文献速递泌尿生殖腹部介入MRUS

基于研究的前列腺MRI人工智能算法临床部署

Research-based clinical deployment of artificial intelligence algorithm for prostate MRI.
PubMed 文献 · Abdom Radiol (NY) · 2025-05-26

研究将先前训练的前列腺多参数MRI器官与病灶分割AI流程通过MONAI Deploy Express整合入临床PACS,在前瞻性两阶段中评估部署:第一阶段58例中57例成功、中位处理时间33秒;第二阶段40例全部成功导入活检规划,AI与放射科医生共同检出的靶点前列腺癌检出率为82.1%。

要点

  • AI流程可在临床PACS内由放射科医生实时触发,中位处理时间33秒(范围21–50秒)。
  • 第一阶段病灶级敏感度56.5%,扫描级敏感度87.1%,以专家放射科医生为参考标准。
  • 第二阶段AI与放射科医生共同检出靶点的前列腺癌检出率为82.1%,临床意义前列腺癌为42.9%。

核心结论

  • 将需要多参数输入的新型AI算法整合入临床PACS环境是可行的,模型输出可用于下游临床任务。

研究设计与样本

  • 前瞻性两阶段可行性研究,第一阶段纳入2024年4月1日至2024年4月29日在本机构因评估或怀疑局限性前列腺癌行mpMRI的58例连续患者,无排除。
  • 第二阶段纳入2024年5月28日至2024年7月9日在本机构行mpMRI后接受MRI-TRUS融合引导活检的40例连续患者,因既往治疗(n=3)或活检取消(n=2)排除5例,分析35例。
  • AI模型为先前使用两家机构1390例前列腺mpMRI扫描开发的级联算法,输入轴位T2W、ADC和高b值(b值≥1400)扩散图像,病灶分割模型为5折交叉验证中5个模型的集成。
  • 部署采用MONAI Deploy Express容器化环境,安装于放射科防火墙内的专用推理服务器(Intel Xeon CPU E5-2667v3 3.2 GHz、32核、Linux/GNU、两块NVIDIA T4 GPU),与Philips/Carestream Vue PACS v12.2通过DICOM AE Title「CD_ProstateSeg」通信。
  • 第一阶段以单一专家泌尿生殖放射科医生为参考标准评估病灶检测一致性;第二阶段将AI生成的RTSTRUCT导入UroNav融合活检系统,由放射科医生接受/拒绝AI ROI并修改边界,每个靶病灶取2条活检芯,由单一泌尿生殖病理医生按ISUP标准分级。

关键影像表现/征象

  • 模型输出包括前列腺器官分割掩膜和前列腺病灶分割掩膜,并以二值掩膜和概率叠加图形式回传至PACS的T2W图像。
  • 第一阶段专家放射科医生在31/58例扫描中识别可疑前列腺内病灶,对应46个独特前列腺内病灶。
  • 专家放射科医生分割的前列腺体积中位数为44.5 cc(18–172 cc),与容器运行时间呈中度相关(Pearson r=0.46)。
  • 第二阶段放射科医生共接受72个病灶用于活检靶向,其中23个为放射科医生初始未检出但被AI检出并被认为可接受活检的病灶(AI+/Rad-)。
  • PIRADS 5病灶中放射科医生与AI的病灶检测一致率为100%。

诊断标准与关键数值

  • 第一阶段病灶级任何可疑前列腺内病灶敏感度为56.5%,扫描级敏感度为87.1%,以专家放射科医生为参考标准。
  • 第一阶段57/58例成功执行临床PACS部署,结果在激活后1分钟内获得(中位33秒,范围21–50秒);1例因缺乏高b值序列在DICOM序列选择环节失败、流程中止未返回结果。
  • 第二阶段40/40例通过PACS部署成功执行并导入活检靶向。
  • 第二阶段前列腺癌检出率:AI与放射科医生共同检出(AI+/Rad+)靶点为82.1%,AI提出并被放射科医生接受(AI+/Rad-)靶点为47.8%,放射科医生单独识别(AI-/Rad+)靶点为33.3%。
  • 第二阶段临床意义前列腺癌检出率:AI+/Rad+靶点为42.9%;23个AI+/Rad-病灶中检出临床意义前列腺癌4个,对应4例不同患者;1例患者的临床意义前列腺癌仅在AI+病灶中检出,反映使用AI后诊断发生变化。

