文献速递泌尿生殖技术与安全MR

前列腺MRI半监督学习检测肿瘤的外部队列验证

Semi-supervised learning in prostate MRI tumor detection approaches fully supervised performance on external validation.
PubMed 文献 · Eur Radiol · 2026-01-28

本研究利用PI-CAI挑战训练集1500例bpMRI,比较半监督mtU-Net、半监督nnU-Net与完全监督nnU-Net对GG≥2前列腺癌的检出效能。外部验证使用PROMIS 574例与Prostate158 158例。完全监督nnU-Net表现最佳,但半监督mtU-Net外部验证AUC与其无统计学差异,可在专家标注有限时作为替代方案。

要点

  • 半监督mtU-Net在外部验证中与完全监督模型无显著差异,可减少对专家体素级标注的依赖。
  • 患者水平AUC与病灶水平AP需分别评估,病灶定位能力仍落后于患者分类能力。
  • PROMIS队列由1.5T较旧数据构成,模型AUC较PI-CAI与Prostate158明显下降,跨场强与跨年代泛化应谨慎解读。

核心结论

  • 完全监督nnU-Net在内部及外部验证中均取得最高表现,是前列腺MRI肿瘤检测的基准模型。
  • 半监督mtU-Net在外部验证PROMIS与Prostate158上AUC与完全监督模型无统计学差异,表明半监督学习在专家标注有限时具有实用价值。

研究设计与样本

  • 研究类型为对比性实验研究,使用PI-CAI挑战训练集1500例bpMRI,序列包括T2W、ADC及高b值DWI。
  • 内部测试采用PI-CAI验证集n=100及隐藏测试集n=1000,外部验证采用PROMIS n=574与Prostate158 n=158。
  • 参考标准:PI-CAI训练集中425例经组织学确认为GG≥2阳性病灶,其中220例为人类体素级标注,205例为AI生成标注。
  • 完全监督模型由一名具有8年经验的前列腺放射科医师对205例AI标注病例重新逐层标注后训练,该医师未获得完整病理报告且未评估观察者间变异性。
  • 模型架构包括nnU-Net、nnDetection及研究者提出的mtU-Net,mtU-Net采用教师-学生框架并结合伪标注与一致性正则化。

关键影像表现/征象

  • 病灶水平的检测重叠标准为预测病灶与真值标注的Intersection over Union大于0.10判定为真阳性。
  • PROMIS队列中396个病灶在ADC图上勾画真值,所有574例均经5mm取样间隔的经会阴饱和活检确认。
  • Prostate158队列包含102例经活检或根治术证实的PCa患者及56例对照患者,所有阳性病例均有PI-RADS≥4病变的专家标注。

诊断标准与关键数值

  • 在内部PI-CAI测试集上,完全监督nnU-Net的AUC为0.89 [0.87-0.91],AP为0.65 [0.60-0.70],显著优于监督基线。
  • 在外部PROMIS验证中,完全监督nnU-Net AUC为0.68 [0.64-0.72],AP为0.24 [0.20-0.29];mtU-Net AUC为0.66 [0.62-0.71],AP为0.20 [0.16-0.25]。
  • 在外部Prostate158验证中,完全监督nnU-Net AUC为0.87 [0.82-0.92],AP为0.64 [0.56-0.72];mtU-Net AUC为0.86 [0.81-0.92],AP为0.58 [0.49-0.67]。
  • 与完全监督模型相比,mtU-Net在PROMIS上的AUC无显著差异(p=0.199),在Prostate158上的AUC无显著差异(p=0.702)。
  • 在外部验证合计n=732上以FPR 0.50为操作点,监督基线漏诊145例肿瘤,完全监督漏诊95例,半监督nnU-Net漏诊119例,mtU-Net漏诊102例。

临床应用与阅片要点

  • 评估前列腺MRI的AI模型时应同时关注患者水平AUC与病灶水平AP,两者的差距可揭示模型是否仅能分类而不能准确定位。
  • 将模型用于多中心或多代设备影像时需谨慎,PROMIS的1.5T旧数据使所有模型AUC下降约0.2,提示需验证目标设备场强。
  • 半监督模型对AI生成伪标注的空间噪声敏感,可导致病灶定位不准确,阅片时不建议只依据模型标注的小病灶而忽略周围可疑区域。

