文献速递泌尿生殖腹部MR

3D-AttenNet模型可预测PI-RADS 3类患者中的临床显著前列腺癌:一项回顾性多中心研究

3D-AttenNet model can predict clinically significant prostate cancer in PI-RADS category 3 patients: a retrospective multicenter study.
PubMed 文献 · Insights Imaging · 2025-01-29

该回顾性多中心研究基于6中心1567例双参数MRI数据构建含双通道注意力模块的3D-AttenNet深度学习模型,用于预测PI-RADS 3类患者的PCa和csPCa。模型在中心4-6外部测试队列预测PCa的AUC为0.795至0.963,在中心4和中心5预测csPCa的AUC分别为0.827和0.926;71.1%至92.2%的非csPCa患者被模型识别,从而可免于有创活检或根治性前列腺切除术。

要点

  • AttenNet模型预测中心4-6 PI-RADS 3患者PCa的AUC分别为0.795、0.963、0.922。
  • 中心4和中心5预测csPCa的AUC分别为0.827和0.926,中心6无csPCa阳性标签未计算。
  • 模型识别出71.1%至92.2%的非csPCa患者,这些患者可免于有创活检或RP。

核心结论

  • AttenNet模型为PI-RADS 3患者提供无创筛查临床工具以重新分层风险,从而减少不必要的侵入性活检并提高活检有效性。

研究设计与样本

  • 回顾性多中心研究纳入6中心2015年1月至2020年12月连续1567例男性患者,均行3.0-T双参数MRI。
  • 模型先在中心1-3的1144例PI-RADS 1-2和4-5图像上预训练,再用同中心238例PI-RADS 3图像再训练。
  • 外部测试使用中心4-6的185例PI-RADS 3图像;中心4-6的439例PI-RADS 1-2和4-5患者未用于本研究。
  • 参考标准为组织病理学:ISUP≥3定义为csPCa,ISUP≥1定义为PCa。
  • PI-RADS v2.1评估由五名委员会认证放射科医生和两名专家级放射科医生完成。

诊断标准与关键数值

  • 预测PCa:中心4 AUC 0.795(95%CI 0.700-0.891)、中心5 AUC 0.963(95%CI 0.915-1.00)、中心6 AUC 0.922(95%CI 0.810-1.00)。
  • 预测PCa:中心4准确率72.4%(71/98)、敏感度77.8%(28/36)、特异度69.4%(43/62);中心5相应为92.2%(59/64)、94.4%(17/18)、91.3%(42/46);中心6为82.6%(19/23)、100%(5/5)、77.8%(14/18)。
  • 预测csPCa:中心4 AUC 0.827(95%CI 0.703-0.952)、中心5 AUC 0.926(95%CI 0.846-1)。
  • 预测csPCa:中心4准确率73.5%(72/98)、敏感度86.7%(13/15)、特异度71.1%(59/83);中心5相应为89.1%(57/64)、76.9%(10/13)、92.2%(47/51)。
  • 敏感度、特异度和准确率在训练队列调优数据集中使约登指数最大化的阈值下计算。

临床应用与阅片要点

  • 模型可将PI-RADS 3患者按PCa预测结果升级为PI-RADS 3U或降级为PI-RADS 3D,按csPCa预测结果同样分为3U和3D。
  • 外部测试队列中69.4%(中心4:43/62)至91.3%(中心5:42/46)的良性(非PCa)患者被模型识别。
  • 外部测试队列中71.1%(中心4:[48+11]/83)至92.2%(中心5:[43+4]/51)的非csPCa患者被模型识别。
  • 决策曲线分析显示基于AttenNet模型的活检策略在PCa和csPCa检测上净获益均大于全部PI-RADS 3患者均活检的策略。
  • 亚组分析示模型在不同D-max和PSA水平下预测表现满意,但中心4预测csPCa的0≤PSA<10 ng/mL亚组除外。

局限性

  • 原文未报告局限性。
全文中译15 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:Insights Imaging. 2025 Jan 29;16:25. doi: 10.1186/s13244-024-01896-1

