文献速递泌尿生殖腹部MR

AI辅助双参数MRI监测前列腺癌的可行性研究

AI-assisted biparametric MRI surveillance of prostate cancer: feasibility study.
PubMed 文献 · Eur Radiol · 2022-08-12

本研究回顾性纳入多中心1513例接受双参数MRI(T2+DWI)的患者,其中73例有至少两次连续MRI和重复活检。开发深度学习检测模型生成所有PIRADS≥2病灶热图,提取前后两次检查的差异体积和似然特征,用机器学习分类器预测当前检查的临床显著前列腺癌(ISUP>1)。结果显示,纳入前后两次检查的模型AUC为0.81,优于仅用当前检查的模型(AUC 0.73,p=0.04);加入临床参数后AUC提升至0.86,且显著优于放射科医生(AUC 0.69,p=0.02)。

要点

  • 连续双参数MRI的AI监测模型可自动提取病灶体积和似然度变化,诊断临床显著前列腺癌的AUC达0.81。
  • 结合PSA、PSA密度和年龄等临床参数后,AI模型诊断效能进一步提升至AUC 0.86。
  • AI监测模型诊断效能显著优于放射科医生基于PIRADS评分(以PIRADS≥4为阳性阈值)的评估。

关键影像表现/征象

  • 深度学习检测模型基于3D U-Net架构,生成所有PIRADS≥2病灶的热图,用于提取病灶体积和似然度特征。
  • 序贯分析通过刚性配准将前次扫描与当前扫描对齐,计算病灶体积和最大似然度的差异特征。
  • 正确分类的非临床显著前列腺癌病例显示两次检查间病灶体积和似然度基本不变,而进展为临床显著前列腺癌的病例显示似然度和体积增加。

诊断标准与关键数值

  • 仅用当前检查的模型诊断临床显著前列腺癌(ISUP>1)的AUC为0.73(95%CI 0.61-0.84)。
  • 纳入前后两次检查的监测模型AUC为0.81(95%CI 0.69-0.91),敏感度0.76(95%CI 0.57-0.94),特异度0.79(95%CI 0.68-0.89)。
  • 加入临床参数(PSA、PSA密度、年龄)的扩展模型AUC为0.86(95%CI 0.77-0.93),敏感度0.90(95%CI 0.76-1),特异度0.75(95%CI 0.64-0.86)。
  • 放射科医生以PIRADS≥4为阳性阈值的AUC为0.69(95%CI 0.54-0.81),敏感度0.71(95%CI 0.5-0.9),特异度0.61(95%CI 0.48-0.74)。

临床应用与阅片要点

  • 连续bpMRI的AI监测可自动量化病灶体积和似然度变化,提供比人工PIRADS评分更一致的进展评估。
  • 结合PSA、PSA密度和年龄等临床参数可提高AI监测模型对临床显著前列腺癌的检出敏感度。
  • AI模型训练时检测所有PIRADS≥2病灶(包括非临床显著病灶),有助于追踪可能进展为临床显著前列腺癌的低危病灶。

局限性

  • 用于训练和验证序贯分类器的数据集相对较小(73例患者,78次检查)。
  • 检测U-Net的训练数据未纳入多次扫描患者,可能引入偏倚。
  • 数据集混合3T和1.5T扫描仪,可能影响深度学习输出。
  • 前次与当前检查之间的时间间隔存在较大变异。
全文中译11 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. 2022 Aug 12;33(1):89–96. doi: 10.1007/s00330-022-09032-7

引言

前列腺癌(PCa)是全球男性中第二常见的恶性肿瘤,占男性癌症诊断的五分之一以上 [1]。2020年,全球估计有140万新发病例和375,000例PCa相关死亡。前列腺特异性抗原(PSA)筛查用于检测PCa的引入导致了低风险PCa的过度诊断。对于局限性低风险PCa男性患者,治愈性治疗获益有限,且与生活质量下降相关 [2, 3]。主动监测(AS)是一种广泛使用的管理方案,用于减少低风险PCa的过度治疗 [4]。接受AS的男性通过PSA测量和重复活检进行密切监测,以早期发现疾病进展并最大化后续治愈性治疗的疗效。

