基于双参数MRI筛查人群数据的前列腺癌人工智能检测评估
本研究从G2前列腺癌筛查试验中整理1354例双参数MRI数据,训练并评估基于nnU-Net的深度学习分割系统检测临床显著前列腺癌(ISUP≥2),以组织病理学为标准。AI在测试集(268例)的AUROC为0.83(95%CI 0.73–0.92),但在匹配放射科医生PI-RADS 3、4、5敏感度时特异度显著更低。
要点
- AI在筛查人群测试集AUROC为0.83(95%CI 0.73–0.92),与放射科医生PI-RADS评估比较。
- 匹配PI-RADS 3敏感度(0.96)时,AI特异度较放射科医生平均低0.24(CI 0.16–0.31)。
- AI假阳性常见于前列腺周围静脉、移行带不典型结节及直肠气体所致磁敏感伪影区域。
核心结论
- 基于筛查人群数据训练的神经网络在测试集AUROC为0.83(95%CI 0.73–0.92),但在相同敏感度水平下特异度低于使用PI-RADS v2的放射科医生。
- 作者提醒在筛查场景使用AI系统时应仔细验证其性能,至少应了解假阳性的程度。
研究设计与样本
- 研究为从G2前列腺癌筛查试验中回顾性选取男性,整理带组织病理学确认的MRI数据集,用于训练和评估深度学习分割方法nnU-Net。
- 共纳入1354次MRI检查(1254名男性,中位年龄58岁,范围50–63岁),随机分为训练集1086次检查和测试集268次检查。
- MRI均在Sahlgrenska大学医院同一台Philips Achieva dStream 3-T扫描仪上完成,使用盆腔相控阵线圈,输入神经网络的数据为轴位T2加权图像、b值1500 s/mm²的DWI及ADC图。
- 参考标准基于组织病理学,288名男性无论MRI结果均接受系统活检,所有男性至少随访3年;临床显著前列腺癌定义为ISUP分级≥2。
关键影像表现/征象
- AI假阳性病例中,AI分割的区域可见明显扩散受限,但该征象也可由其他原因引起。
- 图5所示典型假阳性包括:前列腺周围静脉明显扩散受限(病例1)、移行带边界清楚的不典型结节伴明显扩散受限(病例2)、直肠气体导致的严重堆积伪影(病例3)。
- 作者指出这些假阳性病例中病灶位置很重要,而AI系统似乎未能考虑位置因素。
诊断标准与关键数值
- AI系统在测试集的AUROC为0.83(95%CI 0.73–0.92)。
- 在放射科医生PI-RADS 3敏感度水平(敏感度=0.96)时,AI特异度较放射科医生平均低0.24(CI 0.16–0.31)。
- 临床显著前列腺癌定义为ISUP分级≥2;阴性活检定义为良性或ISUP分级≤1。
- 放射科医生使用PI-RADS v2在双参数数据上进行主要评估,并报告双参数PI-RADS评分用于与AI比较。
临床应用与阅片要点
- 作者提醒读者在筛查场景使用AI系统时应仔细验证其性能,至少应了解假阳性的程度。
- 作者指出AI在筛查中可能有多种潜在诊断应用,例如作为放射科医生的第二读者,或鉴于临床显著前列腺癌低患病率而用作自动排除系统。
- 作者指出根据应用不同,AI系统可能需要调整以确保最佳性能,例如在排除系统中最大化敏感度。
局限性
- 数据集仅包括筛查人群的检查,且MRI均在同一扫描仪上使用同一协议完成,理论上显著限制了对其他人群和扫描仪的泛化;未进行外部数据性能评估。
- 训练和推理使用nnU-Net默认设置,对训练和推理流程进行定制可能获得更好性能。
- 部分病例缺乏组织学验证;本研究采用对部分患者无论MRI结果行系统活检及至少3年随访两种方法以减少MRI阴性病例缺乏验证所致偏倚。
- 有15例MRI高度可能为临床显著前列腺癌(PI-RADS 4–5)但靶向活检未发现癌的病例经重读后被纳入为临床显著前列腺癌,尽管无确认的组织学诊断,该方法引入了偏倚。
全文中译13 节 · 点击展开
引言