背景

过去几十年,前列腺癌(PCa)的诊断和管理已发生实质性演变[1]。目前,经直肠超声引导下穿刺活检、融合活检和前列腺特异性抗原(PSA)是早期诊断或筛查PCa最常用的工具。然而,这些方法常产生假阳性结果或漏诊,而活检具有一定侵入性且并非总能为患者所接受[2]。

前列腺多参数磁共振成像(mpMRI)已被广泛用于临床显著性前列腺癌(csPCa)的检测和风险分层[3–5]。根据前列腺影像报告和数据系统第2.1版(PI-RADS v2.1)[6],mpMRI上检测到的前列腺病变评分为1–5分。PI-RADS 1–2提示存在csPCa的概率极低和低,而PI-RADS 4–5提示高概率[6, 7]。对于PI-RADS 3的病变,csPCa的存在被认为是模棱两可的[6]。在临床实践中,PI-RADS 3患者通常需要进行活检。然而,近期一些研究表明大多数PI-RADS 3病变不包含csPCa[8],这提出了活检是否真正必要的问题[9]。

为克服PI-RADS评估半定量化的缺点,近期研究采用影像组学方法对PI-RADS 3患者的csPCa与非csPCa进行鉴别[10–14]。然而,影像组学特征的提取在很大程度上依赖于对MR图像中病变的逐层手动勾画,这耗时费力,尤其是当使用较大数量样本构建影像组学模型时[15, 16]。

深度学习(DL)可以挖掘图像中的信息并表征肿瘤的内在特征,准确反映肿瘤的空间异质性[17, 18]。与影像组学方法相比,DL方法几乎不依赖于肿瘤的手动勾画,能够提供医学图像的自动分析,近年来也被广泛用于检测PCa[19–22]。这些研究使用DL方法检测csPCa病变而不考虑PI-RADS评分[6, 7],但均未专门聚焦于PI-RADS 3病变之间的鉴别。事实上,DL模型能否提供增量价值以从这些模棱两可的病变中精准筛出csPCa尚不清楚。因此,从这些患者中检测csPCa的决定性特征很可能比其他PI-RADS类别(即PI-RADS 1、2、4和5)的特征更为细微。因此,有必要开发一种对这些细微决定性特征敏感的新型DL模型,以检测PI-RADS 3患者中的csPCa。

确切地说,本研究使用来自多个中心的数据集构建了带有双重注意力模块的新型DL模型,用于预测模棱两可的PI-RADS 3患者中的csPCa和PCa。

材料与方法

患者

2015年1月至2020年12月期间,来自六个中心的疑似前列腺癌(PCa)患者被纳入研究。纳入标准如下:(1)在活检前4周内接受标准前列腺3.0-T MRI检查者;(2)接受标准经直肠超声(TRUS)/MRI融合或认知融合靶向活检联合系统活检者。排除标准为:(1)MRI序列不完整或图像质量差(移位或运动伪影);(2)既往有活检、手术或PCa治疗史。表S1总结了来自六个中心患者的基线特征。研究流程图见图1。

中心1的伦理委员会批准了本研究,并豁免了书面知情同意的要求。

图1 多中心研究纳入标准和排除标准的流程图。中心1,SUH1st,苏州大学附属第一医院;中心2,SUH2nd,苏州大学附属第二医院;中心3,ZJGH,张家港市人民医院;中心4,CSH,常熟市第一人民医院;中心5,TZH,泰州市人民医院;中心6,SKH,苏州九龙医院;PCa,前列腺癌 查看原图 ↗

前列腺MRI与PI-RADS评估

所有检查均在六个中心使用3.0-T MRI扫描仪配合盆腔相控阵线圈完成。MRI参数的详细信息见表S2和补充第1节。

所有纳入患者多参数前列腺MRI图像中的指标病灶由五名委员会认证的放射科医师和两名专家级放射科医师根据PI-RADS v2.1 [6]进行评估。PI-RADS评估的详细信息见补充第2节。最终,在2006例患者中,78.9%(1583/2006)为PI-RADS 1、2、4和5的患者,21.1%(423/2006)为PI-RADS 3的患者。表1总结了各中心PI-RADS 3类患者的基线特征。