系列MRI提供了一种无创方法来监测PCa患者,放射科医师常规使用其比较不同就诊之间的发现,并报告影像学稳定性或进展 [5]。PRECISE指南 [6] 是目前在AS背景下报告系列MRI发现的最佳实践,基于PCa病灶大小和特征的变化。多项研究报告了MRI在低风险PCa AS中具有有前景的诊断准确性 [7, 8]。然而,目前报告的诊断准确性仍然过低,不足以支持基于MRI的监测作为AS方案中重复活检的可靠替代 [9]。

人工智能(AI)可能会改善MRI监测。许多研究已将深度学习(DL)应用于单时间点MRI上PCa的自动检测和表征 [10, 11]。然而,迄今为止尚无研究探索利用序贯前列腺MRI检查的差异信息。由于普遍缺乏大量序贯MRI检查,直接开发用于监测的AI具有挑战性。我们提出了一种数据高效的混合机器学习算法。它利用了先前AI研究中的成果,即大量单时间点MRI研究可以生成可解释的特征。所提出的系统经过训练,能够检测和追踪所有PCa病灶,但通过使用静态和动态PCa特征来区分临床显著(cs)PCa与非显著PCa。

本研究旨在评估AI辅助双参数MRI(bpMRI)前列腺监测用于自动检测csPCa的可行性。我们将(1)比较单时间点bpMRI扫描监测AI与多时间点bpMRI扫描监测AI;(2)研究纳入临床参数是否会进一步改善性能;(3)研究最佳AI监测模型的性能与经验丰富的放射科医师性能的比较。

材料与方法

数据集与预处理

本研究使用从两家三级学术医疗机构和十家非学术机构收集的多中心数据库(补充表1)。两家三级学术医疗机构的机构审查委员会批准了本研究并豁免了知情同意的需要。

数据被分为两个队列:第一个队列由仅扫描一次的患者的bpMRI扫描组成(n = 1434),用于训练检测PCa病变的深度学习(DL)模型。第二个队列由患者的系列bpMRI扫描(先前+当前)组成,这些患者均在两次检查时接受了靶向或系统穿刺活检,且先前活检无临床显著性前列腺癌(csPCa)征象(n = 73),用于训练和评估序贯分类器(图1)。我们分别将这些数据集称为Ddet和Dseq。五名患者接受了三次扫描,每名患者从中得出两对扫描(基线➔随访1,基线➔随访2),因此Ddet中当前检查总数为78次。

考虑到动态对比增强成像在前列腺MRI中缺乏无可争议的已证实价值,我们使用bpMRI开发了我们的系统[12]。根据PIRADS指南,我们使用了横向T2加权(T2W)、表观扩散系数(ADC)和计算的高b值(≥ 1400 s/mm2)扩散加权成像(DWI)序列,这些序列在每名患者中均常规采集[12]。MRI研究遵循PIRADS指南的方案建议;因此,各机构之间的成像无重大差异。MRI方案参数的范围见补充表1。所有图像均由一名专家放射科医师前瞻性评估质量问题。所有扫描均使用线性插值重采样至相同的体素间距0.5 × 0.5 mm2(层厚3.6 mm),并中心裁剪至144 × 144 × 18体素。T2W和扩散加权图像经z分数归一化至零均值和单位标准差的强度分布[11, 13]。ADC强度除以3000以保留其临床相关数值意义,并使模型能够定量检查ADC值,与临床常规相当[11, 14]。

病变由经验丰富的泌尿放射科医师(> 8年经验)根据前列腺影像报告和数据系统(PIRADS)第2版指南进行评分[13]。所有放射科医师识别的病变均使用T2W和ADC扫描在每一层上手动勾画。分割由泌尿放射科医师或其监督下的研究员完成。对于这两项任务,放射科医师对所有临床信息包括病理结果均设盲。还收集了所有先前和当前检查的临床参数,包括年龄、PSA和PSA密度(PSAd)。

