文献速递泌尿生殖腹部MR

AI重建在加速前列腺MRI中的诊断评估:回顾性配对多阅片者多病例研究

Diagnostic assessment of artificial intelligence reconstruction on accelerated prostate MRI: a retrospective, paired, multi-reader multi-case study.
PubMed 文献 · Eur Radiol · 2026-04-02

该多中心回顾性研究纳入120例UMCG多线圈T2加权前列腺MRI和312例NYU公开数据,训练AI模型vSHARP对回顾性欠采样数据(R=3、R=6)重建,由8名经验丰富放射科医生进行多阅片者多病例PCa检测。结果显示R=6加速下PCa检测无显著下降(p=0.08),AUROC在R=1、3、6分别为0.86、0.82、0.80,R=3图像锐度和噪声显著改善,R=6主观质量与R=1相当。结论提示AI重建可实现六倍加速且不显著降低诊断性能,但更高加速下的性能下降趋势需进一步前瞻性验证。

要点

  • AI重建T2w前列腺MRI在R=6加速下PCa检测无显著下降,但AUROC呈下降趋势。
  • R=3时放射科医生主观评价锐度和噪声显著优于非加速参考。
  • R=6时整体视觉质量与R=1相当,但阅片者间一致性下降。

核心结论

  • AI驱动重建可实现T2w前列腺MRI六倍加速(0:33-1:27 min),PCa检测无统计学显著下降,但更高加速下诊断性能下降趋势需前瞻性评估。

研究设计与样本

  • 多中心、回顾性、连续队列研究,测试集为UMCG的120例多线圈T2w前列腺MRI,训练集为NYU的312例公开扫描。
  • 采用部分配对、分割区组的多阅片者多病例(MRMC)设计,8名经验丰富放射科医生(平均12.1±4.3年前列腺MRI经验)参与。
  • 参考标准为组织病理学(GGG≥2为阳性)和PI-RADS≤2(阴性),临床非加速T2w MRI(R=1)作为影像参考标准。
  • AI模型vSHARP在NYU数据上重新训练,对UMCG数据进行回顾性欠采样至R=3和R=6,模拟加速扫描。

关键影像表现/征象

  • 代表性重建图像显示三个csPCa病例在不同加速因子下病灶表现一致。
  • R=3时AI重建图像锐度评分提高+0.18(95%CI 0.05-0.31,p<0.05),噪声评分提高+0.12(95%CI 0.01-0.25,p<0.05)。
  • R=6时整体视觉质量评分2.81 vs R=1的2.74,各维度与R=1统计学可比。
  • 客观图像质量指标:R=3时SSIM为0.91(95%CI 0.90-0.92),R=6时SSIM为0.90(95%CI 0.89-0.91)。
  • R=6时PSNR从R=3的34.9(95%CI 34.2-35.5)略降至34.2(95%CI 33.7-34.8),RMSE和HFEN轻微增加。

诊断标准与关键数值

  • T2w方案AUROC:R=1为0.86(95%CI 0.74-0.90),R=3为0.82(95%CI 0.72-0.88),R=6为0.80(95%CI 0.70-0.86),MRMC比较p=0.08。
  • 双参数方案AUROC:R=1为0.88(95%CI 0.78-0.93),R=3为0.86(95%CI 0.75-0.89),R=6为0.85(95%CI 0.75-0.89),p=0.64。
  • T2w患者水平PI-RADS敏感度:R=1为0.93(95%CI 0.86-0.98),R=3为0.91(95%CI 0.84-0.97),R=6为0.90(95%CI 0.82-0.96);特异度分别为0.49(0.43-0.56)、0.51(0.45-0.58)、0.47(0.41-0.54)。
  • 双参数方案敏感度在所有加速因子下均为0.97(95%CI 0.92-1.00),特异度范围0.45-0.51。
  • 病灶水平敏感度和特异度基于每个阅片者识别的csPCa病灶(PI-RADS≥3)与活检证实csPCa(GGG≥2)位置匹配,允许5mm空间误差。

临床应用与阅片要点

  • AI重建可在六倍加速下保持前列腺T2w图像的主观质量和PCa检出率,有望缩短扫描时间、减少运动伪影并提高MRI周转。
  • 需警惕AI重建可能产生幻觉特征(貌似合理解剖但非真实组织),可能改变病灶表现并增加假阳性和假阴性风险。
  • 高加速因子下阅片者间一致性下降,尤其是R=6时T2w的ICC下降更明显,提示高加速图像判读需更谨慎。
  • 结合非加速DWI的双参数方案在加速T2w下诊断价值稳健,日常阅片仍应重视DWI和ADC。