表1 训练队列和外部测试队列中PI-RADS 3类患者的基线特征 查看原表 ↗

组织病理学

PI-RADS类别≥3的患者接受了MRI引导靶向活检联合系统性经直肠超声(TRUS)引导活检,或认知融合活检联合系统性TRUS引导活检;PI-RADS 1–2的患者仅接受系统性TRUS引导活检。在组织病理学方面,ISUP≥3的患者被定义为具有临床显著前列腺癌(csPCa),ISUP≥1的患者被定义为患有PCa [8, 23]。组织学复核的详细信息见补充第3节。表1总结了6个中心各自的组织病理学评估结果详情。

研究队列

中心1–3的PI-RADS 1、2、4和5患者被用作预训练队列(总N = 1144),同一中心的PI-RADS 3患者被用作训练队列(总N = 238)。对于中心4–6,PI-RADS 3患者被用作外部测试队列(总N = 185)(图1),PI-RADS 1、2、4和5患者(N = 439)未应用于本研究中。在每个预训练和训练队列中,患者被随机分为两个数据集,包括十分之九(即训练数据集)和十分之一患者(即调优数据集),分别用于训练网络权重和优化深度学习(DL)模型的超参数。

前列腺MRI数据预处理

前列腺MRI图像的预处理包括数据去标识化、配准、数据协调和数据增强(补充第4节),参照我们之前的研究[22]。

AttenNet模型开发

模型架构

在本研究中,分别开发了两个深度学习模型来识别前列腺癌(PCa)和临床显著性前列腺癌(csPCa)。这两个模型具有相同的架构,被称为AttenNet,因为它们都包含通道注意力和软注意力模块。如图2所示,AttenNet模型由三个平行且独立的分支组成,分别以T2WI、DWI图像和ADC图的3D感兴趣区作为输入,采用最先进的ResNet3D作为基础网络,因为它能够挖掘深层特征并通过捷径连接生成准确的预测值[24]。

一个融合网络在软注意力模块的参与下整合了这三个分支(图2a)。近期研究[25]表明,前列腺外周带(PZ)和移行带(TZ)的癌症特征存在差异。此外,根据PI-RADS V2.1 [6],TZ和PZ中病灶的PI-RADS评估类别分别主要依赖于T2WI和DWI评分。因此,在本研究中,我们使用软注意力模块为AttenNet模型提供前列腺病灶的位置信息。该信息作为临床先验知识,可突出相应图像模态(即T2WI,或/和DWI及ADC)在csPCa与非csPCa分类或PCa与非PCa分类中的作用(更多细节见补充材料第5节)。

图2 AttenNet模型开发流程图。a 具有通道注意力和软注意力模块的AttenNet模型架构。首先,将VOI输入到具有通道注意力的ResNet3D模块中;然后,三个平行且独立的分支作为输入;最后,三个分支被整合到具有软注意力模块的融合网络中。b 具有通道注意力的ResNet3D的细节。c 具有通道注意力的ResNet3D中块的细节。PCa,前列腺癌;csPCa,临床显著性前列腺癌;PZ,外周带;TZ,移行带;自学习,预训练和训练过程中嵌入向量元素值的自动迭代变化 查看原图 ↗

训练策略

本研究采用迁移学习策略来开发深度学习模型。具体而言,深度学习模型首先使用预训练队列(即PI-RADS 1、2、4和5的患者)进行训练。然后使用训练队列对深度学习模型进行再训练,并使用仅包含PI-RADS 3患者的测试队列进行测试。通过这种方式,从预训练队列中学到的知识被迁移到使用PI-RADS 3训练队列的再训练步骤中。因此,利用迁移学习策略,PI-RADS 3患者以及PI-RADS 1、2、4和5患者共同贡献于开发用于检测PI-RADS 3患者中csPCa或PCa的深度学习模型。这种迁移学习策略可能提高深度学习模型的性能。

