文献速递泌尿生殖技术与安全MR

双参数MRI AI软件检测前列腺癌的前瞻性验证

Prospective validation of an AI software for detecting clinically significant prostate cancer on biparametric MRI.
PubMed 文献 · Insights Imaging · 2026-01-26

本研究为前瞻性单中心试点研究,纳入89例活检初治的疑似前列腺癌患者,所有患者行双参数MRI(bpMRI)扫描。研究旨在评价一套基于影像组学的全自动AI软件检测临床有意义前列腺癌(csPCa,定义为ISUP≥2)的可行性、安全性及诊断效能,并以PI-RADS v2.1高年资放射科医生评估为对照。结果显示,软件可行性符合标准(失败率7%),无严重不良设备效应,患者水平AUC与医生相当(0.90 vs. 0.86,p=0.25),优化阈值下可减少不必要的活检。

要点

  • 前瞻性研究证实该AI软件可行且安全,失败率7%,无归因于软件的严重不良事件。
  • 软件在匹配放射科医师PI-RADS≥3灵敏度(0.92)的优化阈值下,特异度可达0.68,提示具有减少不必要活检的潜力。
  • 双参数MRI联合AI有助于检出临床有意义前列腺癌(ISUP≥2),但病灶灵敏度(0.43)有限,判读时需注意小病灶及移行带、尖部病灶的漏诊风险。

核心结论

  • 该AI软件在临床上可行且安全,诊断效能有减少不必要活检的潜力,但性能优势未达统计学显著性(p>0.05)。

研究设计与样本

  • 前瞻性、单中心、单组试点研究。
  • 纳入89例连续活检初治、因怀疑前列腺癌行bpMRI的成年男性。
  • 使用3T磁共振(Magnetom Skyra),遵循PI-RADS v2.1标准行双参数MRI扫描。
  • 评估包含13例为期3周的导入期(分析未纳入)及76例用于次要终点分析(中位年龄68岁,IQR 63-73岁)。
  • 以一名超过15年经验的高年资放射科医生(PI-RADS≥3为可疑)作为对照,组织病理为参考标准。

关键影像表现/征象

  • 放射科医生发现65例(86%)可疑,其中医生与软件均发现51例(78%),仅医生发现1例(2%),仅软件发现13例(20%)。

诊断标准与关键数值

  • 软件可行性标准:失败率<10%。
  • 患者水平,软件AUC为0.90(95%CI: [0.83, 0.96]),放射科医生AUC为0.86(95%CI: [0.76, 0.93]),p=0.25。
  • 在匹配放射科医生PI-RADS≥3灵敏度(0.92)的回顾性优化阈值(0.8187)下,软件特异度为0.68,医生为0.57,p=0.29。
  • 病灶水平,软件平均精度(AP)为0.61(95%CI: [0.52, 0.71]),放射科医生为0.56(95%CI: [0.46, 0.67])。

临床应用与阅片要点

  • 该软件为全自动系统,输出csPCa肿瘤概率图,每位患者限3个最高概率病灶,需人工确认其真实性。
  • 本研究软件发现仅依靠bpMRI(T2和DWI),其对无对比剂增强的病灶检出的灵敏度受限,需结合临床信息综合判断。

局限性

  • 试点研究样本量小,诊断性能指标差异未达统计学显著性,其临床效能结论需谨慎解读。
  • 单中心设计,仅纳入一名高年资放射科医师进行比对,未评估对阅片者一致性的改善作用。
  • 匹配放射科医师灵敏度的优化阈值系回顾性确定,其泛化性能尚需前瞻性独立的验证。
  • 未采集患者的人种或种族信息,可能影响模型在不同人群中的外推性。
全文中译12 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. 2026 Jan 26;17:20. doi: 10.1186/s13244-025-02199-9

引言

活检前多参数MRI可提高有临床意义前列腺癌(csPCa)的检出率[1, 2]。然而,人工判读MRI耗时、变异度大且易出现假阳性[3–6],可能导致不必要的活检和过度诊断[7]。

虽然前列腺影像报告与数据系统(PI-RADS)规范了前列腺MRI判读[8]并提高了判读一致性[9, 10],但观察者间变异性和假阳性等问题仍是值得关注的问题[10–14]。