局限性

  • 所有数据来自单一厂商平台,加速为回顾性模拟,可能限制泛化性。
  • 参考标准重建省略了厂商特定预处理,与医院PACS临床级图像可比性可能降低。
  • 阴性病例定义依赖PI-RADS≤2和活检,缺乏长期随访;图像质量评估仅限T2w序列。
全文中译18 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:Eur Radiol. 2026 Apr 2;36(8):6440–9. doi: 10.1007/s00330-026-12479-7

引言

MRI对于诊断和分期各种癌症(包括临床显著性前列腺癌(csPCa))至关重要,而T2加权成像对于移行区病灶评估和局部分期具有核心作用。然而,传统MRI方案采集时间较长,难以满足快速增长的需求[1]。尽管并行成像和压缩感知等传统加速技术可以缩短扫描时间,但在高加速倍数下往往会牺牲图像质量,且从根本上受限于物理约束。MRI加速的最新进展,如数据欠采样结合人工智能(AI)重建,与标准成像相比,已大幅缩短扫描时间并在更高加速倍数下改善了图像质量[2–5]。

虽然基于AI的重建方法在计算视觉质量指标方面相较传统技术已取得显著改善[2–5],但其对临床诊断性能的影响仍缺乏充分探索。此外,迄今为止大多数评估依赖模拟或单线圈数据,这些数据对算法开发极具价值,但可能无法完全反映真实世界多线圈成像的复杂性[5]。在临床条件下由专家放射科医师和活检参考标准进行验证,对于确立诊断可靠性仍然至关重要[4, 6]。

本研究旨在评估AI重建的T2加权(T2w)MRI扫描在三倍和六倍加速下能否达到与传统非加速成像相当的诊断性能。采用多阅片者、多病例评估方式,使用临床采集的多线圈T2w前列腺MRI,由八位经验丰富的前列腺放射科医师进行判读。

材料与方法

训练数据

根据机构数据共享协议,使用纽约大学(NYU)公开可用的fastMRI前列腺数据集(纽约大学,训练数据集)[7]进行模型开发和训练。选择NYU数据集是因其多线圈数据采集、大样本量和公开可及性。该数据集包含312例扫描,含T2w轴位图像和扩散加权成像(DWI)。NYU数据集的详细采集参数见表1。

表1 T2加权轴位采集参数 查看原表 ↗

测试数据

测试数据集的伦理批准获得格罗宁根大学医学中心(UMCG,测试数据集)机构审查委员会批准(METc 2022/082),并豁免知情同意要求。初始连续队列包括2022年5月至2024年1月常规临床实践中采集的157例多线圈双参数MRI扫描。这些扫描来自临床怀疑csPCa的患者。每次检查包括T2w轴位图像、计算b1400的DWI和表观扩散系数图(ADC)。排除标准包括既往前列腺治疗(如直肠切除术和经尿道前列腺电切术)、PI-RADS ≥ 3但无随访活检、同一患者的随访检查、非诊断目的扫描以及缺失T2w图像。仅保留基线扫描以确保病例独立性并避免重复测量。

参考标准

临床采集的非加速T2加权MRI作为诊断和图像质量评估的参考标准。所有参考标准检查均在常规临床实践中由UMCG至少一名放射科医师(6名医师之一,具有5–10年经验)依据PI-RADS指南进行前瞻性判读[8]。PI-RADS ≥ 3病变的患者接受了靶向活检;系统性活检为选择性进行。本研究将csPCa阳性病例定义为GGG = 2–5(Gleason评分7–10,中危至极高危),阴性病例定义为PI-RADS ≤ 2和/或活检阴性结果(例如GGG = 1(Gleason评分6;低危))。对于基于图像的参考标准,临床采集的多线圈双参数MRI采用传统平方和根法进行重建。多线圈T2w数据在厂商特定重建步骤之前直接从临床流程中提取,以确保与标准临床实践的一致性。遵循CLAIM指南,进一步的方法学细节见补充材料1.4 [9]。