统计分析

采用独立样本t检验比较符合正态分布的连续变量。采用Mann–Whitney U检验比较不符合正态分布的连续变量。采用卡方检验评估分类变量。定量变量酌情以均值±标准差(mean ± SD)或中位数及四分位距(IQR)表示。

绘制受试者工作特征(ROC)曲线以评估所提出模型的分类性能。在每个外部测试队列中,采用Delong检验比较模型的ROC曲线,并在训练队列调参数据集中使约登指数最大化的阈值处计算敏感度(SEN)、特异度(SPE)和准确率(ACC)。采用决策曲线分析(DCA)评估基于本研究所提出模型的活检策略对患者的净获益。统计分析使用Python(https://www.python.org,版本3.8.3)和MedCalc软件(比利时奥斯坦德,https://www.medcalc.org,版本19.6.4)进行。在所有统计检验中,双侧p < 0.05被认为具有统计学意义。

结果

基线特征

在训练队列(中心1–3)中,分别有35.3%(84/238)和64.7%(154/238)的患者被诊断为前列腺癌(PCa)和良性(非PCa),分别有11.3%(27/238)和88.7%(211/238)被诊断为临床显著前列腺癌(csPCa)和非csPCa。每个训练和测试队列中关于PCa和csPCa的阳性/阴性数量及比例见表1。更多细节见补充材料第6节。

深度学习(DL)模型在PI-RADS 3患者中预测PCa和csPCa的诊断性能

为评估所提出的AttenNet模型在PI-RADS 3患者中预测PCa和csPCa的性能,对不同模块的模型进行了消融实验。如图3所示,我们比较了ResNet、ResNet联合迁移模块(ResNet-T)、ResNet联合迁移和通道注意力模块(ResNet-TC)以及AttentNet(即ResNet联合迁移、通道注意力和软注意力模块)之间的模型性能。对于PCa的预测,AttenNet模型在中心4、中心5和中心6的外部测试队列中分别达到受试者工作特征曲线下面积(AUC)0.795(95% CI:[0.700, 0.891])、0.963(95% CI:[0.915,1.00])和0.922(95% CI:[0.810, 1.00])(图3a)。此外,AttenNet模型的AUC在中心4(AUC分别为0.661、0.654和0.694)和中心5(AUC分别为0.640、0.749和0.757)显著高于其他模型(即ResNet、ResNet-T和ResNet-TC)(Ps < 0.05,图3b)。尽管在中心6中未观察到AttenNet(AUC = 0.922)与ResNet、ResNet-T和ResNet-TC(AUC分别为0.611、0.656和0.744)之间的AUC差异(Ps > 0.05,图3b),但前者的AUC在数值上高于后者。因此,就AUC而言,AttenNet模型在这四种DL模型中预测PCa的性能最佳。此外,在中心4、中心5和中心6的外部测试队列中,AttenNet模型的ACC分别为72.4%(71/98)、92.2%(59/64)和82.6%(19/23);SEN分别为77.8%(28/36)、94.4%(17/18)和100%(5/5);SPE分别为69.4%(43/62)、91.3%(42/46)和77.8%(14/18)(图3a)。

如图3c所示,对于csPCa的预测,AttenNet模型在中心4和中心5的外部测试队列中分别达到AUC为0.827(95% CI:[0.703, 0.952])和0.926(95% CI:[0.846, 1])。经病理检查证实,中心6外部测试队列中所有PI-RADS 3患者均为非csPCa患者,因此由于缺乏二分类标签,该队列中预测csPCa的AUC无法计算。因此,该队列的患者未用于测试csPCa的预测。此外,在中心5中,AttenNet模型的AUC(AUC = 0.926)显著高于ResNet(AUC = 0.722,p = 0.037)和ResNet-T(AUC = 0.775,p = 0.017),并略高于ResNet-TC(AUC = 0.831,p = 0.063)。尽管在中心4中,AttenNet模型(AUC = 0.827)与ResNet、ResNet-T和ResNet-TC各自的AUC(分别为0.669、0.696和0.739)之间未观察到显著差异(Ps > 0.05,图3d),但前者的AUC在数值上高于后者(图3d)。因此,就AUC而言,AttenNet模型在这四种DL模型中显示出预测csPCa的最佳性能。此外,在中心4和中心5的外部测试队列中,AttenNet模型分别达到ACC为73.5%(72/98)和89.1%(57/64);SEN为86.7%(13/15)和76.9%(10/13);SPE为71.1%(59/83)和92.2%(47/51)(图3c)。