图1 数据集划分概览 查看原图 ↗

MRI监测特征

MRI监测的使用日益增多,但目前序贯影像检查的数量太少(即使纳入来自不同中心的数据也是如此),无法开发出直接比较两幅图像的深度学习系统。一种在单时间点MRI上使用深度学习(DL)并进行特征级组合的混合方法可能是一种潜在的解决方案。用于在MRI中检测临床显著前列腺癌(csPCa)的DL模型通常被训练为直接重现csPCa或PIRADS ≥ 4的标注。然而,对于监测而言,目标是还要追踪那些 later 可能发展为csPCa的非csPCa病灶。因此,我们提出的解决方案使用一种更敏感的DL检测算法,该算法被训练用于检测所有放射学检测到的病灶,从而使机器学习分类层能够在两次检查之间追踪任何检测到的、可能潜在发展为csPCa的病灶的发展情况。

更详细地说,训练了一个卷积神经网络(图2)来检测任何给定扫描中所有由放射科医生识别的病灶。这包括低风险病灶(PIRADS ≥ 2),使模型能够检测和追踪所有由放射科医生识别的病灶。当放射科医生未标记任何PIRADS ≥ 2病灶时,目标病灶图为空。该检测模型基于3D U-Net架构,包含通道级挤压-激励模块以及连续卷积块之间的残差连接[15, 16]。使用焦点损失来抵消数据集中类别不平衡导致的偏倚,并在训练时隐式校准模型[17–19]。此前已证明,该配置在bpMRI上检测PCa方面优于类似模型[20, 21]。

在整个训练过程中,使用随机选择的143例MRI扫描验证集(占数据集Ddet的10%)监测检测U-Net的性能。选择验证损失最低的模型作为最终模型。图像通过即时应用平移、旋转、镜像和弹性变形的随机配置进行增强[22]。训练后的模型用于生成既往bpMRI(HM1)和当前bpMRI(HM2)的热图。

检测模型生成的热图用于提取既往和当前bpMRI中检测到的病灶的可解释体积和似然特征。使用T2W扫描上的刚性配准将每位患者的既往扫描配准到当前扫描,以确保在既往和当前扫描之间为相同区域提取特征。通过在四个不同阈值(0.1、0.15、0.2和0.25)下确定预测似然评分高于各阈值的体素数量,确定全扫描的总病灶体积。通过取相应热图中的最大预测似然,确定每次扫描的总体似然评分。通过计算既往和当前检查之间的差异,计算似然评分、病灶体积、PSA和PSAd的差异特征。

训练了一个具有线性核的支持向量机(SVM)分类器,使用从Dseq图像中提取的特征在当前bpMRI时检测csPCa。选择该分类器是因为其在特征分类方面的有效性及其在超参数方面的简单性[23]。PCa显著性在每次检查水平上评估,依据当前活检(MRI靶向或系统活检)时ISUP > 1(Gleason总和评分[GSS] > 6)的组织病理学分级。

图2 使用序列数据(Dseq)预测csPCa可能性的流程可视化。首先,单个患者的两次扫描分别由检测U-Net处理,生成两个独立的检测病灶热图(HM1、HM2)。该U-Net先前使用数据集Ddet进行训练。然后从每个热图中提取可能性和体积特征,供多扫描分类器用于预测当前检查时csPCa的可能性 查看原图 ↗

实验

创建并比较了三种诊断分类器:(1)仅使用最新可用MRI扫描的基线分类器,(2)还纳入了差异体积和可能性评分的监测分类器,(3)可获取临床参数的扩展监测分类器。各分类器所用特征的概览见补充表2。

统计分析

使用留一交叉验证为每个分类器生成受试者工作特征(ROC)曲线。使用DeLong配对ROC曲线检验比较各分类器诊断性能的统计学差异。生成放射科医师PIRADS评分的ROC曲线(该评分在可获取患者既往扫描的情况下确定,但对活检结果和模型预测设盲)以进行比较。灵敏度和特异度基于Youden J统计量确定。进行自助法重采样(n = 5000)以生成各指标的95%置信区间(CI)。

所有统计分析均在R 4.0.4版本中使用pROC包完成。检测U-Net使用TensorFlow 2.2.0实现。SVM分类器在R中使用caret 6.0-88版本实现。