局限性

  • 205例完全监督标注由单一放射科医师完成,未评估观察者间变异性,也未结合完整组织病理报告。
  • PROMIS真值需将饱和活检病理图与MRI区域进行人工对应,这一过程可能引入定位偏倚。
  • Prostate158的阳性子集包含11例GG=1病例,可能影响对GG≥2检出特异性的评估。
  • 外部数据与训练数据在采集协议、厂商及场强上存在差异,但原文未报告针对扫描参数或厂商的亚组分析。
  • 内部PI-CAI测试集大部分样本与训练集来自同一中心,外部泛化性评估依赖仅两套外部数据。
全文中译10 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 Jan 28;36(6):5011–21. doi: 10.1007/s00330-026-12324-x

引言

前列腺MRI是早期癌症检测和治疗计划制定的核心手段[1–3]。然而,在MRI上识别侵袭性癌症(定义为分级组(GG)≥2)依赖于阅片者,这导致不同中心之间存在显著差异,且总体阳性预测值较低[4]。深度学习(DL)提供了一种标准化图像解读并提高诊断性能的方法[5],其临床目标是在疑似癌症的男性中支持MRI病灶检测,以减少不必要的活检和漏诊癌症。

开发稳健的病灶检测模型具有挑战性,因为肿瘤仅占图像的一小部分,形状不规则,且常常不存在,这使得传统的3D边界框检测因包含大量正常组织而效果欠佳。相反,逐体素分割能够提供密集的预测图,经后处理可转化为离散的病灶候选区域,并能更好地捕捉不规则的肿瘤形态。

训练基于DL的医学图像分割的一个障碍是需要大量逐体素的专家标注。这一过程耗时且成本高昂。在标注数据需求日益增长的时代,半监督学习(SSL)通过同时利用有标注和无标注数据提供了一种解决方案,减少了对全标注数据集的依赖。一种常见的SSL技术是伪标签[6],即利用预训练的有监督模型的预测结果为无标注数据生成标签,从而有效扩展用于进一步训练的数据集。

既往医学图像分割中的SSL研究主要集中于相对简单的任务,如解剖结构分割和肿瘤分割,且目标类别在数据集所有样本中始终存在[7–9]。这些任务通常只需少量全标注样本(如20–50例)并采用成熟的分割方法(如nnU-Net[10])即可实现较高性能。这些SSL研究通常仅使用数据集中可用标注的一小部分来模拟标签有限的情况。

PI-CAI挑战赛[11]是一项机器学习竞赛,旨在验证在前列腺双参数(bp)MRI上检测侵袭性癌症的算法。该挑战赛为开发和比较机器学习解决方案提供了平台,重点关注半监督方法,延续了Bosma等人[12]的工作,该工作仅对经病理证实的扫描进行前列腺癌分割伪标注,有效实施了SSL。PI-CAI挑战赛[11]中排名前五的方案均采用基于U-Net的架构[13]进行分割,并以伪标签[12]作为半监督技术,但其性能提升主要来自添加其他技术,如集成学习、纳入分区解剖结构、自监督预训练或使用临床生物标志物(如PSA密度)。

本研究系统性地探讨了在大规模训练和验证条件下,改进SSL机制是否能达到与增加更多专家标注相当的前列腺癌检测性能。为评估模型的临床实用性,本研究采用了患者水平整体诊断性能和病灶水平检测的指标。我们假设SSL能够达到与使用全标注数据集训练的有监督模型相当的性能。此外,本研究还探讨了SSL在真实世界临床挑战中的实际适用性及其对外部数据集的泛化能力。

材料与方法

数据

我们使用了PI-CAI挑战赛[11]提供的数据,包括1500例双参数MRI(bpMRI)扫描用于训练,以及两个隐藏测试集:测试集1含100例样本,测试集2含1000例隐藏测试样本,其中197例来自一个外部中心。输入数据包含三个序列:T2加权成像(T2w)、表观扩散系数(ADC)图和高b值扩散加权成像(DWI)。训练集中包含425个经组织学证实的GG ≥ 2阳性病灶,其中220个在bpMRI上具有人工标注的体素级病灶,其余205个样本为AI标注。其余1075例为GG ≥ 2病灶阴性,经组织病理学或3年MRI随访确认。为评估增加人工标注数量的影响,一位具有8年经验的前列腺放射科医生对PI-CAI挑战数据集中205个AI标注图像进行了手动标注。这些标注基于可用的bpMRI序列,且该放射科医生知晓组织病理学结果中报告的GG ≥ 2病灶数量。标注使用3D Slicer软件(版本5.0.3)在ADC上进行,原始bpMRI序列保持不变。本研究完成的专家标注将公开发布。