在欧洲,推荐在进行活检前进行MRI检查,作为前列腺癌(PC)诊断路径的一部分[1]。增加MRI的益处包括减少所需的活检数量[2]、实现MRI靶向活检[3, 4]以及减少过度诊断[5]。如果要引入筛查项目,必须努力提高筛查项目的效率,使其具有成本效益且可行。MRI检查的放射学判读成本高昂,且具备该能力的放射科医生短缺。人工智能(AI)辅助工作流程有可能减少图像判读所需的时间并降低成本。在筛查中还有一些更为突出的问题可能通过AI辅助判读得到改善,例如阅片者间和中心间的变异性,以及对阴性检查的自动排除——这些检查可能根本不需要放射科医生判读[6]。然而,确认这些益处的证据尚缺乏[7–9]。目前有大量商业AI解决方案可供使用,但关于使用了何种训练数据的透明度很低,且关于这些程序临床效能的研究很少[10]。仅在临床数据上训练和评估的程序——其PC患病率高于筛查人群——在用于筛查人群时可能产生不可预见的影响,例如过度诊断,这可能从一开始就削弱使用MRI的益处。
本研究旨在从前列腺癌筛查人群中整理一个数据集,并使用基于深度学习的分割方法nnU-Net的基线版本[11]对其进行神经网络的训练和评估。
材料与方法
伦理考量
本研究经瑞典伦理审查局批准,注册号为2019-04453。
研究人群
研究人群由从哥德堡前列腺癌筛查2试验(G2试验)(IS-RCTN94604465)中回顾性选取的男性组成。G2试验在其他文献中有详细描述[12],简言之,50–60岁男性被随机分配至对照组或筛查组。筛查组中的所有男性被邀请进行前列腺特异性抗原(PSA)检测,然后进一步随机分配至以下三组之一:(1)PSA ≥ 3 ng/mL,接受前列腺MRI和系统性活检(无论MRI结果如何),若MRI发现PI-RADS ≥ 3则增加靶向活检;(2)PSA ≥ 3 ng/mL,接受前列腺MRI,若MRI发现PI-RADS ≥ 3则增加靶向活检;(3)同(2),但PSA ≥ 1.8 ng/mL。再次邀请的间隔因PSA水平、MRI结果和活检结果而异。本研究纳入2015年10月25日至2019年3月2日期间在G2试验下接受前列腺MRI检查的所有男性。排除标准为双参数MRI数据不完整或任何扫描存在过度伪影。
随访
使用G2试验研究数据库和瑞典癌症登记处的数据来确定患者在随访期间是否患有PC。数据于2023年1月31日从两个数据库中提取。
MRI数据
所有检查均在Sahlgrenska大学医院的Philips Achieva dStream 3-T MRI扫描仪上进行,使用盆腔相控阵线圈接收信号。采用多参数MRI协议。轴位T2加权(T2W)和扩散加权成像(DWI)扫描沿前列腺基底部在同一斜轴位平面上采集。斜轴位T2W扫描的扫描参数如下:TR,3906 ms;TE,105 ms;FOV,180 × 180 mm;采集矩阵大小,200 × 212;层厚,1.5 mm。斜轴位扩散加权成像(DWI)扫描使用以下扫描参数:TR,4000 ms;TE,78 ms;FOV,280 × 233 mm;采集矩阵大小,92 × 77;层厚,3 mm;2倍并行线圈加速。DWI扫描包括b值0、100、1000和1500 s/mm2,6次信号平均,所有非零b值取三个正交编码方向的几何平均值。表观扩散系数(ADC)图通过使用所有b值对对数化信号进行最小二乘拟合计算。上述T2W扫描、b值1500 s/mm2的DWI和ADC图用作神经网络的输入。此外,还获得了三个正交平面上层厚3 mm的T2W扫描和斜轴位动态对比增强(DCE)扫描,但仅用于主要MRI评估,不作为神经网络的输入。
MRI检查参考标准的确定
参考标准的确定与Saha等人[13]使用的策略相似。图1提供了说明参考标准选择的流程图。三位具有5年以上前列腺MRI诊断评估经验的委员会认证放射科医师阅读了MRI检查。对于每次MRI检查,这三位读者中的两位以共识方式进行初步阅读(主要MRI评估)。使用多参数MRI数据,并使用PI-RADS v2 [14]报告发现。主要MRI评估同时报告了多参数和双参数PI-RADS评分(无DCE序列)。多参数MRI评分根据G2试验研究方案指导活检程序[12];同时,双参数评分用于与AI系统进行比较。组织学分级使用国际泌尿病理学会(ISUP)分级系统[15]。临床显著性前列腺癌(csPC)定义为ISUP分级≥ 2。阴性活检定义为良性或ISUP分级1或更低。