结果

既往检查时的临床特征概览见表1。在当前评估中,当前78次检查中有21次活检显示csPCa,而57次显示非csPCa。在当前检查时有无csPCa的两组之间,基线特征未发现显著差异。

深度学习检测模型在32GB NVidia Tesla V100 GPU上训练48小时,共169个epoch。

各AI分类器的性能见图3。

表1 研究队列在既往bpMRI时的基线临床特征概览(中位数,IQR)。p值使用Mann-Whitney U检验计算,以评估当前检查时有无csPCa的两组之间的差异 查看原表 ↗
图3 各AI分类器(如“实验”中所述)在随访时检测csPCa的检查水平ROC曲线。每条曲线后的透明区域表示自助法95%置信区间。放射科医师所赋PIRADS评分的ROC以虚线显示。AI模型的十字标记表示使用Youden J统计量确定的最佳截断点处的灵敏度和特异度 查看原图 ↗

纳入监测特征的影响

仅使用当前扫描的分类器达到AUC 0.73(CI:0.61,0.84)。加入序列MRI数据显著(p = 0.04)将AUC提高至0.81(CI:0.69,0.91)。后一模型的灵敏度和特异度分别为0.76(CI:0.57,0.94)和0.79(CI:0.68,0.89)。图4和图5显示了使用监测分类器正确分类的示例病例。

图4 一名70岁男性,移行区病灶(各图中紫色轮廓所示),监测人工智能正确诊断为非临床显著性前列腺癌(non-csPCa)。前次扫描的初始活检前列腺癌(PCa)阴性,本次检查的靶向重复活检显示为非临床显著性前列腺癌(Gleason 3 + 3 = 6)。图中显示T2加权图像(a、b)和ADC图(c、d),以及前次和本次检查对应的检测热图(e、f)。第二次检查的检测热图显示体积和可能性评分基本无变化。放射科医生评分为PIRADS 4 查看原图 ↗
图5 T2加权图像(a、b)和ADC图(c、d),以及对应的检测热图(e、f),显示一名66岁接受主动监测(AS)的男性中检测到的移行区病灶出现进展。热图显示两次扫描中U-Net均检测到病灶,并在4年随访期间记录到可能性评分和体积增加。放射科医生报告扫描中未定位到前列腺癌(PCa),并评分为PIRADS 1。本次检查的系统性重复活检显示Gleason评分为3 + 4 = 7。监测人工智能基于两次扫描均正确将该患者分类为临床显著性前列腺癌(csPCa) 查看原图 ↗

临床参数的纳入

纳入临床参数得出的AUC为0.86(CI:0.77,0.93)。灵敏度和特异度分别为0.90(CI:0.76,1)和0.75(CI:0.64,0.86)。与未纳入临床参数的监测分类器相比,纳入临床参数并未显著改善AUC(p = 0.22)。

与放射科医生表现的比较

放射科医生的AUC为0.69(CI 0.54,0.81)。以PIRADS ≥ 4的发现作为临床显著性前列腺癌(csPCa)阳性检测阈值时,灵敏度和特异度分别为0.71(CI:0.5,0.9)和0.61(CI:0.48,0.74)。可获取临床参数的监测分类器AUC显著高于放射科医生(0.86 vs. 0.69,p = 0.02)。

讨论

据我们所知,这是首个研究混合深度学习/机器学习系统用于前列腺癌(PCa)MRI自动监测的研究。我们的结果表明,我们提出的监测人工智能(AI)能够捕捉连续MRI中可解释的、具有诊断相关性的变化。双次扫描监测AI的AUC达到0.81,而单次扫描模型的准确性显著较低(AUC 0.73)。本可行性研究中呈现的结果为未来利用AI检测MRI上病灶变化及其与临床结局相关性的探索提供了基线。通过将监测模型扩展纳入临床参数(包括PSA、PSA密度及其变化),AUC提高了0.05。这表明连续MRI信息和临床参数为临床显著性前列腺癌(csPCa)的诊断提供了互补信息,并且这些参数可以通过特征级分类层有效结合。在我们的实验中,临床参数与MRI监测的结合使系统能够准确检测仅使用连续MRI特征未能检测到的csPCa病例。这与Felker等人的报道一致,他们报告PSA密度、病灶体积以及检查间的影像学变化的结合可能有助于推迟不必要的重复活检[7]。纳入既往活检结果可能进一步提升诊断性能;然而,本研究未对此进行探索,因为既往研究采用了系统活检与MRI靶向活检相结合的方式,这可能因采样技术的差异而导致预测不稳定。