PI-CAI[11]测试集的一个局限性在于大多数样本来自与PI-CAI训练数据相同的中心。因此,我们使用两个独立数据集PROMIS[14]和Prostate158[15]进行外部验证,共732例扫描,以评估基于SSL的分割模型的泛化能力。表1总结了三个数据集的特征。

PROMIS是一项来自英国的多中心验证性研究。研究中所有574例疑似前列腺癌男性均接受了1.5特斯拉MRI检查和经会阴活检,采样间隔为5 mm。这种饱和活检方法确保了对前列腺组织的彻底检查,解决了靶向活检或系统活检等不够严格的活检技术常存在的潜在采样不足问题。PROMIS试验的组织病理学报告指导了金标准病灶勾画,共在ADC图上勾画了396个病灶以创建金标准分割。

Prostate158[15]是一个开源的、单中心数据集,包含来自德国一家医院的158例疑似前列腺癌男性患者的3 T bpMRI扫描。所有患者均通过活检或前列腺切除术进行了组织病理学验证,队列包括102例确诊前列腺癌(GG ≥ 1)患者和56例对照患者。所有102例阳性病例均包含观察到的PI-RADS ≥ 4病灶的专家标注。

表1 三个数据集的患者特征和组织病理学分级分布 查看原表 ↗

评估指标

患者级诊断性能使用受试者工作特征曲线下面积(AUC)进行评估。计算时,将每个患者扫描中体素预测分数的最高值作为其含有侵袭性(GG ≥ 2)癌症的可能性。AUC由ROC曲线得出,总结模型在所有阈值下区分阳性与阴性病例的能力。

病灶级检测性能采用平均精度(AP)进行评估,该指标代表精确率-召回率曲线下面积。按照PI-CAI官方评估流程(版本1.4.13),基于每个病例的最大分值采用动态阈值从模型的softmax输出图中提取候选病灶,随后进行三维连通域分析。低于最小体素数的连通域被剔除,每个候选病灶的置信度分数设为该连通域内的最大值。提取的预测病灶若与金标准病灶标注的交并比大于0.10,则判定为真阳性。不满足该标准的预测结果判定为假阳性(FP)。随后根据对所有预测病灶检测结果排序所得的精确率和召回率计算AP。

整体性能指标为PI-CAI挑战赛评分,定义为患者级AUC与病灶级AP的平均值。在统计分析中,AUC和AP的95%置信区间(CIs)采用10,000次迭代的自举法确定。患者级AUC差异的显著性采用DeLong检验进行评估。病灶级AP的差异采用自举检验进行评估。所有比较所得的p值随后采用Holm-Bonferroni校正进行调整,以控制多重检验中的错误发现率。校正后p值小于0.05视为具有统计学显著性。所有性能指标在正文中报告为(AUC值 [95% CI];AP值 [95% CI];p值,如适用)。

监督策略

为系统评估不同训练数据构成的影响,建立了三种不同的监督策略(图1)。所有策略的训练队列均包含1045例GG ≥ 2癌症阴性的病例。对于这些阴性扫描,整个图像体作为“背景”类,不提供病灶标注,从而训练模型识别无癌特征。三种策略的差异在于对425例阳性病例的使用方式。基线监督学习模型使用220例人工标注样本进行训练。该监督模型用于对根据报告信息判定为GG ≥ 2阳性的样本进行标注,生成205例AI标注样本[12],这些样本包含在PI-CAI挑战赛训练集中。这些AI标注样本用于半监督方法。第二个监督模型(称为全监督)在这205例样本上使用放射科医师新标注的数据进行训练。

