深度学习计算机辅助检测在前列腺双参数MRI病变检测与分类中的表现：与专家阅片者比较

引言

前列腺MRI在疑似前列腺癌（PCa）男性的诊疗中发挥着核心作用，包括在诊断、分期、风险分层和治疗后评估中的作用，对检测临床显著性PCa具有较高的诊断准确性[1]。然而，尽管MR图像解读的标准化有所改善，包括前列腺影像报告和数据系统（PI-RADS）的发展[2, 3]，前列腺MRI的临床解读在多参数（mp）MRI和较短的雙参数（bp）MRI方案（由T2加权（T2WI）和扩散加权（DWI）成像组成）中仍然存在显著的阅片者内和阅片者间变异性[4, 5] [6, 7]。

基于深度学习的计算机辅助检测（DL-CAD）算法用于前列腺病变的检测和分类，可能提高放射科医师的诊断准确性，同时减少阅片者间变异性和解读时间[8, 9]。作为独立工具，一些DL-CAD算法已显示出与放射学评估相当的病变检测性能[10, 11]，以及在组织病理学检查中对临床显著性PCa的可靠预测[12–14]。既往研究还表明，当放射科医师的评估辅以CAD预测时，在bpMRI[15]和mpMRI[16, 17]上检测前列腺病变的敏感性、准确性和阅片者间一致性均有所提高。

尽管取得了这些进展，对于CAD算法仍存在未满足的需求，即不仅基于单一索引病变识别高危患者，还能正确定位、分割和分类MRI上可见的所有可疑前列腺病变。这对于正确的放射靶向/剂量和靶向前列腺活检尤为重要[18, 19]。另一方面，能够可靠排除临床显著性PCa并避免不必要活检的CAD算法在临床实践中也很有价值[20]。

本研究的目的在于评估一种预训练的DL-CAD算法在bpMRI上前列腺病变检测和分类的性能。

材料与方法

患者队列

这项单中心回顾性研究经西奈山伊坎医学院人类受试者保护计划批准（参考编号：Study-21-01490），并豁免知情同意。影像数据库查询时间为2022年7月1日至2022年9月30日，纳入连续收治的18岁以上男性，这些患者因临床怀疑PCa而在3-T系统上接受前列腺MRI检查。排除标准列于研究流程图（图1）中。最终，442名患者符合研究条件。表1总结了研究队列的患者特征。

MRI方案

所有患者均按照我院临床方案，使用两台临床3-T MRI系统之一（MAGNETOM Skyra，Siemens Healthineers；或GE Premier，GE Healthcare）接受前列腺MRI检查。MRI方案包括轴位、冠状位和矢状位FSE-T2WI、轴位DWI（b值：50、1000、1600）以及以b = 50、1600计算的ADC图。MRI方案在研究期间保持稳定。

数据收集与定性分析

研究协调员（观察者1，D.J.，一名具有1年经验的磁共振成像研究员）从临床MRI报告中提取数据，包括前列腺体积、前列腺病灶位置（如存在，外周带（PZ）/移行带（TZ）；右/左；底部/中部/尖部）、轴位成像上病灶最大尺寸（mm），以及每个病灶的双参数PI-RADS v2.1评分。针对双参数MRI定制的整体图像质量（PI-QUAL）评分[21]由观察者1在轴位T2WI和DWI/ADC上使用5分制评估（1：无法诊断；2：图像质量差；3：图像质量满意；4：图像质量良好；5：图像质量优秀），同时考虑图像锐利度、运动和失真。

深度学习算法与图像分析

本研究使用了一套专有的深度学习计算机辅助诊断（DL-CAD）系统（MR-Prostate AI研究应用v1.3.4；Siemens Healthineers），该系统包含一个基于深度学习的病灶检测和分类算法，该算法使用来自7个欧洲和亚洲机构的3087例双参数MRI进行预训练[22]。该系统通过与Siemens Healthineers的研究合作协议获得。DL-CAD流程概述见图2，简要描述如下。首先，使用先前报道的基于深度学习的方法[23]在T2WI体积图像上进行全腺体分割。该软件内部从采集的DWI序列计算b2000 DWI和ADC图像（使用b = 50、1000）。应用刚性配准将DWI与T2WI图像对齐[24]，然后将这些图像输入基于2D UNet的卷积神经网络，该网络在PI-RADS ≥ 3的病灶上（基于专家放射科医生的判读）进行训练，以检测初始候选病灶。该病灶检测模块先前已训练[23]，使用编码器-解码器架构，包含16个模块、卷积核大小3 × 3、批量归一化和Leaky ReLU激活函数。围绕这些初始候选病灶裁剪多层图像块，并由后续的假阳性减少阶段进行分析，该阶段使用具有相应活检结果的病灶作为金标准进行训练，为每个候选病灶产生1–100范围内的人工智能（AI）怀疑水平（LoS）。该假阳性减少模块先前已训练[22]，使用ADAM[25]优化器训练100个epoch，L2正则化为10−4，数据增强（[−45°至45°]旋转、[−5至5]像素平移和垂直翻转），以及加权二元交叉熵损失函数。LoS低于60（对应估计的PI-RADS 1–2评分）的候选病灶被丢弃，而LoS为60–79的病灶检测被赋予基于AI的PI-RADS 3评分。对于LoS为80–100的检测，如果分割直径小于15 mm，则赋予PI-RADS 4评分，否则赋予PI-RADS 5评分。总体而言，DL-CAD算法的输出包括整个前列腺和病灶的分割，以及包含每个检测到的前列腺病灶的大小、位置和估计PI-RADS评分的报告。