如DCA所揭示,基于AttenNet模型的活检策略在外部测试队列中对于PCa检测(图4a)和csPCa检测(图4b)均显示出比基于PI-RADS评估的活检策略(即所有PI-RADS 3患者均接受活检)更大的净获益。如图4所示,基于AttenNet模型的活检策略(图4中红线)在每个外部队列中对于PCa检测(图4a)和csPCa检测(图4b)均显示出比基于PI-RADS评估的活检策略(即本研究中所有PI-RADS 3类患者均接受活检)(图4中蓝线)更大的净获益。

图3 不同深度学习模型预测PCa和csPCa的诊断性能。a ResNet、ResNet-T、ResNet-TC和AttenNet模型在三个外部测试队列中预测PCa的诊断性能。与其他三种模型相比,AttenNet模型在预测PCa方面产生最高的AUC。b AttenNet模型和其他三种模型在三个外部测试队列中预测PCa的ROC曲线。c ResNet、ResNet-T、ResNet-TC和AttenNet模型在两个外部测试队列中预测csPCa的诊断性能。同样,AttenNet模型在预测csPCa方面在所有模型中产生最高的AUC。d AttenNet模型和其他三种模型在两个外部测试队列中预测csPCa的ROC曲线。ROC,受试者工作特征;AUC,ROC曲线下面积;ACC,准确率;SEN,灵敏度;SPE,特异度;中心4,TZH,泰州市人民医院;中心5,CSH,常熟市第一人民医院;中心6,SKH,苏州九龙医院;PCa,前列腺癌;csPCa,临床显著性前列腺癌;ResNet-T,带迁移模块的ResNet;ResNet-TC,带迁移和通道注意力模块的ResNet;AttenNet,结合迁移、通道注意力和软注意力模块的ResNet 查看原图 ↗
图4 AttenNet预测PCa和csPCa的DCA结果。a AttenNet在三个外部测试队列中预测PCa的DCA结果。b AttenNet在两个外部测试队列中预测csPCa的DCA结果。红线表示使用基于AttenNet模型的活检来检测PCa(a)和csPCa(b)时患者的净获益。蓝线表示当所有患者均被预测为阳性(即所有PI-RADS 3患者均接受活检)时检测PCa(a)和csPCa(b)的患者净获益。黑线表示当所有患者均被预测为阴性时检测PCa(a)和csPCa(b)的患者净获益 查看原图 ↗

AttenNet模型在PI-RADS 3类患者中预测PCa和csPCa的临床实践

图5从临床实践角度展示了AttenNet模型预测结果的更多细节。如图5a所示,在每个外部测试队列中,PI-RADS 3患者根据AttenNet模型对PCa的预测结果(即PCa或非PCa)分别被升级为PI-RADS 3U和降级为PI-RADS 3D。每个外部测试队列的详细结果见补充第6节。如图5a所示,从外部测试队列的PI-RADS 3患者中,我们的AttenNet模型识别出了69.4%(图5a,中心4:43/62)至91.3%(图5a,中心5:42/46)的良性(即非PCa)患者。换言之,如果使用AttenNet模型来诊断PCa,这些良性患者本可免于各种临床治疗和焦虑。