临床应用与阅片要点

  • 本研究中心的做法是:放射科医生在完成临床评估和报告后,于PACS内选择T2W、ADC和高b值序列并推送至部署服务器,结果回传至PACS界面供查看。
  • 本研究中心的做法是:在活检规划中将T2W序列和AI生成的RTSTRUCT发送至UroNav融合活检系统,放射科医生可选择接受或拒绝AI ROI并修改边界,放射科医生识别但AI未检出的病灶则手动勾画。
  • 第一阶段1例因缺乏高b值序列导致DICOM序列选择失败、流程中止,提示多参数输入流程依赖所需序列齐全。
  • 本研究中PIRADS 3和PIRADS 4病灶在纳入AI阳性病灶后,前列腺癌和临床意义前列腺癌的检出率均有提高;PIRADS 5病灶中AI与放射科医生检测一致率为100%,检出率无变化。

局限性

  • 作者指出本研究为小样本、单中心的初步研究,仅由一名放射科用户在临床平台上部署和验证结果。
  • 作者指出本研究中该放射科用户提前知晓研究及患者信息以便在临床试验场景中做适当选择,并手动选择适合AI处理的各个序列。
  • 作者指出未来工作包括自动化序列选择和流程执行,可在MRI扫描仪控制台于图像传输至PACS前或PACS环境内于放射科医生临床评估前自动完成。
  • 作者指出模型稳健性和临床影响不在本研究范围内。
全文中译11 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). 2025 May 26;50(12):5893–902. doi: 10.1007/s00261-025-05014-7

引言

与传统技术相比,多参数磁共振成像(mpMRI)的应用改善了前列腺癌(PCa)的检测和分期。具体而言,MRI-超声融合引导活检的使用显著提高了PCa患者活检靶向的准确性和风险评估,通过在mpMRI上识别的感兴趣区(ROI)引导活检取材,而非传统的系统性12针超声引导活检[1–3]。然而,前列腺mpMRI解读中存在的显著阅片者间变异性导致了临床效用不一致[4, 5]。人工智能(AI)算法在检测mpMRI上的临床显著发现方面显示出巨大前景,无论是以放射科医师还是病理科医师标准为参照,多项综合综述已对此进行总结[6–8]。遗憾的是,可用的商业算法极少,使这些有前景的算法大多停留在学术研究层面。近期先进AI算法在放射学中的成功应用,需要在整合临床环境中进行前瞻性验证,以确保模型稳健、可泛化且具有临床实用性[9]。

AI算法的临床部署受到关键限制,原因包括缺乏整合系统、计算需求的复杂性和领域知识门槛,以及针对研究性/非商业应用的人体研究和隐私保护法规[10–13]。由于这些原因,基于AI的算法的使用或验证通常在离线完成,脱离临床环境,从而限制了床旁评估。商业解决方案近期开始出现,通常利用基于云的计算资源来提供可购买的床旁解决方案。然而,公开可用或开源解决方案可被个体研究者、资源有限的医院和商业实体等各方使用,代表了验证和部署新前沿算法的理想方案[12, 13]。具有用户控制访问权限的专用推理机可使AI整合至临床图像存档与通信系统(PACS)中,用于转化步骤或定制临床研究方案。