数据采集与欠采样

在UMCG的常规临床实践中,我们连续收集了多线圈双参数MRI数据集,包括原始k空间和DICOM图像。这些数据通常以基线并行成像因子2进行重建(见表1)。加速因子R表示相对于全采样参考采集(R = 1)的k空间欠采样程度。在本研究中,参考标准(R = 1,3:18–8:40 min)被回顾性欠采样以模拟R = 3(1:06–2:53 min)和R = 6(0:33–1:27 min)的加速扫描:R = 3通过采集三个信号平均中的每一个来实现,R = 6通过将单次平均与加倍的并行成像因子相结合来实现(见表1)[5]。选择这些加速因子是因其在标准扫描仪配置下的实际可行性。DWI未进行欠采样(Skyra(64%)3:21–3:42 min,Prisma(36%)2:33–2:58 min;补充材料,表S2)。该方法能够利用常规采集修改来评估临床可行的扫描加速,同时评估其对诊断图像质量和前列腺癌检测的影响。

模型开发与训练方案

对于加速重建,我们使用了vSHARP模型,这是一种最先进的AI方法,旨在从欠采样k空间数据重建高质量图像[10]。其在MICCAI 2023的心脏MRI重建挑战赛中证明了有效性,在推理速度方面排名第一,在计算图像质量方面排名第二[11, 12]。该模型通过迭代优化框架将深度学习先验与基于物理的数据一致性相结合。在本研究中,vSHARP在T2w前列腺MRI数据上从头重新训练,以实现领域特定重建。关于数据特征、模型参数和性能指标的进一步细节见补充材料1.2。

阅片者研究设计

为评估基于人工智能的加速前列腺MRI重建在不同加速因子(R = 1、R = 3、R = 6)下的诊断性能,选择了可优化每位读者工作负荷并确保足够统计效能的读者研究设计。采用部分配对、裂区多读者多病例(MRMC)[13, 14]研究设计,纳入测试数据集中连续120例前列腺MRI。样本量选择依据使用iMRMC工具[15]进行的效能分析。效能分析确保具有足够的统计效能(≥ 80%)以检测不同读者和病例间诊断准确性的差异,并考虑了观察者变异、目标准确性水平和预期性能差异(详见补充材料1.1)。

为管理工作负荷并确保病例分布均衡,将数据集和放射科医师分为三组,每组包含40例病例。放射科医师参加连续三次阅片会话,每次会话评估随机分层的一组40例扫描,加速条件均匀分布(R = 1、R = 3、R = 6)。各会话间隔4周以避免回忆偏倚。在每次会话中,放射科医师首先评估T2w图像的视觉质量指标和诊断指标,包括csPCa怀疑评分和PI-RADS评估。随后他们立即使用标准、非加速DWI和ADC对同一病例重复诊断评估,且无法重新查看或更改其初始T2w评估。完整方案细节和工作流程见补充材料1.3。所有阅片均在在线GrandChallenge平台上进行。

统计分析

统计分析比较了不同重建条件(R = 1、R = 3、R = 6)下的诊断和图像质量结果。主要终点为诊断性能,使用基于连续csPCa怀疑评分的读者水平受试者工作特征曲线下面积(AUROC)进行评估,并采用MRMC分析比较不同条件。次要终点包括感知视觉质量Likert评分和客观图像相似性指标。感知视觉质量评分采用有序混合效应模型分析。全程采用p < 0.05的显著性水平。

诊断性能评估

主要终点是不同重建条件下的诊断性能,采用MRMC研究设计进行评估。八名放射科医师独立地在连续量表(0–100)上评估患者水平的csPCa怀疑度。AUROC值按读者计算,并使用面积保持方法进行平均[16]。置信区间通过对患者进行10,000次有放回 bootstrap 重采样计算,同时保持参与读者固定。这些置信区间反映了病例水平的抽样不确定性。MRMC分析的方差分解使用MRMCAov R包进行[13, 14, 17]。病灶水平的敏感性和特异性通过将每位读者识别的csPCa病灶(PI-RADS ≥ 3)根据其相对于活检证实的csPCa(Gleason分级组 ≥ 2)的位置分类为“命中”或“未命中”来评估,允许5 mm的边缘以容纳空间不确定性[14, 18]。每种重建条件下的读者间一致性通过组内相关系数(ICC)量化,使用单向随机效应模型计算平均测量值。应用p < 0.05的显著性阈值。关于功效分析、读者研究方案和评估指标的更多细节分别见补充材料1.1、1.3和1.4。