所有双参数PI-RADS评分≥3且随后同一区域活检显示csPC的MRI检查结果均被视为csPC。所有双参数PI-RADS评分≤3、活检阴性且随访期间未诊断PC的MRI检查被归类为“无csPC”。所有其他MRI检查由两名放射科医师中至少一名重新阅片,该医师可获取随访期间的所有可用数据。双参数PI-RADS≤2且在随访期间诊断为csPC(无论是在研究内的系统性活检还是研究外的活检中发现)的MRI检查被重新阅片,以确定MRI检查是否遗漏了csPC。双参数PI-RADS≥4且在随访期间未诊断csPC的MRI检查被重新阅片,以确定活检是否遗漏了csPC。如果进行重新阅片的放射科医师认为csPC存在的可能性很大,则视为csPC,即使没有确认的组织学诊断。否则,归类为“无csPC”。如果在MRI靶向活检之外还进行了系统性活检,ISUP分级只能升级。如果进行了前列腺切除术,随后全腺体组织学结果取代先前的活检结果。
一名具有5年以上前列腺MRI经验的放射科医师使用ITK-snap软件(版本4.0.1)[16]对所有csPC病灶进行了分割。如果病灶难以勾画,则咨询第二名具有约10年前列腺MRI经验的放射科医师。利用该病例的所有可用信息来确定病灶的位置和范围,例如原始MRI报告、活检区域和前列腺切除术结果。
MRI数据准备
整理后的MRI数据被随机分为仅用于训练的数据集(占所有病例的80%)和仅用于测试的数据集(占所有病例的20%)。此随机化过程中未考虑随访访视。使用TorchIO(版本0.19.2)[17]通过线性插值将所有弥散加权图像和ADC图变换至与T2W图像相同的平面内空间分辨率和层数。使用Elastix(版本5.1.0)[18]进行刚性配准,以变换后的b0图像作为移动图像,T2W图像作为固定图像。随后将相同的配准应用于变换后的高b值图像和ADC图。执行这些程序所用的代码和两个示例病例可在我们的GitHub上找到;请参阅补充材料。轴位T2W图像、b = 1500 s/mm2弥散加权图像和ADC图被用作神经网络的输入。
神经网络的训练及测试集上的推理
使用基于深度学习的分割方法 nnU-Net(版本 2.5.1)[11]。关于 nnU-Net v2 工作原理的详细说明,可参阅原始发表文献及补充信息 [11]。使用内置的实验规划和预处理。训练了 2D 和 3D 全分辨率配置;由于输入图像分辨率相对较低(插值至 432 × 432),省略了 3D 低分辨率和 3D 级联配置。使用默认的五折交叉验证,nnU-Net 根据验证集中的 Dice 分数确定单个最佳配置或两种配置的集成。集成通过平均 softmax 概率完成。使用五块 NVIDIA A100 GPU(80 GB 显存)进行训练。训练完成后,使用最佳配置在测试集上进行推理。通过保存 softmax 预测结果并使用报告引导标注(RGA)工具以动态病灶提取设置从这些预测中提取病灶候选,获得检测图,详细描述见参考文献 [19]。执行这些程序所用的代码及两个示例可在我们的 GitHub 上找到;请参阅补充材料。RGA 从 softmax 预测中取最高体素值以及 3D 中所有连通体素中值至少为最高体素值 40% 的体素,创建一个病灶候选。然后移除第一个病灶中包含的所有体素及连通体素,重复该过程以查找更多病灶候选。同一病灶候选中的所有体素被赋值为该病灶中最高体素的值。在统计分析中,每个病例的最高 softmax 值作为最终评估中的似然评分(0 至 1)。
统计分析
根据 AI 系统和放射科医师基于双参数数据使用 PI-RADS v2 进行的主要 MRI 评估对 csPC 的病例级预测,评估其诊断性能。确定受试者工作特征曲线(ROC),并计算相应的曲线下面积(AUROC)。此外,确定放射科医师主要评估在 PI-RADS 3、4 和 5 时的特异度和敏感度,并与 AI 的平均特异度进行比较。计算上述所有指标的 95% 置信区间。对于 AUROC,使用 DeLong 方法 [20];对于放射科医师的敏感度和特异度及 ROC 曲线,使用 Clopper-Pearson 方法;对于特异度的平均差异,应用自举法计算置信区间。自举法为非参数有放回方法,重采样 10,000 次,置信区间基于百分位数法计算。如果平均差异的置信区间不与零重叠,则认为差异显著。统计分析在 R(版本 4.4.1)中进行,脚本可在我们的 GitHub 上获取;请参阅补充材料。