图1 三种不同训练策略的实验设置:基线监督(I)、半监督(II)和全监督(III),以及每种训练策略中人工标注和AI标注样本的数量 查看原图 ↗

模型架构

三种策略的性能均使用三种不同的网络架构进行评估。两个成熟的框架,即nnU-Net [10]和nnDetection [16],此外,我们提出了一种新架构mtU-Net,作为第三种半监督方法。

nnU-Net[10]是一个专为医学图像分割任务设计的最先进的深度学习框架。它基于用于图像分割的U-Net[13]方法,并根据具体数据集自动配置数据增强和网络架构,通常在不同基准测试中都能取得顶尖性能。nnDetection[16]是另一个为医学图像分析构建的框架,其灵感来自目标检测架构。它建立在Retina U-Net[17]架构之上,该架构融合了Retina Net单阶段目标检测方法[18]与U-Net分割架构[13]。它专门通过使用锚框来检测目标,锚框是预定义的不同尺寸和纵横比的边界框。同时,网络为每个锚框预测包含目标的概率,并执行像素级分割。

mtU-Net

为了扩展未标注数据的使用,我们提出了mtU-Net,这是一种3D半监督分割模型,采用教师-学生框架,集成了伪标签和一致性正则化(图2)。我们基于Mean-Teacher框架[19]将我们的方法命名为mtU-Net。用于半监督分割的mean-teacher方法已在医学影像分割中被广泛探索[20–26]。在大多数现有方法中,数据集中的每幅图像都包含目标类别,因此教师模型始终被锚定在体素级掩码的存在上。当这一假设不成立时,如诊断性前列腺MRI中只有一部分扫描为病灶阳性且被标注,朴素的mean-teacher设置可能变得不稳定。

在本工作中,所提出的mtU-Net通过以下方式明确地将mean-teacher思想适配到这种部分标注的病灶检测场景中:(i)将一致性约束限制在可逆的空间变换上,并在计算体素级一致性损失之前对教师输出应用逆变换,以确保解剖学上对齐的监督[27];(ii)整合伪标签,使病理阳性扫描获得AI生成的体素级肿瘤掩码,而阴性扫描被视为背景,从而使模型能够学习阴性病例;以及(iii)在监督项中加入focal loss分量,以相对于丰富的背景提高罕见病灶体素的权重。

图2 mtU-Net的架构。数据集中的每个样本被输入学生模型,该模型输出分割分数,并基于预测结果和真实标注/伪标注计算分割损失。同一图像经过变换后输入教师模型,教师模型也生成图像块分数。教师模型的输出经过逆变换,使分数与原始图像对齐,两个输出之间的差异作为一致性项加入训练损失。学生模型的权重通过反向传播更新,教师模型的权重是学生模型权重的指数移动平均(EMA)。 查看原图 ↗

结果

内部模型性能

研究了三种深度学习模型架构:nnU-Net、nnDetection和mtU-Net。对于nnU-Net和nnDetection架构,分别使用有监督、半监督和全监督策略训练并比较模型。mtU-Net架构使用半监督训练策略进行评估。内部结果见表2。

在PI-CAI验证集(n = 100)上,采用全监督策略训练的nnU-Net架构取得了最高性能(AUC 0.89 [0.82–0.94];AP 0.73 [0.60–0.84])。半监督策略在nnU-Net中显示出第二高的性能,其次是nnU-Net基线监督策略。对于nnDetection架构,半监督策略显示出最高结果(AUC 0.89 [0.81–0.95];AP 0.58 [0.43–0.74]),其次是全监督和半监督策略,后者在该数据集所有模型中呈现最低的AP。在此数据集上,mtU-Net半监督策略显示出比半监督nnU-Net(AUC 0.82 [0.73–0.90];AP 0.61 [0.46–0.77])更高的AUC和AP(AUC 0.85 [0.77–0.92];AP 0.68 [0.55–0.81])。

在PI-CAI测试集(n = 1000)上,采用全监督策略训练的nnU-Net架构也取得了最高性能(AUC 0.89 [0.87–0.91];AP 0.65 [0.60–0.70])。半监督策略是nnU-Net架构的第二高性能,其次是监督nnU-Net。对于nnDetection架构,半监督策略显示出最高结果(AUC 0.87 [0.85–0.90];AP 0.55 [0.49–0.60]),其次是全监督和半监督,后者总体性能最低。与验证集相反,在PI-CAI测试集中,mtU-Net半监督策略(AUC 0.86 [0.84–0.89];AP 0.58 [0.52–0.63])显示出与nnU-net半监督策略(AUC 0.87 [0.84–0.89];AP 0.58 [0.52–0.63])数值接近的性能指标。