视觉性能评估

次要终点使用PI-QUALv2衍生的[19]指标评估AI重建图像与非加速参考图像之间的图像质量差异。放射科医师在四点Likert量表上对伪影、锐利度、噪声、病灶显着性和整体图像质量进行评分,从不可诊断(1)到完美诊断质量(4)。差异使用有序混合效应模型[20]评估,其中加速条件和问题作为固定效应,读者和患者作为随机效应。客观图像质量使用结构相似性指数测量、峰值信噪比、均方根误差和高频误差范数评估,分别量化感知相似性、整体噪声、重建误差和精细细节保留[21, 22]。关于视觉指标和评估程序的更多细节见补充材料1.4.4。

结果

测试数据

详细的患者纳入情况见图1。共纳入120名患者,其中49名患者的前列腺影像报告和数据系统评分(PI-RADS)≥ 3,25名患者的Gleason分级组(GGG)≥ 2。阴性病例主要基于PI-RADS ≤ 2(71例(75%)),其余基于组织病理学(24例(25%))。所有病例MRI扫描与活检之间的中位随访时间为1.4(IQR 0.7–1.9)个月,阴性病例为1.3(0.6–2.0)个月,阳性病例为1.4(0.9–1.8)个月。患者的平均年龄为68.1 ± 8.0岁,前列腺特异性抗原水平为10.0 ± 9.3 ng/mL,前列腺特异性抗原密度水平为0.22 ± 0.20 ng/mL/cc(表2)。详细的数据处理见图2。T2w采集参数见表1。DWI参数概述以及病灶的大小和前列腺区域分别见补充表S2和S3。

图1 测试数据集的STARD流程图。独立测试数据集包括2022年5月至2024年1月期间在UMCG常规临床实践中采集的157例连续多线圈前列腺MRI扫描。这些扫描原本用于临床用途,本研究对其进行了回顾性分析。MRI,磁共振成像;PCa,前列腺癌;PI-RADS,前列腺影像报告和数据系统 查看原图 ↗
图2 方法学评估框架。该框架概述了训练、验证和测试多线圈前列腺MRI重建模型的方法学。左侧面板涵盖训练数据准备,中间面板详述测试和预处理步骤,右侧面板呈现诊断和视觉质量评估。测试了加速因子(R = 1、R = 3、R = 6)。DICOM,医学数字成像和通信;T2w,T2加权成像;GRAPPA,广义自动校准部分并行采集;RSS,均方根;R,欠采样因子;GGG,Gleason分级分组;MRMC,多读者多病例;PI-RADS,前列腺影像报告和数据系统;SSIM,结构相似性指数测量;PSNR,峰值信噪比;RMSE,均方根误差;HFEN,高频误差范数 查看原图 ↗
表2 测试数据患者人口统计学特征 查看原表 ↗

读者

八名放射科医师参与了研究,平均拥有12.1 ± 4.3年前列腺MRI经验。所有人均已解读超过1000例临床前列腺MRI病例。读者分别来自荷兰(n = 5)、美国(n = 2)和英国(n = 1)。更多详细信息见补充材料2.1。

诊断性能评估

MRMC检测分析

对于T2w方案,读者诊断性能在不同加速条件下无显著差异(MRMC AUROC在R = 1、R = 3和R = 6之间比较,p = 0.08),AUROC在R = 1时为0.86 [95%置信区间(CI):0.74–0.90],R = 3时为0.82 [0.72–0.88],R = 6时为0.80 [0.70–0.86](图3,表3)。配对AUROC比较显示随加速程度增加呈非显著下降趋势:R = 1 vs. R = 3的Δ = 0.02 [−0.06, 0.10],R = 1 vs. R = 6的Δ = 0.04 [−0.05, 0.12]。对于完整双参数方案,各条件下AUROC略高,R = 1时为0.88 [0.78–0.93],R = 3时为0.86 [0.75–0.89],R = 6时为0.85 [0.75–0.89],无显著差异(MRMC AUROC在R = 1、R = 3和R = 6之间比较,p = 0.64)。通过ICC测量的读者间一致性在较高加速率下T2w成像中下降(T2w成像R = 1 vs. R = 6:分割1 Δ = −0.07,分割2 Δ = −0.13,分割3 Δ = −0.39),表明部分读者在加速扫描上的诊断性能可能出现更严重的下降。此外,bpMRI成像的ICC更为稳定(T2w成像R = 1 vs. R = 6:分割1 Δ = +0.01,分割2 Δ = +0.05,分割3 Δ = −0.24),表明在高加速与非加速扫描组合时读者共识的稳健性更具变异性。完整ICC结果见补充图S6、S7和表S9。