本研究的目的是论证在临床PACS环境中实时部署基于深度学习的前列腺和病灶分割流程的可行性,并试点其用于活检靶点选择和勾画的应用。

方法

患者人群

本研究纳入因临床评估或怀疑局限性前列腺癌(PCa)而接受常规多参数磁共振成像(mpMRI)的患者。研究包括两个阶段:第一阶段,将人工智能(AI)模型部署到临床图像归档与通信系统(PACS)中,面向所有就诊人群;第二阶段,将AI模型部署到临床PACS系统和活检规划系统中,面向接受MRI-经直肠超声(MRI-TRUS)融合引导活检的患者。临床方案经机构审查委员会(IRB)批准,所有患者均提供书面知情同意书同意参与。一名泌尿生殖系统影像学专家放射科医师按照常规临床诊疗指南在PACS内解读所有图像。在第一阶段(在PACS界面中前瞻性部署),考虑纳入参加评估PCa影像学特征分析和基于影像的生物标志物临床方案(NCT03354416)并于2024年4月1日至2024年4月29日期间接受mpMRI的患者。未施加任何排除标准。在第二阶段(在PACS和活检规划界面中前瞻性部署),考虑纳入同时参加评估PCa影像学特征分析和基于影像的生物标志物临床方案(NCT03354416)以及评估介入操作中电磁跟踪临床效用临床方案(NCT00102544)并于2024年5月28日至2024年7月9日期间在MRI-TRUS融合引导活检前接受mpMRI的患者。在第二阶段,AI部署未设排除标准;然而,在统计分析时,既往接受过治疗或活检 session 被取消的患者被排除。

前列腺器官和病灶分割流程

本研究使用的模型此前使用来自两个不同机构的1390例前列腺mpMRI扫描开发[14]。简言之,该流程由一系列级联AI算法组成。输入接受轴位T2加权成像(T2W)、表观扩散系数(ADC)和高b值扩散图像(定义为b值≥1400)。T2W序列用于基于深度学习模型[15]的自动化前列腺器官分割,随后将所有序列和器官掩膜输入基于深度学习的病灶分割模型[14]。病灶分割模型是在初始开发时5折交叉验证过程中产生的5个模型的集合的最终产物。该模型最初训练用于分割所有前列腺内PI-RADSv2评分为2–5的病灶,以放射科医师定义的体积作为参考标准。该模型在初始测试中与专家放射科医师相比,获得Sorenson-Dice系数(DSC)0.359,灵敏度为56.1%,此后已在多项研究中就癌症检测[16]、外部中心[17]、转诊至本中心的外部MRI[18]、与根治性前列腺切除术组织学的关联[19]、局灶治疗后[20]以及放疗后[21]进行了验证。该流程使用NVIDIA Clara Train SDK[22]训练,随后转换为用于MONAI,这是一个用于加速医学影像研究和临床合作的开源AI软件框架[23]。这些模型已公开供研究使用 https://github.com/Project-MONAI/research-contributions/tree/main/prostate-mri-lesion-seg。模型流程的最终输出包括前列腺器官分割掩膜和前列腺病灶分割掩膜。

部署框架

在我们机构放射科的防火墙内安装了一台专用部署服务器,系统配置如下:Intel® Xeon CPU E5-2667v3 3.2 GHz(32核)、x84-64位 Linux/GNU,以及两块 T4 NVIDIA GPU。本工作全程使用 MONAI。MONAI Core 用于训练模型。MONAI Deploy 包含若干子组件并被使用。MONAI Deploy App SDK 用于将工作流构建为容器化应用,称为 MONAI 应用包(MAP)。最后,MONAI Deploy Express 用于编排 MAP 的部署并与临床 IT 基础设施(如 PACS)通信。简言之,MONAI Deploy 通常使用“算子”的概念来界定和描述医学影像工作流的功能构建块。对于前列腺病灶工作流,主要算子包括序列选择算子、器官分割算子和病灶分割算子(图1)。