从所有患者采集的T2WI和DWI DICOM文件从本地PACS系统中提取，并由DL-CAD在AMD Ryzen 7-2700X八核处理器上进行分析。我们队列中的所有患者数据被用作外部测试集，未进行重新训练。

参考标准

由7名接受过专科培训的放射科医师（经验范围5至20年）出具的临床MRI报告被作为参考标准。基于专家放射学评估并使用PI-RADSv2.1进行的临床MRI判读提供了相关基准，代表了当前临床实践标准，尤其考虑到在我们的研究人群中并非所有患者都有病理学对照。

从临床报告中提取的数据包括病变位置、最大轴位直径（mm）以及T2WI和DWI序列的PI-RADS评分。双参数（bp）PI-RADS评分由观察者1根据PI-RADSv2.1从临床报告中回顾性获得。该评分被选择用于统计分析。参考标准和DL-CAD所分配的PI-RADS评分以递增的截断值（PI-RADS = 3、4、5）进行二值化，以有效区分高风险和低风险评分。对于每个PI-RADS截断值，生成基于患者和基于病变分析的列联表，反映真阳性（TP）、真阴性（TN）、假阳性（FP）和假阴性（FN）检出的频率。

基于患者的检出定义如下：（1）TP：定义为DL-CAD和参考标准均在同一位置检出至少一个PI-RADS ≥ 3–5的病变（无论PI-RADS 3–5评分如何），（2）FP：定义为DL-CAD检出至少一个PI-RADS ≥ 3–5的病变而参考标准未检出此类病变，（3）FN：定义为参考标准检出至少一个PI-RADS ≥ 3–5的病变而DL-CAD未检出，（4）TN：定义为DL-CAD和参考标准均未检出PI-RADS ≥ 3–5的病变。

基于病变的检出定义如下：（1）TP：定义为DL-CAD和参考标准均在同一位置检出的所有PI-RADS ≥ 3–5病变，（2）FP：定义为DL-CAD检出的PI-RADS ≥ 3–5病变而参考标准未检出此类病变，（3）FN：定义为参考标准检出的PI-RADS ≥ 3–5病变而DL-CAD未检出此类病变。TN未在病变水平定义[26]。

观察者间一致性

临床报告与由3名放射科培训医师组成的阅片组（观察者2：M.B.；观察者3：A.S.；观察者4：J.F.）之间在前列腺病变检出方面的观察者间一致性，在98名患者的子集中使用bp PI-RADS v2.1进行评估。选择培训医师进行此分析，以评估DL-CAD在再现参考标准观察结果方面与这一经验较少的阅片组的比较情况。

统计分析

对于基于患者的病灶检测性能评估，获取了敏感性、特异性、阳性预测值（PPV）和阴性预测值（NPV），以及DL-CAD与参考标准之间一致性的Cohen kappa系数。还生成了受试者工作特征曲线（ROC），并获得了DL-CAD检测高风险病灶（PI-RADS 3–5）的相应曲线下面积（AUC）及95%置信区间。对于基于病灶的分析，计算了敏感性和PPV（因为未定义真阴性）。病灶分类性能通过加权kappa分析评估，仅限于DL-CAD在正确位置识别的PI-RADS ≥ 3病灶，具体如下：一致性差，< 0.20；一致性一般，0.21–0.40；一致性中等，0.41–0.60；一致性好，0.61–0.80；一致性极好，> 0.80。

通过以下方法研究了DL-CAD错误预测的可能原因：（1）由2名放射科医师（观察者1和观察者5，S.L.，一位具有13年经验的专家放射科医师）对假阳性（FP）和假阴性（FN）病例进行独立审查；（2）比较正确（真阳性+真阴性）和错误（假阳性+假阴性）DL-CAD预测患者组之间数值/分类临床和影像参数——BMI、前列腺体积、MR图像质量、索引病灶大小和位置——的中心趋势/比例。

