI,评估RT应答是有前景的,但需要进一步验证。
放射组学特征描述
尚未有已确立的关于利用治疗后MRI进行放射组学治疗应答评估的论文发表。该领域缺乏已确立的放射组学研究,凸显了未来研究的重大机会。
AI在mpMRI和放射组学中的应用
分割和特征提取
在膀胱MRI中,基于AI的分割算法,尤其是基于深度学习(DL)的算法,在放射组学特征提取的标准化中发挥了关键作用。例如,CNN可在膀胱mpMRI扫描数据集上训练,以自主分割相关区域并量化相关特征,如肿瘤纹理、边缘清晰度和对比度变化,这些传统上是劳动密集型任务且受观察者变异性影响。这种自动化促进了大规模放射组学分析,并促进了不同研究间特征提取的一致性,从而减少了手动分割或特征计算引入的变异性[76]。Moribata等最近证明,基于MRI的U-net模型在mpMRI上分割BCa具有高精度,提取的放射组学特征显示出显著的可重复性。多序列成像模型通过五折交叉验证实现了最高的Dice相似系数,训练数据集和验证数据集的平均Dice相似系数值分别为0.83和0.79[77]。图11显示了基于DL的分割和特征提取的流程图。
加速图像采集
深度学习(DL)重建技术已显示出在膀胱MRI方案中缩短扫描时间和增强降噪的潜力。最近一项研究表明,与常规T2WI扫描相比,将T2WI与降噪DL重建相结合可显著提高VI-RADS对膀胱癌(BCa)患者肌层浸润的诊断准确性[78]。此外,在双参数MRI(T2WI与DW-MRI的组合,不含DCE-MRI)上应用降噪DL重建,较常规双参数MRI提高了对肌层浸润的诊断准确性[79]。这种DL重建方法对于需要频繁监测以评估肿瘤治疗反应的BCa患者可能特别有利。图12展示了基于DL的MRI重建机制。
最小化对比剂剂量或消除对对比剂的需求
先进的人工智能技术,如生成对抗网络,具有通过减少所需对比剂剂量或完全消除其需求来革新膀胱对比增强磁共振成像的潜力。生成对抗网络已被研究用于增强非对比图像或模拟对比增强的能力,在提供重要诊断信息的同时降低钆基对比剂相关风险[80, 81]。尽管这一创新技术此前尚未应用于膀胱MRI方案,但仍需进一步的开拓性研究来证明生成对抗网络如何可用于膀胱MRI,从非对比或低剂量对比扫描中生成具有诊断相关性的图像,这提示着对于因全身化疗导致肾功能损害的患者而言,成像实践正朝着更安全的方向发展。
QIBs和影像组学面临的挑战
mpMRI来源QIBs面临的挑战
尽管mpMRI来源的QIBs在膀胱癌(BCa)治疗反应评估中具有广阔的应用前景,但其融入常规临床实践仍面临重大障碍。定量成像生物标志物联盟(QIBA)强调了这些挑战。该联盟就减少MR方案变异性和数据处理技术不一致性提供了建议,这些因素影响QIB测量的精确性和标准化,例如DW-MRI的ADC和DCE-MRI的Ktrans[35]。数据缺乏可重复性和再现性阻碍了临床转化,需要标准化成像方案和稳健的数据分析方法来提高测量可靠性[35, 82]。QIBA强调需要严格的质量控制措施,并建议使用标准化体模以确保MR系统校准和性能的一致性。广泛的测试-再测试研究对于建立QIBs的精确性和准确性至关重要,涉及体模研究和采用标准化方案的临床试验。此外,需要稳健的统计方法来评估技术性能,包括确定可重复性和受试者内变异系数以评估测量变异性[35, 83]。通过标准化方案、严格的质量控制和广泛的验证研究来应对这些挑战对于整合QIBs至关重要。同样重要的是成功地将QIBs转化为常规临床实践,以改善BCa治疗反应评估。
影像组学面临的挑战
尽管影像组学在膀胱癌(BCa)治疗反应评估中具有广阔的应用前景,但仍存在挑战,特别是在协调影像数据方面,因为不同厂商和设备的MR方案和采集参数存在差异,影响了影像组学特征的一致性[84, 85]。传统和更先进的图像协调方法,包括基于高斯混合的ComBat归一化,已被提出用于解决这些问题,尽管它们仍然依赖于预定义的分组和特征集[86]。此外,影像组学特征提取的可靠性取决于所选择的感兴趣区域,读者之间和读者内的差异可能影响提取的特征以及基于这些特征做出的决策。稳健性分析通过检查轻微图像扰动对特征的影响来应对这一问题。尽管存在这些扰动仍保持稳定的特征更受青睐,从而带来更可靠的诊断[87]。虽然大多数BCa影像组学特征此前已表现出良好至优秀的可重复性,但仍需进一步评估以确定其对外部数据的泛化性以及稳定性阈值对测试性能的影响[77]。
影像组学研究方法学评分(METRICS)
影像组学研究的主要挑战之一是因研究设计和方法学描述不充分而产生的可重复性需求。Kocak等人引入了影像组学研究方法学评分(METRICS),这是一种由欧洲医学影像信息学会(EuSoMII)认可的影像组学研究综合质量评分工具,以应对这一问题[88]。表4总结了METRICS工具的内容。该工具由一个大型国际专家小组使用改良德尔菲方案开发,该方案涉及三个阶段和四轮共识构建,以确保稳健性和广泛接受度。METRICS旨在通过弥合影像组学研究与临床实践之间的转化差距,评估和改善影像组学研究的方法学质量。
METRICS工具包含30个条目,组织为九个类别:研究设计、影像数据、分割、图像处理与特征提取、特征处理、建模准备、指标与比较、测试以及开放科学。每个类别涉及影像组学研究方法学的关键方面。这些条目通过系统文献综述和专家共识精心选取,以确保其涵盖必要的方法学考量[88]。例如,研究设计类别强调遵循影像组学专用清单或指南、定义入选标准以及使用高质量参考标准。影像数据条目涉及多中心研究、临床可转化性和成像方案。分割条目侧重于透明的方法学和自动化分割的评估。图像处理与特征提取包括适当的预处理技术和透明的报告[88]。
METRICS的一个显著创新是依据专家意见,采用层次排序方法对类别和条目进行加权。这种方法确保了放射组学研究中最关键的方面对最终评分具有更大的影响。例如,研究设计和适当的数据划分比开放科学实践具有更高的权重,后者虽然重要,但在研究设计稳健性的背景下被视为次要因素。
结论
尽管多参数磁共振成像(mpMRI)的定量影像生物标志物(QIBs)和放射组学在真实世界临床实践中超越当前基于RECIST的标准仍面临挑战,但它们在评估早期反应和指导治疗方面具有潜力,尤其是对于新型膀胱癌(BCa)治疗。人工智能(AI)可通过准确分割和分析mpMRI、改善放射组学特征提取以及辅助开发结合影像生物标志物与临床数据的预测模型来增强这一过程。根据欧洲医学影像信息学学会(EuSoMII)和定量影像生物标志物联盟(QIBA)的指南,通过大规模多中心研究和专门的验证标准来验证放射组学和QIBs的结果,对于确保mpMRI和AI应用在临床实践中的一致性和可靠性至关重要。
补充信息
电子补充材料
引用
- Arita Y, Kwee TC, Akin O, et al. Multiparametric MRI and artificial intelligence in predicting and monitoring treatment response in bladder cancer. Insights Imaging. 2025. PMID: 39747744. doi:10.1186/s13244-024-01884-5
- 全文:PMC11695553(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11695553/
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。