本工作利用 MONAI Deploy Express 来打包并执行该流水线(https://github.com/Project-MONAI/monai-deploy/tree/main/deploy/monai-deploy-express)。DICOM 服务类提供者(SCP)能够接收从 PACS(Philips/Carestream Vue PACS,v12.2)推送的 DICOM 图像,其应用实体(AE)标题专门关联到每个推理流水线(本研究中为“CD_ProstateSeg”)。一旦接收到 DICOM 并执行容器,MONAI DICOM 适配器用于将图像送入序列选择算子,以解析序列元数据并将适当的模态路由到正确的算子(图1)。虽然算子选择 T2、ADC 和高 b 值序列并将其路由到流水线,这些序列仍必须被排序并正确标记以输入模型。这通过提供一组正则表达式(称为“Regex”)选择规则字典来完成,该字典可根据给定机构的常见 DICOM 命名惯例持续更新或调整。我们已在补充材料中提供了本机构使用的 Regex 规则作为示例。

在序列分类之后,选定的 T2 序列随后被路由到器官分割算子。所得的器官分割随后与原始 T2W 图像以及 ADC 图和高 b 值图像相结合,创建重采样以匹配 T2 序列间距的4通道图像。所有三个 MRI 序列均由病灶分割模型使用,而器官掩膜用于隔离和裁剪感兴趣区域(图1)。来自所有模型的概率图被组合并应用阈值以创建最终掩膜。器官和病灶掩膜最终被提供给若干算子,这些算子产生 DICOM 输出,包括叠加在 T2 上的组合掩膜、叠加在 T2 上的病灶概率图,以及每个掩膜的单独 DICOM RTSTRUCT 对象。这些输出被提供回 MONAI DICOM 适配器并路由到 PACS 或其他 DICOM 端点(图1)。

图1 部署框架。来自PACS服务器的数据流由MONAI Deploy Express管理,并根据应用特定的AE标题启动流水线执行。容器执行后,由MONAI DICOM适配器编排模型流水线。鉴于前列腺病灶工作流的多参数输入,使用序列选择器算子解析DICOM信息,并将图像分类排序以供AI模型使用。随后,T2W序列被发送至器官分割算子进行基于器官的分割。所有mpMRI序列(T2W、ADC和高b值)及器官分割掩膜均被重采样至T2W图像的空间分辨率,并路由至病灶分割算子。该算子运行五个病灶分割模型的集成,以生成最终病灶分割掩膜。随后结果被路由至自定义MONAI DICOM写入算子,包括含可视化结果的DICOM序列和用于下游临床工作流的RTSS序列。流水线容器完成后,结果从推理服务器返回至临床PACS服务器 查看原图 ↗

第一阶段:实时PACS评估

患者选择和流水线执行由PACS用户(放射科医师)控制,其须在mpMRI检查中选择适当的T2W、ADC和高b值序列,然后路由至CD_ProstateSeg(图2A)。在本研究中,诊断性检查首先由一位专家放射科医师出于临床目的进行前瞻性阅片。在完成临床评估和报告后,在PACS中选择序列并由放射科医师推送至临床部署服务器,结果接收回PACS。记录每位患者的总处理时间,定义为部署服务器上的容器执行时间。AI生成输出与放射科医师解读的比较在PACS界面内完成(图2B),其中以放射科医师作为参考标准评估前列腺内病灶检测的一致性。

图2 Philips/Carestream Vue PACS系统集成。A 从PACS服务器到推理服务器的数据流,PACS用户可将选定的DICOM序列推送至预先指定的推理位置。在此示例中,在PACS中设置了流水线特定的DICOM复制位置,此处标记为“CD_ProstateSeg”,其向用户标识前列腺分割算法,并在图像通过此机制发送时与推理服务器的流水线特定AE标题相关联。B 生成的AI输出以二值掩膜和概率叠加的形式显示在T2W图像上,位于追加至患者检查的新DICOM序列中。在此示例中,PACS系统还接收了包含前列腺病灶和器官分割边界点的RTSTRUCT(未显示) 查看原图 ↗