由于推荐在前列腺活检前进行MRI检查,对高效、可靠的诊断方案的需求日益增长[10]。双参数MRI(bpMRI)是一种具有成本效益的多参数MRI替代方案,其csPCa检出率相当[15],而人工智能(AI)工具可辅助bpMRI判读并减少人工传统判读的局限性[16–18]。

我们内部开发的AI软件(见文献[19])可自动分析bpMRI,有望提高csPCa检出率,同时减少假阳性和不必要的活检。一项近期回顾性研究显示其性能与放射科专家相当[19]。然而,AI工具在整合到临床工作流程之前,前瞻性临床验证至关重要[17]。此类验证可减少选择偏倚和谱偏倚,支持在真实世界中评估可行性和安全性,并符合欧盟《医疗器械法规》(MDR)、《人工智能法案》以及美国FDA《医疗器械软件指南》等框架下对临床AI的监管预期[20–24]。

因此,本研究旨在前瞻性临床环境中评估该软件的可行性、安全性及诊断性能。我们假设该软件的使用具有可行性和安全性,且其检测csPCa的优化诊断性能与放射科专家相当。

材料与方法

研究设计与患者

本项前瞻性、临床、单中心试点研究旨在评估该研究性AI软件使用bpMRI检测csPCa的诊断可行性和安全性(主要终点)以及性能(次要终点)。csPCa定义为国际泌尿病理学会(ISUP)分级分组(GG)2级及以上[25]。研究于2023年12月至2024年10月在挪威特隆赫姆大学医院圣奥拉夫医院连续开展(2024年1月10日至29日暂停以完善方案),经挪威药品和医疗器械临床试验伦理委员会(REK KULMU;编号479272)批准,并在ClinicalTrials.gov注册(编号NCT06000046),完整方案可在该网站查阅。所有患者均签署了书面知情同意书。研究遵循《赫尔辛基宣言》伦理原则,并符合STARD指南[26]。资助机构未参与本研究。

本研究包括为期3周的试运行阶段,纳入13例患者,以确保软件整合并完善最终方案(见补充材料),随后进入主研究阶段,该阶段严格遵循最终确定的方案,并在此进行描述。

因前列腺特异性抗原(PSA)水平升高(> 3 ng/mL)和/或直肠指检结果异常,或其他影像学检查发现可疑偶然病灶,在2023年12月至2024年8月招募期间,于研究地点作为挪威标准化PCa诊疗路径的一部分接受MRI检查以排查可疑前列腺癌(PCa)的未经活检的成年男性(年龄≥18岁)符合入组条件。排除标准包括:既往3年内有前列腺活检史、已纳入PCa主动监测项目、髋关节置换可能影响图像质量、幽闭恐惧症、对胰高血糖素或丁溴东莨菪碱不耐受,或无法亲自提供知情同意。患者可随时退出研究。离开研究地点、未遵守研究方案、有活检禁忌证或选择不完成研究的患者纳入主要终点分析,但排除在次要终点分析之外。未收集患者的种族或民族信息。研究患者流程图见图1。

图1 显示整个研究过程中患者流向的示意图(软件研究阈值 = 0.73)。AI,人工智能;GG,国际泌尿病理学会(ISUP)分级分组 查看原图 ↗

图像采集

所有患者均使用Magnetom Skyra 3-T MRI扫描仪(Siemens Healthineers)按照PI-RADS v2.1指南进行双参数MRI(bpMRI)扫描。扫描使用盆腔相控阵表面线圈,未使用直肠内线圈。详细采集参数见表S1。

AI软件

我们使用的AI软件是一个全自动、内部开发的基于影像组学的系统,在文献[19]中有描述,并在补充材料中进行了总结。该模型使用XGBoost分类器在包含415例患者的多中心数据集(无来自当前研究地点的患者)上进行训练。该软件生成csPCa肿瘤概率图,经后处理转化为病灶检测图。为控制假阳性,每位患者最多保留3个高于预定义阈值的csPCa概率评分最高的病灶。这一设计选择基于对回顾性数据的内部风险分析。阈值配置在“统计分析”部分进一步描述。

该软件通过集成有安全的、研究专用影像存档与通信系统(PACS)的桌面图形用户界面进行访问。去标识化的bpMRI扫描经远程放射学从医院PACS传输至研究服务器,自动处理后通过界面返回结果供审阅。图2显示了一个示例输出;服务器设置详情见表S2。