图3 加速与非加速的平均ROC曲线。不同加速因子(R = 1、R = 3和R = 6)下前列腺MRI扫描的平均ROC曲线。每条曲线反映所有阅片者的平均性能,蓝色、橙色和绿色线条分别对应R = 1、R = 3和R = 6加速因子:a显示阅片者在T2w上的性能,b显示阅片者在完整双参数MRI(T2w + DWI + ADC)上的性能。ROC,受试者工作特征;T2w,T2加权;DWI,弥散加权成像;ADC,表观弥散系数;bpMRI,双参数MRI;AUROC,受试者工作特征曲线下面积 查看原图 ↗
表3 R = 3和R = 6时AI重建与非加速R = 1参考标准相比的诊断和视觉指标 查看原表 ↗

PI-RADS评估

在T2w和双参数方案中,患者水平的PI-RADS敏感性在所有加速因子下均保持稳定。对于T2w成像,敏感性在R = 1时为0.93 [95% CI:0.86–0.98],R = 3时为0.91 [0.84–0.97],R = 6时为0.90 [0.82–0.96],而特异性显示轻微变化(R = 1:0.49 [0.43–0.56];R = 3:0.51 [0.45–0.58];R = 6:0.47 [0.41–0.54])(表3)。对于双参数方案,敏感性在所有加速下均一致高达0.97 [0.92–1.00],特异性范围为0.45至0.51。这些结果表明尽管加速增加,诊断判别能力得以保留。三例csPCa病例的代表性重建展示了病灶表现在不同加速因子间的一致性(图4)。患者和病灶水平上各阅片者的性能指标详见补充材料2.2。

图4 重建示例。不同加速因子(R = 1、R = 3和R = 6)下的重建示例。红色箭头指示经组织病理学证实的csPCa病灶。病例1显示一名71岁患者的前列腺MRI重建扫描,其前列腺特异性抗原水平为4 ng/mL,病灶为GGG 2。病例2显示一名62岁患者的前列腺MRI重建扫描,其前列腺特异性抗原水平为14 ng/mL,左右侧均为GGG 2病灶。病例3显示一名74岁患者的前列腺MRI重建扫描,其前列腺特异性抗原水平为4 ng/mL,病灶为GGG 4,放大以展示重建质量。csPCa,临床显著性前列腺癌;GGG,Gleason分级分组;MRI,磁共振成像 查看原图 ↗

视觉性能评估

阅片者感知的图像质量

在R = 3时,AI重建图像与非加速参考(R = 1)相比显示出感知质量改善。基于有序混合效应模型,清晰度(+0.18 [95% CI:0.05–0.31],p < 0.05)和噪声(+0.12 [0.01–0.25],p < 0.05)的评分显著更高,伪影(+0.09 [0.01–0.21],p = 0.06)、病灶可见度(+0.10 [0.04–0.25],p = 0.05)和整体图像质量(+0.10 [0.02–0.22],p = 0.06)有所改善。在R = 6时,感知质量在所有维度上与R = 1在统计学上相当。这些结果表明阅片者感知的图像质量在中度和高度加速下得以保留,最明显的改善观察于R = 3。详细的阅片者水平评估见补充材料2.3。

计算图像质量

客观图像质量指标与阅片者感知评估一致,在较高加速倍数下显示轻微下降(表3)。在R = 3时,结构相似性指数为0.91 [95% CI:0.90–0.92],在R = 6时略微下降至0.90 [0.89–0.91],表明与非加速参考图像具有高度视觉相似性。峰值信噪比从R = 3时的34.9 [34.2–35.5]适度下降至R = 6时的34.2 [33.7–34.8]。均方根误差和高频误差范数在R = 6时均 marginal 增加,反映轻微重建差异和精细细节的细微退化。这些趋势与R = 3时阅片者评估的锐利度和噪声改善一致。更多指标分布见补充材料2.4。

讨论

我们的研究结果表明,基于人工智能的重建可以大幅加速T2w前列腺MRI,而不会显著影响诊断性能。扫描时间的缩短转化为更短的检查时间,从而减少患者不适、降低运动伪影风险,并使面临需求增长的医疗系统能够更高效地利用MRI资源。即使在六倍加速(R = 6;0:33–1:27分钟)下,我们观察到与参考标准(R = 1;3:18–8:40分钟)相比,csPCa检出率无统计学显著下降,尽管注意到性能呈下降趋势(p = 0.08)。这一结果提示较高加速水平可能接近诊断准确性开始退化的阈值。在R = 3时,感知图像质量超过了全采样标准,这与已知的AI重建相关去噪效应一致[23]。