第二阶段:活检规划和靶区定义评估

与第一阶段所示的工作流程类似,在完成临床评估和报告后,在PACS中选择序列并由放射科医生推送至临床部署服务器,结果返回至PACS。随后将T2W序列和AI生成的RTSTRUCT对象发送至UroNav融合活检系统(飞利浦)。在此,放射科医生可选择接受/拒绝基于AI的感兴趣区(ROI),并修改ROI边界以用于活检靶向。放射科医生识别但AI未检出的额外病灶进行了手动勾画。在MRI-经直肠超声(TRUS)融合软件引导下,对每个靶向病灶获取两个活检针芯。活检由泌尿科医生和/或放射科医生执行。由一位经验丰富的高年资泌尿生殖病理学家审阅所有活检标本,并根据国际泌尿病理学会(ISUP)标准进行分级[24]。

统计分析

两个阶段均报告了患者人口学特征的汇总统计量。由于两个阶段的参考标准不同,性能指标分别报告。

在第一阶段,适当时使用Pearson相关系数评估容器运行时间与患者特征之间的关联。基于AI的前列腺病灶检测性能指标以放射科医生为参考标准,在扫描层面和病灶层面分别报告,适当时包括灵敏度、阳性预测值(PPV)、特异度、阴性预测值(NPV)和准确率。在患者层面,真阳性(TP)是指专家放射科医生发现前列腺内阳性表现且AI至少产生一个病灶的任何扫描。假阴性(FN)是指专家放射科医生发现前列腺内阳性表现但AI流程未检测到任何病灶的任何扫描。假阳性(FP)扫描是指专家放射科医生未发现明显前列腺内异常表现(即未经治疗病例中PIRADS 1,或在任何其他指征下无可疑发现)且AI至少产生一个病灶的任何扫描。真阴性(TN)扫描是指专家放射科医生未发现明显前列腺内异常表现且AI流程未检测到任何病灶的任何扫描。在病灶层面,评估专家放射科医生的各病灶发现与AI发现的空间一致性。此处记录TP(空间一致)、FP(AI结果与放射科医生发现无重叠)和FN(放射科医生发现与AI结果无重叠)。TN在病灶层面未定义。

在第二阶段,癌症检出率(CDR)在病灶层面报告。每个病灶由AI判定为阳性/阴性,由放射科医生判定为阳性/阴性,产生三种可能的分类:AI+/Rad+(两者均为阳性)、AI+/Rad-(AI识别,放射科医生初始临床阅片未检出但接受用于靶向活检)和AI-/Rad+(AI未检出,放射科医生初始临床阅片检出并手动勾画用于靶向活检)。在患者层面,分别报告放射科医生和AI的灵敏度、PPV、特异度和NPV。所有计算均考虑检出任何前列腺癌(Gleason 3 + 3,ISUP分级分组1及以上)和临床显著性前列腺癌(csPCa;Gleason 3 + 4,ISUP分级分组2及以上)。

结果

第一阶段队列

从2024年4月1日至2024年4月29日,共有58例符合研究条件的患者在我们机构按照临床方案因局限性前列腺癌(PCa)的评估或怀疑而接受了前列腺多参数磁共振成像(mpMRI)(表1)。未因既往治疗而排除任何患者。6例患者既往曾因已知PCa接受治疗,其中1例已完成外照射放疗,2例接受过近距离放疗,1例接受过PCa局灶消融,2例在我们机构接受实验性治疗(NCT04943536)。专家放射科医师在31/58例扫描中识别出可疑的前列腺内表现,对应46个独特的前列腺内病灶。符合PIRADSv2.1判读评分条件的病灶表现汇总列于表1。

实时人工智能(AI)部署的中位处理时间为33秒(范围21–50秒),如表2所示。放射科医师分割所得的前列腺体积中位数为44.5 cc(18–172 cc),且与容器运行时间呈中度相关(Pearson r = 0.46),反映出基于病灶的操作者对前列腺器官体积输入的依赖性。专家放射科医师(参考标准)与AI病灶检测之间的一致性与此前报道相当,任何可疑前列腺内表现的基于病灶的敏感度为56.5%,扫描水平的敏感度为87.1%(表2)。值得注意的是,1例扫描未能通过AI流程成功部署,原因是缺乏可用的高b值序列。这导致DICOM序列选择操作符处失败,流程中止且未返回结果。