图2 所研究的人工智能(AI)软件的图形用户界面,展示了一例研究病例的输出结果。图像为一名69岁患者,前列腺特异性抗原(PSA)水平为6.2 ng/mL。软件在前列腺左中部的前部移行带检测到一处潜在的有临床意义前列腺癌(csPCa)病灶,概率评分为91.07%。该病灶由一名放射科医师独立识别,并评为前列腺影像报告和数据系统(PI-RADS)2.1版5分。软件输出包括以下平面(左上至右下):(1)叠加了自动生成的前列腺分割掩膜的T2加权(T2W)图像,(2)配准后的表观弥散系数(ADC)图,(3)配准后的高b值弥散加权(HBV)图像,(4)叠加了软件生成的有临床意义前列腺癌概率图的T2W图像,(5)叠加了软件生成的病灶检测图的T2W图像,(6)无叠加的T2W图像 查看原图 ↗

研究流程

研究流程如图3所示。所有患者均接受了双参数磁共振成像(bpMRI)扫描,图像存储于医院PACS。临床数据,包括患者年龄、PSA水平、直肠指检发现和家族史,在泌尿外科评估时收集,并记录在电子病例报告表中。为确保保密性,扫描图像经过去标识化和假名化处理,然后通过远程放射学传输至研究PACS服务器,供AI软件处理。

一名在 prostate MRI 判读方面拥有超过15年经验、阅读超过5000例病例 [27] 的资深放射科医师(S.L.),在不被告知软件输出结果并可获取临床数据的情况下,按照标准临床实践,使用PI-RADS v2.1标准 [8] 对每例bpMRI扫描进行了初步审阅。PI-RADS≥3被视为可疑有临床意义前列腺癌。随后,该放射科医师通过工作站的用户界面查看软件结果,并将其与自己的评估进行对比。因技术故障而妨碍放射学审阅的软件结果被弃用。每个病灶被分为三组之一:仅由放射科医师识别、由放射科医师和软件共同识别、或仅由软件识别。此外,病灶位置和PI-RADS评分(如有)记录在报告表中。

为准备靶向活检,放射科医师使用Eigen Artemis ProFuse软件(v2;Eigen Health)勾画前列腺及所有可疑病灶,并导出至Eigen Artemis MRI-超声前列腺融合活检系统(v3.5)。对于软件识别的病灶,放射科医师在ProFuse中手动复制软件生成的勾画,并根据需要进行调整,以确保其可传输用于活检规划。一名泌尿外科医师(7名之一,具有1-10年经验)审阅放射学报告以确认活检资格,确保无禁忌证。在活检过程中,勾画结果被导入融合系统,且未对其来源设盲。行经直肠超声扫描并与MRI数据融合以指导活检。所有勾画的PI-RADS或软件病灶均行经会阴靶向活检(1-5针)。除非泌尿外科医师根据中心方案认为无需系统活检,否则这些患者还额外行系统活检(1-10处活检[1-3针])。PI-RADS和/或软件均无可疑发现的患者,仅在其他危险因素或临床关注(如家族史)提示需要时,按同一方案行系统活检。活检样本在送组织病理学分析前标注病灶编号和PI-RADS位置。患者活检后随访3周以监测不良事件。

在组织病理学实验室中,病理科医师对靶向病灶是由放射科医师还是软件识别不知情,依照ISUP指南[25]对每个病灶的活检样本(包括系统活检所得样本)分别进行分析。对于有多个样本的病灶,汇总结果以确定总体GG。ISUP GG1被归类为临床无显著意义的前列腺癌,而GG2-5被归类为临床显著前列腺癌(csPCa)。

研究结束时,所有数据均在Ubuntu 22.04.5 LTS上符合《通用数据保护条例》的安全、经ISO认证的云环境中进行收集和分析。不确定或不一致的数据经与相关临床医师商议后解决,数据不完整的患者从分析中排除。

图3 研究流程图。AI,人工智能;ISUP,国际泌尿病理学会;PACS,影像归档和通信系统;PI-CAI,前列腺影像-报告和数据系统 查看原图 ↗

终点

主要终点为AI软件的可行性和安全性,性能为次要终点。可行性定义为技术问题(即腺体分割或联合配准不良,或软件缺陷阻碍放射学审阅)发生在< 10%的扫描判读中。10%的失败率是基于本探索性研究认为适当的内部可行性预期。安全性通过追踪严重不良器械效应(SADE)进行监测(依据MDR第2条第(58)款定义[23]),若无SADE可归因于该软件,则认为软件安全。若软件提示的活检(被放射科医师遗漏)导致感染或出血等并发症并造成严重伤害,则可能产生SADE。性能通过比较软件对csPCa病灶的检出率与专家放射科医师的检出率进行评估,若与放射科医师相似或更高则认为可接受。