如图5b所示,在每个外部测试队列中,PI-RADS 3患者根据AttenNet模型对csPCa的预测结果(即csPCa和非csPCa)分别被升级和降级为PI-RADS 3U和PI-RADS 3D。每个外部测试队列的详细结果见补充第7节。如图5b所示,从外部测试队列中不确定的PI-RADS 3患者中,我们的AttenNet模型识别出了71.1%(图4b,中心4:[48 + 11]/83)至92.2%(图5b,中心4:[43 + 4]/51)的非csPCa患者,这些患者均接受了活检,因为这些非csPCa患者无法通过PI-RADS评估被识别出来。这些结果表明,我们的AttenNet模型有潜力减少非csPCa患者的不必要活检。

图5 AttenNet模型在PI-RADS 3类患者中预测PCa和csPCa的临床实践。a 在中心4、中心5和中心6三个外部测试队列中,使用AttenNet模型预测PCa对PI-RADS 3类患者进行降级和升级的结果。b 在中心4和中心5两个外部测试队列中,使用AttenNet模型预测csPCa对PI-RADS 3类患者进行降级和升级的结果。PI-RADS,前列腺影像报告和数据系统版本;PI-RADS 3U,PI-RADS 3类升级;PI-RADS 3D,PI-RADS 3类降级;center4,CSH,常熟市第一人民医院;center5,TZH,泰州市人民医院;center6,SKH,苏州九龙医院;PCa,前列腺癌;ciPCa,临床无意义前列腺癌;csPCa,临床有意义前列腺癌 查看原图 ↗

AttenNet模型在不同肿瘤大小和PSA水平下的亚组分析结果

此外,我们根据肿瘤大小和PSA的不同水平,在PI-RADS 3患者亚组中评估了AttenNet模型预测PCa和csPCa的性能。如亚组分析所示(图6),AttenNet模型在不同D-max和PSA水平下预测PCa和csPCa均取得了令人满意的性能(中心4中预测csPCa的0 ≤ PSA < 10 ng/mL亚组除外)(补充第8节)。

图6 不同肿瘤大小和PSA水平下AttenNet模型亚组分析结果。a AttenNet模型在各亚组中预测PCa的性能。b AttenNet模型在各亚组中预测csPCa的性能。中心4,CSH,常熟市第一人民医院;中心5,TZH,泰州市人民医院;中心6,SKH,苏州九龙医院;PCa,前列腺癌;csPCa,临床显著性前列腺癌;PSA,前列腺特异性抗原;ROC,受试者工作特征;AUC,ROC曲线下面积;ACC,准确率;SEN,灵敏度;SPE,特异度;D-max,最大径 查看原图 ↗

讨论

本研究开发了带有注意力模块的深度学习(DL)模型(如AttenNet),在外部测试队列中检测PCa和csPCa均取得了优异性能。我们的AttenNet模型在PI-RADS 3中检测csPCa的性能与既往评估PI-RADS 1–5患者的模型[26, 27]显示出相似的ACC。当我们将所提出的模型用于临床实践时,在两个测试队列中,我们的深度学习模型识别出71.1–92.2%的非csPCa患者,这些患者可安全地免于侵入性活检或根治性前列腺切除术(RP)操作。这些发现表明,所提出的AttenNet模型可能是辅助PI-RADS 3患者精准风险分层的有前景的工具。据我们所知,本研究首次应用DL方法预测PI-RADS 3病灶中的PCa和csPCa。与既往一些基于PI-RADS 3患者前列腺病灶手动分割和标注的影像组学研究[10–14]相比,本研究可自动挖掘病灶及其周围的深层特征,因而更便于应用于临床实践。