表1 患者人口学特征和影像学特征 查看原表 ↗
表2 第1阶段——以放射科医师为参考标准的AI性能特征 查看原表 ↗

第2阶段队列

从2024年5月28日至2024年7月9日,共有40例连续符合研究条件的患者在我们机构因局限性PCa的评估或怀疑而接受了前列腺mpMRI并进行了活检计划审核,其中5例患者被排除分析,原因包括既往治疗(n = 3)或活检 session 取消(n = 2)。纳入分析的35例患者的人口学特征列于表1。放射科医师总共接受了72个病灶用于活检靶向,其中23个最初未被放射科医师检测到(AI+/Rad-),但被认为可接受活检。一致病灶(AI+/Rad+)的CDR最高,PCa和csPCa分别为82.1%和42.9%(表3)。AI+/Rad-病灶的PCa CDR高于AI-/Rad+病灶,尽管在csPCa CDR中未观察到这一差异。在23个AI+/Rad-病灶中,4个病灶检测到csPCa(表3),对应4例不同患者。1例患者的csPCa仅在AI+病灶中检测到,反映出使用AI后诊断的改变。进一步在PIRADS分类中评估,当考虑AI阳性病灶时,PIRADS 3和PIRADS 4病灶的CDR在PCa和csPCa方面均有改善(表4)。放射科医师和AI在PIRADS 5病灶的病灶检测方面具有100%一致性,反映出CDR无变化。

表3 第2阶段——按病灶分类的CDR 查看原表 ↗
表4 AI阳性对放射科医师确定的PIRADS评分中CDR的贡献 查看原表 ↗

讨论

将人工智能算法应用于临床实践,几乎总是受限于临床科室缺乏集成系统或获取商业/第三方软件的障碍。理想的临床部署和人工智能算法验证将使放射科医生能够直接在他們非常熟悉的临床PACS阅片环境中与模型结果交互。在本研究中,我们分享了在临床放射学环境中实时部署基于人工智能的前列腺和病灶分割流水线的经验,该部署利用了一个公开可用的平台(MONAI Deploy Express),运行在专用推理服务器上。

在前列腺多参数磁共振成像(mpMRI)上准确检测前列腺内可疑发现是前列腺癌(PCa)诊断检查和监测中的关键步骤,特别是对于相关病理发现的精确靶向和活检取样[1, 3]。尽管有标准化报告指南,mpMRI的解读在放射科医生之间仍存在显著的阅片者间变异性[5, 25]。因此,mpMRI上前列腺内发现的检测已成为人工智能领域的热门研究课题[26, 27]。在该前瞻性患者队列中,推理流水线与专家放射科医生相比的性能表现,与原始模型开发[14]及后续验证研究中获得的结果相似。在迄今为止规模最大的658例患者验证研究中[16],以活检为参考标准,人工智能的临床有意义病变检出率(CDR)为44%,而专家放射科医生为49%。值得注意的是,仅由人工智能检出的病灶被回顾性地映射到非靶向活检穿刺芯的区域,在某些情况下无法如本研究中所做的那样得到适当验证。我们观察到,来自外部中心的低质量扫描中人工智能的性能可能下降[18]。然而,最近在一项纳入144例在外部学术中心接受活检患者的研究中,在主要为PIRADS = 4和PIRADS = 5病变的患者群体中,人工智能阳性发现的CDR为86.6%,而基于放射科医生评估的CDR为85.7%[17]。这些人群之间CDR的差异反映了前列腺MRI和PIRADS在不同临床环境中性能的已知变异性,其中PIRADS >= 3病变的平均CDR为35%(95%-CI 27–43%),在所有中心之间从< 20%到> 65%不等[5]。此外,我们证明这些基于人工智能的发现可用于基于感兴趣区(ROI)的勾画,并在市售临床活检平台中改善诊断靶向。该模型在检测高度可疑区域(PIRADS 5)方面与放射科医生表现出极好的一致性,并且还展示了在识别放射科医生先前未识别的靶点方面的附加价值,在仅由人工智能提出并被放射科医生接受用于靶向的ROI中,CDR为47.8%。虽然模型的稳健性和临床影响超出了本研究的范围,但此处描述的基于PACS的实施代表了在临床试验环境中对这些基于人工智能的解决方案进行前瞻性评估的重要一步。