表2 每种训练策略在PI-CAI测试集上的性能指标。报告了曲线下面积(AUC)、平均精确率(AP)、这两个指标的平均值(Avg)以及95%置信区间 查看原表 ↗

外部模型性能

PROMIS(n = 574)和Prostate158(n = 158)上外部性能的概览见表3和图3。在外部验证中,nnU-Net全监督策略在PROMIS上的患者水平AUC(0.68 [0.64–0.72],p = 0.004)和病灶水平AP(0.24 [0.19–0.29],p = 0.027)均显著高于nnU-Net监督基线(图4A)(p < 0.05)。在Prostate158上的结果也显示AUC(0.87 [0.82–0.92],p = 0.005)和AP(0.64 [0.56–0.72],p = 0.003)显著更高。在比较基于分割的半监督策略时,nnU-Net半监督的统计学显著差异仅限于PROMIS数据集上的AUC(0.65 [0.60–0.69],p = 0.047),而mtU-Net半监督策略在Prostate158数据集上的AUC(0.86 [0.81–0.92],p = 0.014)和AP(0.58 [0.49–0.67],p = 0.031)均较监督基线表现出统计学显著差异。在PROMIS数据集上,AUC观察到统计学显著差异(0.66 [0.62–0.71],p = 0.047),但AP未观察到(0.20 [0.16–0.25],p > 0.39)。将半监督方法与nnU-Net全监督进行比较时(图4B),mtU-Net在PROMIS(0.66 [0.62–0.71],p = 0.199)或Prostate158(0.86 [0.81–0.92],p = 0.702)数据集上的AUC均未显示统计学显著差异,而nnU-Net半监督模型仅在PROMIS上表现出无显著差异的性能(0.65 [0.60–0.69],p = 0.100)。对于基于nnDetection的模型(图4C),将半监督和全监督模型与监督基线比较时未观察到统计学显著差异。

如果我们在一个固定的操作点上分析模型性能,该操作点选择为在合并的外部验证数据(PROMIS和Prostate158,n = 732)上实现0.50的假阳性率(FPR),则可以通过漏诊癌症的绝对数量来比较模型性能。在0.50 FPR阈值下,nnU-Net监督基线将总共漏诊145例患者的癌症,而全监督模型仅漏诊95例患者的癌症。两种半监督方法均较基线有显著改善。在该阈值下,nnU-Net半监督模型将漏诊119例患者的癌症,而我们提出的mtU-Net模型将漏诊102例患者的癌症。

图3 所有模型在外部验证数据集上的受试者工作特征(ROC)曲线。a PROMIS和b Prostate158。曲线下面积(AUC)分布箱线图。c PROMIS和d Prostate158 查看原图 ↗
图4 模型在两个外部数据集(PROMIS和Prostate158)上性能的统计分析。分析包括与三个不同基线的两两比较。A 模型性能与nnU-Net监督基线的比较。B 模型性能与nnU-Net全监督基线的比较。C nnDetection半监督和全监督模型与nnDetection监督基线的比较。对于每项比较,顶行显示患者水平的受试者工作特征(ROC)曲线,包含曲线下面积(AUC)值和DeLong检验的p值。底行显示病灶水平的精确率-召回率(PR)曲线,包含平均精确率(AP)值和自助法检验的p值。每幅图中的阴影区域可视化了模型(实线)与基线(虚线)之间的差异。所有p值均使用Holm-Bonferroni方法进行校正,以控制多重检验中的错误发现率 查看原图 ↗
表3 不同模型在PROMIS和Prostate158数据集上的曲线下面积(AUC)、平均精确率(AP)、这两个指标的平均值(Avg)及95%置信区间 查看原表 ↗