统计分析

这项试点研究的目标是纳入80例患者,约占研究中心每年双参数磁共振成像(bpMRI)扫描量的20%。这一样本量对于主要终点是充分的,能够以约4–17%的精确95%置信区间(95% CI)估计10%的软件失败率,从而支持继续/终止决策。次要终点(诊断性能)预先设定为探索性分析,未进行正式把握度计算。

软件失败率按放射科医师在报告表中报告的技术失败比例计算,安全性则通过记录到的严重器械不良反应(SADE)数量进行评估。

与Nketiah等人的原始开发研究[19]相比,本研究采用了相对较低的软件概率阈值来触发靶向活检(软件研究阈值=0.73)。这一选择优先考虑了灵敏度,并接受较高的假阳性率,以最大程度降低本试点研究中漏诊临床显著性前列腺癌(csPCa)的风险,同时便于在回顾性优化的检测阈值下分析软件性能。

诊断性能采用受试者工作特征(ROC)曲线、精确率-召回率曲线和自由响应ROC(FROC)分析进行评估。ROC曲线下面积(AUC)和平均精确率(AP)分别用于评估患者水平和病灶水平的总体性能。为了在临床相关操作点上与放射科医师进行比较,通过匹配放射科医师在PI-RADS≥3阈值下的患者水平灵敏度,确定了一个优化的软件阈值(软件优化阈值=0.8187),该分析预先设定为探索性,不用于临床决策。该阈值随后应用于病灶水平分析,包括接受靶向活检或系统活检阳性的患者。其他诊断性能指标包括准确率、精确率和错误率。AUC和AP的95% CI采用1000次自助重抽样估计,其他指标的CI采用标准正态近似法[28]。AUC比较采用DeLong检验;配对比例比较采用McNemar精确检验;双侧α=0.05。所有分析均由M.R.S.S.和R.S.使用Python(v3.11.0)完成。分析代码见https://github.com/ntnu-mr-cancer/POT-Analysis。

结果

患者特征

共107例男性接受了参与研究的资格评估。排除试运行阶段入组的18例患者(n=13)或撤回知情同意的患者(n=5)后,89例患者仍有资格进行主要终点评估。在完成研究且同时符合次要终点评估条件的患者中(n=76),中位[IQR]年龄为68[63–73]岁,中位PSA水平为8.0[5.9–11.7]ng/mL,PSA密度为0.14[0.11–0.28]ng/mL²。放射学评估发现65例(86%)患者为可疑病例(51例(78%)由放射科医师和软件同时判定,1例(2%)仅由放射科医师判定,13例(20%)仅由软件判定)。所有65例患者均接受了靶向活检,其中64例(98%)同时接受了系统活检。从成像到活检的中位[IQR]时间为14[8–20]天。39例(51%,95% CI:[40%,63%])患者检出csPCa。4例放射科医师和软件均无异常发现的患者接受了系统活检,无一例检出csPCa。患者和病灶的详细特征见表1。

表1 患者和病灶特征(n=76) 查看原表 ↗

可行性与安全性

6例(7%,95% CI:[2%,12%])遇到技术问题。其中1例,放射科医生认为bpMRI图像对位不佳,但仍可勾画2个软件发现。其余5例中,软件缺陷妨碍了放射学审查,导致每例因伪影(n = 1)、无法手动勾画(n = 3)或体积过小(n = 1)而丢弃1个软件发现。

此外,2例有被丢弃的软件发现,而每例中的另一个软件发现接受了活检。其中1例在放射科医生认为其非真实后被视为方案偏离,另1例则因活检融合系统中的图像导出/导入问题所致。

未报告严重不良事件。记录了3例与软件无关的非严重不良事件(3% [0%,7%]):1例因活检后感染住院,1例无需住院的感染,以及1例可能的血管迷走性晕厥导致活检后短暂意识丧失。