该方法旨在实现与临床PACS系统的完全集成部署和推理。无缝集成对于避免放射科医生工作流程中断很重要,并有助于更快地将结果传递给转诊临床医生和患者。双向数据流使AI结果能够直接发送回PACS环境,但该系统对服务器目的地和其他定制具有灵活性。正如我们在一个试点患者队列中所展示的,基于DICOM的模型结果具有灵活性,可被其他DICOM位置摄取,例如本研究中使用的商业活检规划软件。文献中的类似报告强调了经典机器学习和深度学习算法在PACS部署中的定制解决方案[28–30]。最近,基于深度学习的算法部署已通过Clara Deploy等公共平台实现[31],但模型可移植性和缺乏公共开源代码导致Clara Deploy过渡到MONAI开源框架工作。我们选择使用这个公开可用的平台,研究人员、临床医生和行业合作伙伴均可使用,从而实现广泛使用和多中心临床验证[12, 23]。虽然超出本研究范围,但MONAI框架能够在给定时间编排多个AI流水线,简化部署推理引擎所需的计算资源。

这项试点研究存在少数局限性,该研究设计为基于PACS内的放射科用户执行部署,该用户对检查和患者信息有预先了解,以便在临床试验环境中进行适当选择。该用户将选择与AI处理相关的各个序列。未来工作包括自动序列选择和流水线执行,可在图像传输到PACS环境之前在MRI扫描仪控制台进行,或在放射科医生临床评估之前在PACS环境中自动进行。此外,由于本研究旨在证明部署的可行性,仅一名放射科用户在一个中心的少量患者群体中从临床平台部署并验证了这些结果。在本可行性研究的第一阶段,我们未根据既往治疗排除患者,以评估该算法能否在具有挑战性的环境中成功产生结果。该算法此前已在两种治疗后环境中得到验证[20, 21],但在更大规模的验证研究之前尚未评估其临床实施。扩展到更多用户将能够对模型性能进行广泛评估。最后,虽然初步评估表明放射科医生和AI的结合实现了最高的癌症检出率,但仍需要进一步研究基于AI的活检靶点的适当选择和使用。

总之,这一短期系列工作流程和真实临床实施证实了将新开发的AI算法实施到临床PACS环境中的可行性,并揭示了一条在放射学中转化AI应用的有前景的路径。然而,在AI算法尚未成为标准治疗的场景中,应仅在IRB批准的临床试验背景下使用。

图3 活检规划系统集成。76岁患者,血清PSA为8.4 ng/ml。双参数MRI(A = T2W MRI,B = ADC图,C = b1500 DW MRI)显示左侧尖端外周带(箭头)和右侧尖端前部移行带(短箭头)存在局灶性病变。二值病变预测(D)和概率(E)图确认两个病变均存在(长箭头和短箭头)。AI模型输出在活检准备平台(F)中呈现给用户,该平台允许用户批准或拒绝基于AI的靶病变(G) 查看原图 ↗

电子补充材料

以下是电子补充材料的链接。

补充材料1

引用

  1. Harmon SA, Tetreault J, Esengur OT, et al. Research-based clinical deployment of artificial intelligence algorithm for prostate MRI. Abdom Radiol (NY). 2025. PMID: 40418374. doi:10.1007/s00261-025-05014-7
  2. 全文:PMC12602619(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12602619/

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。