结果
最终数据集
在指定时期内,共进行了1389次MRI检查(见图2)。其中,35次检查被排除,原因要么是数据不完整或缺失(n = 18),要么是由于髋关节假体导致DWI数据被认为无法判读(n = 17)。最终纳入1354次检查(关于训练和测试数据集的详细信息见表1)。每次MRI的中位随访时间为5.03年(范围3.90–7.25年)。
AI系统的性能
两种配置的训练(五个折在独立的GPU上同时训练)耗时20小时23分钟。推理每个病例约需30秒。图3展示了测试集中的一个示例病例,包括输入数据、参考分割以及AI系统的输出。在测试集中,AI系统的AUROC为0.83(95% CI 0.73–0.92)。ROC曲线(包括与放射科医师在初次MRI评估中双参数评分的比较)见图4。AI系统和放射科医师在固定灵敏度水平(与放射科医师在PI-RADS 3、4和5时的灵敏度相匹配)下的特异度及其置信区间见表2。AI系统假阳性的分析见表3,图5展示了三个假阳性病例示例。
讨论
从筛查人群中制备了一个经过整理和标注的前列腺MRI数据集,用于训练和评估一种基于深度学习的分割方法(nnU-Net)以检测csPC。AI系统在测试集中的AUROC为0.83(95% CI 0.73–0.92)。在与放射科医师PI-RADS 3、4和5相同的灵敏度下,AI系统的特异性低于放射科医师。
据我们所知,此前尚无同等规模的研究针对筛查人群中MRI数据的前列腺癌检测,对神经网络进行训练和评估。2020年发表了一项使用类似数据集的较小研究,包含49例病例[21];2024年又发表了另一项包含57例病例的研究[22]。所使用的筛查数据集(n = 1354)中临床显著前列腺癌(csPC)的患病率为10%,平均PSA为4.43 ng/mL。此前发表的PI-CAI数据集(n = 10,207)中csPC的患病率为24%,中位PSA为8 ng/mL[13]。这表明筛查人群与临床人群之间csPC患病率存在显著差异。因此,跨不同人群对AI性能进行比较时应持谨慎态度。在PI-CAI研究中,其挑战赛中表现最好的五种算法的集成在其400次检查的测试集中达到了0.91(CI 0.87–0.94)的AUROC。这略高于本研究所用AI系统所达到的AUROC,尽管落在95% CI范围内。可能有几个因素可以解释这一差异:更大的训练数据集(9207例 vs 1086例)、更好的算法,以及筛查数据集更具挑战性的本质。后者可能表明,AI系统至少需要在筛查人群中进行验证以确保最佳性能。同一研究中的放射科医师(使用0至100的概率评分而非PI-RADS)达到了0.86(CI 0.83–0.89)的AUROC。2020年一项关于机器学习应用于csPC检测的荟萃分析显示合并AUROC为0.86(CI 0.81–0.91)[23]。采用类似方法评估的、已获得CE认证或FDA批准的市售系统所展示的AUC范围为0.79至0.91,尽管这些数据集的csPC患病率(31–69%)远高于本研究[24–27]。在筛查环境中使用AI进行MR图像解读有许多潜在益处,但也存在潜在陷阱。在前列腺癌筛查中,活检前使用MRI的主要优势是减少过度诊断[28–30]。如果MRI衍生的诊断产生过多假阳性,这一效果可能会被削弱。阳性结果要么必须被放射科医师认定为假阳性而排除,要么必须通过活检加以验证以排除csPC。这将导致接受活检的男性人数增加,进而为这些男性带来额外风险。在放射科医师PI-RADS 3的敏感度水平(敏感度 = 0.96)下,本研究所使用的AI系统与放射科医师相比特异度更低(平均差异0.24,CI 0.16–0.31),这意味着AI系统产生更多假阳性发现。对于较低的敏感度,差异较小但仍具有显著性。在许多假阳性病例中,AI分割了弥散明显受限的区域。虽然这是恶性肿瘤的征象,但也可能由其他原因引起。在图5提供的示例中,展示了三个典型病例,其假阳性分别源于前列腺周围静脉(病例1)、移行区非典型结节(病例2)以及直肠气体引起的磁敏感伪影(病例3)。在所有这些病例中,发现灶的位置很重要,而AI系统似乎未能考虑到这一点。