本研究建立在证明AI驱动加速可行性的重要前期工作基础之上[24]。Reinhardt等人的系统综述聚焦于AI加速前列腺MRI的研究。该综述显示在较小或模拟队列中图像质量和可行性有所改善,但性能差异凸显了需要更大、更稳健的研究[24]。与系统综述中的研究相比,我们的结果基于更多专家阅片者(即8名 vs. 最多4名阅片者[3])、更多数据(即120例 vs. 最多109例[25]),且我们的研究基于多线圈k空间数据进行。此外,Gassenmaier等人对30例患者应用深度学习加速T2w前列腺MRI,报告图像质量改善且PI-RADS分类保持,但无活检确认的准确性或多阅片者评估[26]。同样,Rastogi等人在45例回顾性T2w扫描(约R = 3方案)上评估了一种去噪算法,由9名具有4 ± 6.5年经验的阅片者(本研究为12.1 ± 4.3年)进行,显示诊断效用保持的趋势,但无组织病理学验证[5]。在此基础上,我们的研究提供了大规模、多阅片者、活检验证的证据,表明即使在大幅加速下诊断准确性仍得以保持。重要的是,我们在具有临床代表性的双参数方案中评估了性能,其中加速T2w与非加速DWI相结合被证明在保持诊断价值方面是稳健的。

尽管既往研究已表明,基于人工智能(AI)的模型能够生成高质量的MRI重建图像[3, 4, 24–27],但其中许多工作依赖于计算相似度指标,而这些指标并不总是与诊断性能相关[6]。因此,我们在报告相似度指标的同时,也报告阅片者评估作为补充终点。一个关键顾虑是AI生成特征可能出现幻觉,即这些特征看似符合合理的解剖结构,但并不反映实际组织,从而改变病灶外观并增加假阳性和假阴性风险[4, 6]。为降低这一风险,我们采用了一种物理信息驱动的、基于模型的重建框架,该框架旨在将输出约束为与数据一致的解剖结构[10, 28, 29]。我们的训练和实现代码已公开,以支持透明性和进一步验证(https://github.com/NKI-AI/direct [30] 和 https://github.com/Quintin1995/direct-with-averages)。

本研究存在局限性。第一,由于所有数据均在单一厂商平台上采集,且加速为回顾性模拟,因此泛化性可能受到限制。尽管欠采样为回顾性,所用模式易于在现代扫描仪上应用,支持临床可行性。第二,工作流程条件与临床常规不同:放射科医师使用在线阅片平台,参考标准重建省略了厂商特定预处理以确保不同加速因子间的一致性,这可能降低与医院PACS及临床级图像的可比性。第三,阴性病例的定义依赖于PI-RADS ≤ 2且活检无长期随访,图像质量评估仅限于T2w序列并使用PI-QUALv2衍生标准。尽管如此,PI-RADS对csPCa的高阴性预测值(90–97%)[31]支持该方法的有效性。第四,我们的连续临床队列中移行区病灶相对较少(补充表S3),这限制了对周围带与移行区疾病之间诊断性能的分区比较,而T2加权成像在PI-RADS评估中于移行区起关键作用。最后,我们观察到基于PI-RADS阈值的敏感度和特异度在阅片者间存在显著变异性,尤其是特异度。这种变异性可能与阅片者所作点标注的数量有关(补充表S8)。在解释源自MRMC研究的性能指标的泛化性时,必须考虑这种变异性。

AI驱动重建使T2w前列腺MRI实现了六倍加速(0:33–1:27分钟),而未导致PCa检出率出现统计学显著下降,同时保持了感知图像质量。然而,下降趋势提示在高于六倍加速时诊断性能可能退化,值得进一步开展前瞻性评估。

补充信息

电子补充材料

引用

  1. van Lohuizen Q, Fransen SJ, Yiasemis G, et al. Diagnostic assessment of artificial intelligence reconstruction on accelerated prostate MRI: a retrospective, paired, multi-reader multi-case study. Eur Radiol. 2026. PMID: 41925836. doi:10.1007/s00330-026-12479-7
  2. 全文:PMC13341839(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13341839/

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。