两种AI监测系统(即不含和含临床参数)均取得了优于放射科医师的诊断性能。这一结果可归因于深度学习检测模型在体积评估和可能性评分方面的一致性和精确性。为了量化进展,病灶体积和可能性的个体测量在患者内和患者间均须一致地确定,这一点至关重要。当前用于评估影像学变化的PRECISE指南未明确指定如何从单次扫描中确定体积和可能性评分以进行比较[6]。如果AI提供更一致、更准确的评分方法以更好地比较扫描,前列腺癌的MRI监测可以得到改善。借助监测AI,连续MRI的诊断性能可能变得足够准确,从而能够一致地排除csPCa,推迟接受主动监测(AS)的男性中不必要的活检。

在本研究中,训练了一个U-Net以敏感地检测单次扫描中的所有PCa,包括非显著性病灶。这一方法不同于大多数其他研究前列腺癌计算机辅助诊断的研究,后者通常训练深度学习模型仅检测csPCa,这导致模型最小化对非csPCa病灶的响应。这阻碍了对可能在后续检查中发展为csPCa的非csPCa病灶的体积和可能性评分的准确估计。我们的结果表明,更敏感的PCa检测模型可用于追踪非显著性病灶,以获得对csPCa检测具有诊断价值的差异化体积和可能性特征。

只有另一项研究,即Sushentsev等(2021)的研究,探讨了使用人工智能在序贯前列腺MRI扫描中自动检测临床显著前列腺癌(csPCa)。他们在主动监测(AS)队列中使用了影像组学特征的变化来完成检测病理分级进展的类似任务[24]。他们表现最佳的人工智能模型达到了0.82的AUC,这与本研究取得的性能相似。然而,他们的方法依赖于专家提供的手动分割来提取两次扫描中的影像组学特征,而我们提出的系统利用深度学习(DL)在无需任何专家输入的情况下达到了相似的性能。此外,他们的研究使用了来自单一机构的数据,而我们的分析纳入了来自多个中心的患者。

我们的研究存在若干局限性。首先,用于训练和验证序贯分类器的数据集相对较小。尽管我们的结果显示了序贯MRI数据改善csPCa检测的可行性,但仍需要更大的数据集来进一步验证所提出的方法。有了更大的数据集,可以探索更强大的分类器,但需要进行超参数优化。其次,由于未将具有多次扫描的患者纳入检测U-Net(Ddet)的训练数据,可能给检测模型引入了一些偏倚。这一决定是出于序贯MRI数据数量有限以及Ddet规模已经较大的考虑。第三,我们数据集中3 T和1.5 T扫描仪的混合可能影响了深度学习输出。然而,我们的检测模型也是使用1.5-T和3-T扫描仪的组合进行训练的,因此应当能够在两者上表现良好。此外,所有模型(以及放射科医师)均在相同的扫描上进行评估;因此,比较性能应具有代表性。最后,前次检查与当前检查之间的时间间隔存在较大差异。然而,这与类似研究相当,可以用缺乏关于随访时间的指南来解释[7, 25]。

总之,我们提出的前列腺MRI人工智能辅助监测能够以有前景的诊断准确性发现可解释的、具有诊断相关性的变化。

补充信息

ESM 1(DOCX 36 kb)

引用

  1. Roest, Kwee, Saha, et al. AI-assisted biparametric MRI surveillance of prostate cancer: feasibility study. Eur Radiol. 2022. PMID: 35960339. doi:10.1007/s00330-022-09032-7
  2. 全文:PMC9755080(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9755080/

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。