使用描述性统计汇总研究人群的临床和影像参数。连续变量的组间比较使用二元逻辑回归获得比值比，而分类变量使用卡方检验和Fisher精确检验。统计学显著性以p < 0.05为标准。所有统计分析均在R中进行（R版本4.3.1）。

结果

参考标准

在评估的442例患者中，根据参考标准，216例患者（每例患者1.27个病灶）报告了274个PI-RADS ≥ 3病灶（PI-RADS-3，n = 92；PI-RADS-4，n = 122；PI-RADS-5，n = 60）。

MRI图像质量结果和观察者间一致性

大多数病例的图像质量评分被认为良好至优秀（表1）。受训者与参考标准之间基于患者检测PI-RADS ≥ 3/4/5病灶的观察者间一致性为中等至良好（kappa = 0.66/0.53/0.71）。

DL-CAD检测PI-RADS ≥ 3病灶的性能

DL-CAD在205例患者（每例患者1.39个病灶）中检测到285个PI-RADS ≥ 3病灶（PI-RADS-3，n = 85；PI-RADS-4，n = 122；PI-RADS-5，n = 78）。143/274（52%）的PI-RADS ≥ 3病灶被DL-CAD和参考标准在同一位置检测到。

基于患者的分析

DL-CAD与参考标准检测PI-RADS 3–5/4–5/5病灶的一致性为一般/中等/良好。基于患者的敏感性、特异性和诊断性能随PI-RADS评分升高而增加（表2，图3–5）。对于PI-RADS ≥ 3/4/5病灶，NPV为一般/良好/优秀（表2）。

按病灶分析

PI-RADS 4–5和5病灶的敏感性更高。随着PI-RADS截断值升高，PPV改善较小（表2）。

DL-CAD在PI-RADS ≥ 3病灶分类中的性能

图6显示了DL-CAD与参考标准在相同位置检测到的PI-RADS ≥ 3病灶的一致性分析。在各种错误预测中，我们注意到DL-CAD将12个PI-RADS 3病灶过度判定为PI-RADS 4，并将11个PI-RADS 4病灶过度判定为PI-RADS 5。所得的线性加权kappa值为中等（kappa = 0.56；95% CI：0.45–0.68）。将PI-RADS评分4和5合并为一个类别后，kappa降至0.41（CI：0.22–0.61）（图6）。

DL-CAD与参考标准之间不一致性的分析

由两名经验丰富的放射科医师（观察者1和5）对检测PI-RADS ≥ 3病灶时按患者的不一致进行回顾性分析。33/66（50%）的FP病例被认为代表良性前列腺增生（BPH）或可能的前列腺炎瘢痕/改变。在另外22/66（33%）的病例中，精阜、PI-RADS 2病灶和中央区插入部也被DL-CAD识别为可疑病灶。在96例FN病例中，发现16个（17%）病灶位于PZ-TZ交界附近，7个（7%）位于PZ-前列腺周围组织，4个（4%）位于前列腺尖部。

我们研究了不一致性的来源是否可归因于临床（BMI）或影像学（前列腺体积、病灶大小和位置、图像质量）标志物。为简便起见，将TP和TN检测归为一类，称为“命中”，而将FP和FN检测合并为一类，称为“未命中”。该分析显示，病灶大小是区分DL-CAD命中和未命中的唯一显著因素（OR = 3.67；95% CI：2.20–6.13；p < 0.001），检测到和未检测到病灶的平均病灶大小分别为1.6 ± 1.0 cm和1.0 ± 0.6 cm（表3）。其他因素不是不一致性的显著预测因素。

讨论

在我们的研究中，我们在真实世界环境中评估了预训练的深度学习计算机辅助诊断（DL-CAD）系统在前列腺病变检测和分类方面的性能，包括良性和恶性病变患者。我们进行了基于患者和基于病变的分析，以评估DL-CAD在病变定位和分类方面的性能。

放射科住院医师与临床报告之间中等到良好的一致性支持我们使用前列腺影像报告和数据系统（PI-RADS）评分系统作为参考标准。使用组织病理学作为参考标准会将分析限制在活检患者中，过度代表恶性病变，这不能反映真实世界的临床环境。

基于患者检测PI-RADS ≥ 3/4/5病变的AUC为中等至优秀，DL-CAD与参考标准之间在检测PI-RADS ≥ 3/4/5病变方面的一致性为中等/中等/良好（基于患者分析），对于更高PI-RADS病变性能有所提高。DL-CAD在排除PI-RADS ≥ 4/5病变方面也表现出良好/优秀的性能，患者在水平上的高阴性预测值（NPV）表明了这一点。在检测PI-RADS ≥ 4/5病变方面，DL-CAD与参考标准之间的基于患者一致性与培训组和参考标准之间的一致性相当。然而，对于PI-RADS ≥ 3病变，培训者与参考标准之间的一致性更高。