诊断性能

在患者层面(图4),AI软件的AUC为0.90(95% CI:[0.83,0.96]),略高于但无显著统计学差异于放射科医生的AUC 0.86 [0.76,0.93],提示在csPCa阳性和csPCa阴性病例的鉴别诊断能力上具有可比性(p = 0.25)。预设的回顾性校准以匹配放射科医生在PI-RADS ≥ 3阈值下的灵敏度0.92 [0.86,0.98],确定了优化软件阈值为0.8187。在该工作点,软件达到了更高的特异度(0.68 [0.57,0.78] 对比 0.57 [0.46,0.68];p = 0.29)和更高的总体准确度(0.80 [0.71,0.89] 对比 0.75 [0.65,0.85];p = 0.34),尽管这些差异无统计学显著性。

使用优化阈值(0.8187),软件转介活检的患者将比放射科医生少5%(4/76)。在软件独有识别的病例中(n = 3),1例(33%)为真阳性,而放射科医生独有识别7例,其中1例(14%)为真阳性。表2显示了按GG分层的患者层面检出率,软件在GG 1和未分级病例中的检出率较低。

在病灶层面(图5),回顾性优化的软件显示出更高的AP为0.62 [0.51,0.71],而放射科医生为0.56 [0.46,0.67]。FROC分析显示软件每例患者的平均假阳性率较低(0.33 [0.22,0.43] 对比 0.41 [0.30,0.52]),尽管灵敏度略有降低(0.43 [0.36,0.51] 对比 0.46 [0.38,0.53])。表3显示了按GG分层的病灶层面检出率,两种方法总体表现相似。

患者和病灶层面性能指标的详细汇总见表4。所有按研究阈值(0.73)指示的活检结果见表S3和表S4。

图4 人工智能(AI)软件的患者水平受试者工作特征(ROC)曲线,以及放射科医师评估所对应的前列腺影像报告和数据系统(PI-RADS)2.1版操作点。AI软件的研究阈值(0.73)代表该系统在优化前的前瞻性研究期间的性能。AI软件的优化阈值(0.8187)经过校准,以匹配放射科医师在PI-RADS ≥ 3阈值下的灵敏度。对角虚线表示随机分类器的ROC曲线,其曲线下面积(AUC)为0.50 查看原图 ↗
表2 以组织病理学为金标准,放射科医师与回顾性优化的人工智能(AI)软件(优化阈值=0.8187)检出率的患者水平结果比较分析 查看原表 ↗
图5 人工智能(AI)软件的病灶水平自由响应受试者工作特征(FROC)曲线(A)和精确率-召回率曲线(B),以及放射科医师评估所对应的前列腺影像报告和数据系统(PI-RADS)2.1版操作点。该软件的优化阈值根据患者水平ROC曲线上放射科医师在PI-RADS ≥ 3阈值下的灵敏度进行校准。AP,平均精确率 查看原图 ↗
表3 以组织病理学为金标准,放射科医师与回顾性优化的人工智能(AI)软件(优化阈值=0.8187)检出率的病灶水平结果比较分析 查看原表 ↗
表4 放射科医师在PI-RADS ≥ 3阈值下与回顾性优化的人工智能(AI)软件(优化阈值=0.8187)的患者水平和病灶水平检测性能指标 查看原表 ↗

讨论

本研究证明了我们的AI软件在前瞻性、真实世界临床环境中基于bpMRI检测csPCa的可行性和安全性。可行性通过技术问题发生率<10%得到确认。安全性通过无严重不良事件(SADE)得到证实。此外,本研究探讨了该软件的诊断性能,并将其与一位经验丰富的放射科医师的PI-RADS评估进行比较。使用优化阈值后,该软件可在检出与专家放射科医师相同数量csPCa的同时,将假阳性数量减少5%,显示出在维持检出率的同时最大限度减少不必要活检的前景。然而,鉴于本研究的预试验设计以及性能结局的统计学效力不足,这一潜在减少应谨慎解读。

该软件在临床环境中运行可靠,进一步支持其常规实施的潜力[21]。确保AI工具达到或超过现有安全标准对于临床采用至关重要[29]。本研究未记录到严重不良事件(SADE),仅发生3起非严重不良事件,均非由软件引起,且均在常规实践的预期范围内[30]。

