AI 驱动的 MRI 可预测前列腺癌的结果

AI 驱动的 MRI 分析为前列腺癌预后提供新见解，准确预测转移改善患者护理的风险和治疗结果。

研究： AI 衍生的多参数 MRI 肿瘤体积和局限性前列腺癌的结果。图片来源：Shutterstock AI / Shutterstock.com

在最近发表的一项研究中放射科，研究人员确定使用基于人工智能（AI）的磁共振成像（MRI）数据测量前列腺内的肿瘤体积是否可以预测接受过前列腺癌治疗的前列腺癌患者的结果，包括转移风险放射学或手术。

MRI 的进展改变了前列腺癌的检测和诊断

多参数 MRI 结合了多种 MRI 技术来创建内部解剖结构的详细图像。这种成像技术提高了严重病例的检出率，同时最大限度地减少了不重要疾病的检出率，从而改变了前列腺癌的治疗方法。MRI 引导的活检还可以显着提高癌症诊断的准确性。

通过 MRI 观察到各种前列腺癌特征，其中一些包括前列腺成像报告和数据系统 (PI-RADS) 评分、病变评分和放射学 T 分期，后者表明肿瘤在前列腺内扩散的程度。分析这些特征可以表明前列腺癌的潜在复发率；然而，不同观察者对这些特征的评估各不相同。不同的肿瘤分级系统具有不同的准确性，这进一步使诊断的一致性变得复杂。

人工智能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。最近对深度学习模型的研究表明，在概述前列腺内肿瘤时，其准确度可与经验丰富的放射科医生相媲美。

关于该研究

目前的研究旨在确定使用基于人工智能的方法计算肿瘤体积是否可以为之前接受过手术或放射治疗的前列腺癌患者提供独立的预后见解。然后将这些结果与标准 MRI 评估获得的结果进行比较。

这项回顾性研究纳入了在接受根治性前列腺切除术或放射治疗之前接受 MRI 扫描的前列腺癌患者。患者数据从医疗记录中收集，包括临床、病理和治疗信息，包括基于 PI-RADS 和国家综合癌症网络 (NCCN) 评分的肿瘤分类。

生化失败是前列腺特异性物质增加抗原根治性前列腺切除术或放射治疗等治疗后（PSA）水平。对于本研究，生化失败定义为 PSA 浓度比放射治疗治疗后最低水平增加至少 2 ng/mL，并且在根治性前列腺切除术的病例中临床进展或 PSA 增加至少 0.1 ng/mL。

参考分割是由泌尿生殖放射肿瘤学家手动创建的，他用 PI-RADS 评分为 3 到 5 来描绘前列腺区域，例如平移区和外周区以及病变。

AI 模型 nnU-Net 是一种基于深度学习的分割方法，经过训练可以从不同的 MRI 序列中描绘前列腺区域和肿瘤。然后使用接受放射治疗的患者的图像子组验证该模型，然后对放射治疗组和根治性前列腺切除术组的图像进行测试。随后计算基于人工智能的肿瘤体积，并将其与手动分割生成的参考体积进行比较。

对于统计分析，交叉验证组和测试放射治疗组之间的基线比较分别通过连续变量和分类数据的 Wilcoxon 秩和和 Fisher 精确检验进行。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。

研究结果

根据AI模型nnU-Net生成的片段计算出前列腺内肿瘤的总体积（V人工智能_{）是接受放射治疗或根治性前列腺切除术的局限性前列腺癌患者结果的独立且强有力的预测因子。}事实上，人工智能预测的体积与转移和生化失败显着相关。

对于放射治疗组，V_人工智能与传统风险组相比，对七年转移的预测准确性更高。此外，V 提供的预后信息_人工智能与手动参考分割的前列腺内肿瘤体积相当，从而表明其结果的一致性和作为预测患者结果的工具的可靠性。尽管 AI 算法偶尔会漏掉 PI-RAD 评分为 5 的病变，但 V人工智能_{对临床上显着的疾病负担仍然敏感。}nnU-Net 使用 V 预测转移的能力

人工智能_{等于或优于新兴基因组或计算病理学生物标志物。}因此，这种人工智能工具有潜力通过识别可能需要更个性化或积极治疗方法的患者来改善治疗计划。

结论

V_人工智能似乎是预测局部前列腺癌患者接受根治性前列腺切除术或放射治疗后预后的一致且有前途的方法。

V的准确度_人工智能跨越不同的成像条件及其强大的预测能力凸显了其作为传统放射学或临床预后预测方法的补充甚至替代的潜力。