为了评估DL-CAD系统在PI-RADS分类方面的性能，我们聚焦于DL-CAD系统正确检测的143个病变。对于PI-RADS ≥ 3病变的分类，线性加权kappa为中等。然而，该值高于Sanford等[27]在涉及半自动化、基于卷积神经网络算法的类似评估中获得的值，尽管他们的分析中也包括了PI-RADS 2病变。在我们的队列中，有相当大比例的这些病变中DL-CAD和放射科医师给出了不一致的PI-RADS = 3/4评分。将PI-RADS评分4和5合并为一个类别使PI-RADS 3与4–5病变的分布发生偏斜（27/143 vs 116/143），降低了分类性能。

Lin等[12]使用在T2WI和DWI上训练的级联深度学习算法，报告了基于患者检测PI-RADS ≥ 2病变的灵敏度/特异度为93%/23%，与我们的值相比明显更大/更小。我们较低的灵敏度可能归因于我们不同的基于患者真阳性（TP）计数方式，其中TP检测需要正确定位相应的索引病变。Lin等还获得了55%的基于病变灵敏度和57%的阳性预测值（PPV），与我们的研究相似。我们的基于病变分析显示，对于PI-RADS ≥ 4的灵敏度显著低于基于注意力和几种基于U-Net的CAD方法（77–93%）[13]，可能是因为那些模型未在外部队列中进行测试。这些比较展示了文献中提出的CAD算法性能的变异性，这可能来自性能指标、测试队列（内部vs外部）、整体病变特征或成像方案的差异。Syer等[28]的一项荟萃分析显示，在评估各种CAD算法时，与组织病理学参考相比，灵敏度和特异度的范围分别为47–97%和41–91%。

在我们的研究中，我们还评估了可能影响DL-CAD性能的临床和影像学因素，如病灶大小和位置、前列腺体积、BMI和图像质量。正如预期，较大的病灶被DL-CAD更好地检出，与此前报道一致[29]。对亚厘米病灶的检测性能受限于双参数MRI的大层厚，导致部分容积效应，从而削弱肿瘤特异性信号对比度和纹理。此外，小病灶更容易受到T2WI-DWI配准不良的影响，且往往缺乏独特的形态学特征，使其类似于良性病变。减轻这些局限性的潜在策略包括：在训练数据集中增加更多显示部分容积效应的病灶、在训练期间增加亚厘米病灶的代表性、在推理时使用可用的更高分辨率DWI，以及采用多尺度DL架构，在捕获解剖上下文的同时保留精细的空间细节。

我们的图像质量评估显示，命中组（TP + TN）和漏诊组（FP + FN）之间的T2WI/DWI图像质量差异不显著，推测是因为整个队列的图像质量较高。Caglic等[30]报道，图像质量差时CAD的PPV下降，尤其是存在直肠气体时。我们还发现患者BMI升高与DL-CAD性能之间无相关性。

对每患者不一致检出的独立审查显示，在83%的FP病例中，BPH、瘢痕和PI-RADS 2病灶被误认为恶性病灶，而DL-CAD漏诊的病灶（FN）中有28%位于PZ、PZ-TZ交界处或前列腺尖部。尽管病灶位置占FP检出的相当大一部分，但我们发现PZ和TZ病灶患者之间DL-CAD病灶检出率无显著差异。

DL-CAD排除PI-RADS 4–5病灶的高NPV表明，被算法分类为阴性的患者携带临床显著PCa的风险较低，这可在临床环境中减少不必要的活检及其相关风险。相反，观察到的相对较低的敏感性提示，DL-CAD可从针对更多BPH结节、位于PZ-TZ交界处和尖部的病灶以及亚厘米病灶病例的额外训练中获益。这对于基于病灶的检测和分类尤为重要，后者可能可用于疾病分期和靶向活检，在这些应用中准确的病灶定位至关重要。

本研究的主要局限性是缺乏组织病理学相关性。然而，本研究的目的是测试DL检测和分类算法在临床环境中的表现，而前列腺癌风险的PI-RADS评估是临床实践中的标准。其他局限性包括回顾性、单中心研究设计及其固有的选择偏倚，以及仅使用两家扫描仪制造商。最后，未对算法进行微调以纳入代表我们机构的人群。在更多样化的队列中对DL-CAD进行进一步训练可提高其泛化性和诊断性能。

总之，深度学习计算机辅助诊断（DL-CAD）在检测PI-RADS ≥ 4病变方面显示出良好至优异的每患者性能，在PI-RADS ≥ 3病变分类方面显示中等性能，在排除PI-RADS 4/5病变方面具有良好至优异的性能。

了解DL-CAD与临床解读之间不一致的原因可能有助于改进DL-CAD算法。未来需要开展前瞻性研究，以组织病理学相关性验证DL算法。