我们的研究结果与近期研究一致,表明AI在检测临床显著前列腺癌(csPCa)病例方面可与经验丰富的放射科医生相媲美,同时减少假阳性[16]。检测性能与先前发表的研究一致或优于之[16, 18, 31, 32],表明我们的软件可能为csPCa检测提供一种具有竞争力的方法。软件和放射科医生的病灶水平灵敏度均不高(0.43–0.46),反映了真实世界中双参数磁共振成像(bpMRI)的挑战。这些数值可能源于缺乏对比剂导致的病灶显著性不一,以及活检确认困难,如配准误差对较小病灶或移行带和尖部病灶的影响。然而,这些结果应谨慎解读,因为本研究并非专门针对性能评估设计。据我们所知,仅有两项前瞻性研究评估了类似的AI软件用于csPCa检测,报告的病例水平灵敏度和特异度分别为0.97和0.03,以及0.88和0.65[33, 34]。这两项研究均采用基于深度学习的方法对已计划接受活检的患者进行病灶检测。相比之下,我们的研究在首次接诊时即纳入所有符合条件的患者,减少了选择偏倚,同时以更少的假阳性取得了相当或更优的检测性能(优化阈值下灵敏度和特异度分别为0.92和0.68)。

与大多数已发表研究中常用的深度学习模型不同,本研究中的AI系统基于影像组学,为前列腺癌(PCa)检测提供了一种更透明的方法。影像组学从图像中提取定量的、人工设计的特征,生成临床医生更容易理解的可解释结果,可能增加信任和临床接受度[35, 36],这与新兴的监管框架(如《人工智能法案》)相契合,该法案强调医疗AI应用中的透明性和可靠性[22]。

本研究也凸显了AI前列腺癌诊断领域更广泛的挑战。虽然大多数已发表的研究仍为回顾性研究,但这项前瞻性研究强调了实时验证的重要性,以解决回顾性设计中固有的偏倚。值得注意的是,本项前瞻性研究中观察到的性能与我们先前发表的基于回顾性数据的开发研究结果高度一致[19],增强了该软件的泛化性和在不同研究设计间的一致性。前瞻性研究本身更为复杂,需要遵循预注册方案、实时决策以及严格的监管监督[21]。在应对这些挑战的同时保持方法学完整性,是本研究的一项成就。

虽然AI软件作为独立系统与专家放射科医生进行了比较评估,但其在临床实践中的独立使用仍不太可能[37]。本研究未评估AI在协同阅片工作流程中的作用,而这可能是最有效的方式。未来研究应探索AI辅助阅片如何提高诊断准确性和效率。

本研究存在必须承认的局限性。单中心设计和适中的样本量不足以进行性能分析,可能限制其普遍适用性,尤其是在不同临床环境和患者人群中的推广。需要更大规模、具有统计学效力、多中心的试验来确认这些发现并验证该软件的性能。此外,仅由一名放射科医师阅片引入潜在偏倚,因为前列腺MRI解读中阅片者间差异已有充分文献记载[4];尽管方案未限制阅片者数量,但出于实际原因,所有检查均由一名经验丰富的放射科医师解读。虽然这种务实做法可行,但可能限制可重复性和普遍适用性,凸显了多阅片者验证的必要性。此外,由于并非所有MRI阴性患者均接受了系统穿刺活检,部分临床显著前列腺癌(csPCa)可能被漏检,从而可能对病灶水平和患者水平的敏感性估计产生偏倚。最后,尽管阈值优化是预先计划并有合理依据的,但其回顾性应用强调了需要在前瞻性、具有足够统计学效力的研究中加以验证,以巩固该软件的临床实用性。

总之,本研究表明,所研究的人工智能软件具有可行性、安全性,并显示出减少双参数磁共振成像(bpMRI)检测csPCa中假阳性预测的前景。通过在不牺牲敏感性的前提下提高特异性和准确性,该软件有效减少了假阳性,凸显了其减少不必要活检和改善患者管理的潜力。这些结果标志着将人工智能工具整合到临床实践中迈出了一步,为提高诊断一致性、优化工作流程和更高效的医疗服务提供了一条途径。未来的研究重点应放在对经过优化的人工智能协同阅片系统进行大规模、多阅片者、多中心验证以及实际临床应用实施上,这对于确立该软件在常规诊疗中的作用至关重要。

补充信息

电子补充材料

引用

  1. Sunoqrot, Segre, Nketiah, et al. Prospective validation of an AI software for detecting clinically significant prostate cancer on biparametric MRI. Insights Imaging. 2026. PMID: 41586851. doi:10.1186/s13244-025-02199-9
  2. 全文:PMC12834860(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12834860/

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。