在PI-CAI研究中,在多学科实践中(使用PI-RADS)在PI-RADS 3匹配敏感度水平下比较AI系统与放射科医师的特异度,未显示显著差异(平均差异−0.002(CI −0.038至0.035))。较低的特异度可能影响MRI检查的临床价值。作者希望提醒读者,在筛查环境中使用此类AI系统时,应仔细验证其性能,至少应了解假阳性的程度。还应注意,AI系统在筛查中有若干潜在的诊断应用,例如作为放射科医师的第二读片者,这已在乳腺癌筛查中被证明有用[31];或者,考虑到前列腺癌筛查中csPC的低患病率,自动排除系统似乎具有优势[32]。根据应用场景的不同,AI系统可能需要进行调整以确保最佳性能,例如在排除系统中最大化敏感度。
本研究存在一些局限性。第一,数据集仅包括筛查人群的检查,且均由同一台MRI扫描仪使用相同方案完成,理论上这显著限制了对其他人群和扫描仪的推广。另一方面,在这种同质化环境中,其性能可能优于在更异质数据上训练的人工智能系统。未对外部数据进行性能评估。为更好地评估泛化能力,未来研究应纳入来自不同扫描仪和医院的外部数据。第二,训练和推理使用默认设置的nn-UNet分割方法进行。尽管nn-UNet在csPC检测中开箱即用表现良好,如PI-CAI挑战赛[13]所示,前五名网络中有两个基于nnU-Net,以及其他数据集[33]中也是如此。但通过定制训练和推理流程仍可能获得更好的性能。第三,部分病例缺乏组织学验证。合适的参考标准对于训练和评估神经网络至关重要。当前前列腺癌的诊断流程主要基于MRI发现,欧洲指南不推荐对MRI阴性男性进行系统性活检[1]。在整理数据集时,这会造成问题,因为MRI阴性病例通常缺乏组织学验证。本研究采用了两种方法以最小化因MRI阴性病例缺乏验证而产生的偏倚:无论MRI结果如何,对部分患者进行系统性活检,以及至少3年的随访。此外,MRI高度可能为csPC(PI-RADS 4–5)但靶向活检未发现csPC的病例也带来挑战。这种情况有几种可能解释;其中之一是假阴性活检[34]。为捕捉这些病例,进行了重读,15例被纳入为csPC,尽管没有确证的组织学诊断。这种方法在评估时引入了有利于放射科医师的偏倚,因为放射科医师在某些情况下决定了参考标准。解释结果时必须考虑这一点。然而,在训练期间,这种方法似乎有利,因为可以训练AI更好地发现临床显著性前列腺癌病例。为获得完全无偏倚的评估,应进行前瞻性随机试验。第四,本研究使用双参数MRI数据训练和评估AI系统,省略了DCE序列。双参数方案在筛查场景中似乎有利,检查时间更短、成本更低,且无钆对比剂的潜在危害,同时保持相似的检出率并产生更少的假阳性[28, 30, 35]。此外,省略DCE导致AI系统需处理的数据大大减少,降低了数据传输和计算时间。值得注意的是,放射科医师在初步评估时可获取多参数数据,这可能使他们相对于AI系统具有优势,但报告的PI-RADS评分基于双参数数据。第五,ADC图使用四个b值(0、100、1000和1500 s/mm2)计算,不符合PI-RADS建议。然而,这种特定的b值选择此前已被研究,对ADC图上病变对比度的影响可认为可忽略不计[36]。可考虑替代方案以实现ADC的一致性计算[37]。
总之,从前列腺癌筛查人群中整理了一个前列腺MRI数据集,其中大多数阳性病例经组织学确认,一部分阴性病例通过系统活检及中位随访5年得到验证。在该数据集上训练的神经网络所产生的特异性低于放射科医生。
补充信息
电子补充材料
引用
- Langkilde F, Gren M, Wallström J, et al. Evaluation of AI for prostate cancer detection in biparametric-MRI screening population data. Eur Radiol. 2025. PMID: 41359160. doi:10.1007/s00330-025-12198-5
- 全文:PMC13086701(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13086701/
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。