讨论

本研究系统评估了半监督学习在前列腺癌MRI检测中的应用,以评估先进的SSL策略在大规模、临床现实环境中能否替代额外的专家标注。虽然全监督nnU-Net取得了最高的内部性能,但半监督方法,特别是本文提出的mtU-Net,在外部数据上紧密接近全监督基准,与既往研究的发现一致 [12, 28]。这些发现表明,超过某一临界点后,增加内部人工标注的数量对外部队列的增益有限,而通过SSL利用无标签数据可以提高鲁棒性和泛化能力。

通过将一致性正则化与伪标签相结合,我们提出的mtU-Net架构专为减轻AI生成标注中噪声的影响而设计,从而提高模型的泛化能力。这一点体现在其在内部PI-CAI测试集以及外部PROMIS和Prostate158数据集上持续强劲的性能,同时也是唯一一个在Prostate158上相对于监督基线表现出统计学显著改善的半监督方法,并且其ROC曲线与全监督模型紧密吻合。

尽管患者水平性能表现强劲,但病灶水平的差距仍然存在。在PROMIS上,两种半监督策略均未能在病灶水平AP上优于监督基线(p > 0.39),这表明SSL在精确病灶定位方面仍不及全监督模型,尤其是对于较小的病灶(图5)。一个可能的解释是伪标签中的空间噪声,这些噪声为患者水平分类提供了有用的信号,但可能导致肿瘤定位错误,从而鼓励空间上不准确的体素级预测。

与PI-CAI和Prostate158相比,PROMIS上性能的显著下降可能同时反映了更严格的金标准和领域偏移。PROMIS对全部574名男性使用了饱和活检,相对于PI-CAI和Prostate158最大限度地减少了验证偏倚,而后者的临床驱动参考标准可能低估了MR不可见的癌症。PROMIS也完全由2012年采集的较旧的1.5 T扫描组成,而PI-CAI和Prostate158主要包含更新的3 T数据,造成了显著的技术不匹配。Hering等人[29]也报告了类似的性能下降,其系统的AUC从PI-CAI队列上的0.91降至PROMIS队列上的0.79。

这种方法的有效性强调了架构适用性各不相同;并非所有架构都能同样好地处理不同的学习策略或可能不准确的AI生成标注。例如,nnDetection就表现出这种变异性,其指标表明在全监督设置下相对于半监督应用表现相对较差,提示对高质量标注的较低依赖可能对某些模型类型有益。

本研究存在潜在的局限性。用于全监督训练的205个手动标注由一位放射科医生在没有完整组织病理学报告的情况下勾画,且未评估阅片者间变异性。对于PROMIS数据集,尽管金标准以饱和活检报告为指导且所有患者均接受了活检,但需要一位放射科专家将这些组织病理学图谱与多参数MRI区域进行对应,这一过程可能引入变异。对于Prostate158数据集,病灶阳性子集也包含GG = 1的病例(11个样本)。外部数据集可能包含与训练集数据不同的采集协议、厂商和场强的样本。AI生成的标注基于一种特定的方法[12],SSL的有效性可能因其他技术生成的伪标注的质量和特征而异。基于位置的报告引导SSL方法[30]可以通过从自由文本放射学报告中提取病灶位置信息来进一步去噪伪标注,以优化AI生成的标签。然而,它们依赖于获取完整报告,而这通常无法从公开的前列腺MRI数据集中获得。

总之,增加专家标注改善了内部性能,但与SSL相比在泛化性方面的提升有限。半监督模型通过使用未标注数据,达到了与全监督学习相似的外部验证性能,突出了数据量和多样性(而不仅是专家标注)驱动鲁棒性。这支持SSL作为一种有价值且可行的侵袭性前列腺肿瘤检测方法,在保持有竞争力的、可泛化的性能的同时,减少对大量、昂贵的专家标注的需求。

图5 PROMIS和Prostate158数据集中2个样本的真阳性病例和失败病例示例。图像显示了每个模型在T2加权序列和表观扩散系数(ADC)图上的预测和金标准 查看原图 ↗

补充信息

电子补充材料

引用

  1. Pooch, Agrotis, Cai, et al. Semi-supervised learning in prostate MRI tumor detection approaches fully supervised performance on external validation. Eur Radiol. 2026. PMID: 41606246. doi:10.1007/s00330-026-12324-x
  2. 全文:PMC13212706(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13212706/

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。