近期一些研究采用深度学习方法探索临床显著性前列腺癌(csPCa)与非临床显著性前列腺癌(non-csPCa)的鉴别,并取得了优异的诊断性能[27–29]。然而,这些研究是基于PI-RADS 1–5的前列腺病灶而非PI-RADS 3来构建分类模型。作为这些研究的延伸,本研究不仅构建了带有额外软注意力和通道注意力模块的深度学习模型,还应用了迁移学习框架来实现csPCa与PCa的分类。软注意力模块将病灶的位置信息作为临床先验知识整合到AttenNet模型中。根据PI-RADS 2.1的报告指南[6],当病灶分别位于移行带(TZ)和外周带(PZ)时,T2WI和DWI评分在前列腺病灶的临床评估中分别起主导作用。此外,使用对比剂会增加额外费用和时间,以及钆基对比剂给药并发症的潜在风险。有研究提出,通过完全取消动态对比增强序列可以减少这些临床风险和负担。事实上,在本研究中,我们仅在模块训练中纳入了双参数MRI数据。软注意力模块根据病灶位置增加相应双参数MRI图像在AttenNet模型输出中的权重。这种调制处理与临床实践中放射科医师评估PI-RADS时对序列权重的评价标准一致,并充分利用了多模态MRI图像提供的各种信息。通道注意力模块可以通过滤除对分类无贡献的特征,在预训练和训练过程中突出重要信息,从而帮助实现准确的输出评分。如消融实验结果所示,这些注意力模块引导AttenNet模型关注关键特征,从而在预测PCa和csPCa方面取得了优异的诊断性能。

在临床实践中,PI-RADS 3患者是否需要活检仍存在争议。事实上,作为前列腺癌临床诊断中的常规做法[6, 7],本研究中的PI-RADS 3患者被怀疑为高风险,因此接受了活检以避免漏诊。然而,这种不加区分的怀疑导致中心4和中心5的外部测试队列中分别有84.7%(83/98)和79.7%(51/64)的过度活检。相比之下,我们提出的基于MRI图像的AttenNet模型在中心4和中心5队列中分别识别出了71.1%和92.2%的非csPCa。换言之,AttenNet模型可能使部分患者避免不必要的活检。因此,AttenNet模型在提高基于MRI图像诊断csPCa的特异度(SPE)方面具有很大潜力,从而降低PI-RADS 3患者活检的风险-获益比。AttenNet模型可被视为一种分诊试验,用于决定哪些患者应接受活检、哪些患者可以安全地避免即刻的痛苦活检。

对于基于T2WI和DWI的PI-RADS评估,PI-RADS 4与5之间的重要差异之一是D-max(< 1.5 cm和≥ 1.5 cm)[6]。在本研究中,用于预测csPCa和PCa的AttenNet模型在所有外部测试队列的D-max < 1.5 cm和D-max ≥ 1.5 cm亚组中均获得了令人满意的AUC。PSA水平> 20 ng/mL时PCa概率较高,而0–20 ng/mL范围内PCa发生率低于25% [30]。除这两个水平外,即使在中等PSA水平(即10–20 ng/mL),AttenNet模型在所有外部测试队列中仍取得了令人满意的判别性能。AttenNet模型的这一优异性能有助于提高放射科医师的诊断信心。

本研究存在若干局限性。第一,各中心的样本量不相同。第二,尽管这是一项多中心回顾性研究,但未来研究仍需开展纳入更多图像数据的前瞻性多中心研究。第三,数据来自不同的MRI扫描仪。未来我们将就此问题开展更多研究。第四,并非所有患者均因不同临床原因接受RP治疗;对于部分患者,以活检病理作为标准参考。事实上,一些研究已报道活检是检测PCa的可靠方法。最后,尽管该模型识别出的患者目前被认为安全,但重复MRI或PSA等随访仍应认真对待。

总之,带有双通道注意力模块的AttenNet模型在预测PI-RADS 3患者的PCa和csPCa方面均取得了优异性能。因此,该模型可大幅减少不必要的活检,从而改善PI-RADS 3患者活检的风险-获益比。

补充信息

电子补充材料

引用

  1. Bao J, Zhao L, Qiao X, et al. 3D-AttenNet model can predict clinically significant prostate cancer in PI-RADS category 3 patients: a retrospective multicenter study. Insights Imaging. 2025. PMID: 39881076. doi:10.1186/s13244-024-01896-1
  2. 全文:PMC11780012(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11780012/

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。