近日发表在《放射学》杂志上的一项研究中，研究人员确定了使用基于人工智能（AI）的磁共振成像（MRI）数据测量前列腺内肿瘤体积是否可以预测前列腺癌患者的预后，包括转移风险。这些患者此前接受过放射治疗或手术治疗。
多参数MRI改变前列腺癌检测和诊断
多参数MRI结合多种MRI技术，生成详细的内部解剖图像。这种成像技术通过提高严重病例的检出率，同时减少不重要疾病的检出率，彻底改变了前列腺癌的管理。MRI引导的活检也显著提高了癌症诊断的准确性。
在MRI上观察到的各种前列腺癌特征包括前列腺影像报告和数据系统（PI-RADS）评分、病灶评分和放射学T分期，后者表示肿瘤在前列腺内的扩散程度。分析这些特征可以指示前列腺癌的潜在复发率；然而，这些特征的评估因观察者而异。不同的肿瘤分级系统具有不同的准确性，这进一步复杂化了诊断的一致性。
AI的使用可以通过提供一致的图像分析来增强MRI的临床价值。最近关于深度学习模型的研究表明，其在前列腺内勾画肿瘤的准确性可与经验丰富的放射科医生相媲美。
研究概述
本研究旨在确定使用基于AI的方法计算肿瘤体积是否可以为接受过手术或放射治疗的前列腺癌患者提供独立的预后信息。然后将这些结果与标准MRI评估的结果进行比较。
这项回顾性研究包括在进行根治性前列腺切除术或放射治疗前接受MRI扫描的前列腺癌患者。患者数据来自医疗记录，包括临床、病理和治疗信息，以及基于PI-RADS和国家综合癌症网络（NCCN）评分的肿瘤分类。
生化失败是指在接受根治性前列腺切除术或放射治疗后前列腺特异性抗原（PSA）水平的升高。在本研究中，生化失败定义为放射治疗后PSA浓度至少增加2 ng/mL，根治性前列腺切除术后临床进展或PSA增加至少0.1 ng/mL。
由泌尿生殖系统放射肿瘤学家手动创建参考分割，该专家绘制了前列腺的移行区和周边区以及PI-RADS评分为3至5的病变。
基于深度学习的分割方法nnU-Net AI模型被训练用于从不同的MRI序列中勾画前列腺区域和肿瘤。然后使用接受过放射治疗的患者图像子集对该模型进行验证，之后再对放射治疗组和根治性前列腺切除术组的图像进行测试。随后计算基于AI的肿瘤体积，并与手动分割生成的参考体积进行比较。
对于统计分析，使用Wilcoxon秩和检验和Fisher精确检验分别对连续变量和分类数据进行基线比较。灵敏度和阳性预测值用于评估AI模型在肿瘤检测中的准确性。
研究发现
使用nnU-Net AI模型生成的分段计算的前列腺内肿瘤总体积（VAI）是局部前列腺癌患者接受放射治疗或根治性前列腺切除术后预后的独立且强有力的预测因子。事实上，AI预测的体积与转移和生化失败显著相关。
对于放射治疗组，VAI对7年转移的预测准确性高于传统风险组。此外，VAI提供的预后信息与手动参考分割的前列腺内肿瘤体积相当，这表明其结果的一致性和作为预测患者预后工具的可靠性。尽管AI算法偶尔会遗漏PI-RADS评分为5的病变，但VAI仍对临床上显著的疾病负担敏感。
nnU-Net使用VAI预测转移的能力等于或优于新兴的基因组或计算病理学生物标志物。因此，这一AI工具有可能通过识别可能需要更个性化或积极治疗方案的患者来改善治疗计划。
结论
VAI似乎是一种一致且有前景的方法，可用于预测接受过根治性前列腺切除术或放射治疗的局部前列腺癌患者的预后。
VAI在不同成像条件下的准确性和强大的预测能力突显了其作为补充甚至替代传统放射学或临床预后预测方法的潜力。
(全文结束)
