前列腺特异性抗原密度与多参数磁共振成像结合在前列腺癌早期诊断中的应用价值

《Magnetic Resonance Imaging》：Application value of prostate-specific antigen density combined with multiparametric MRI in early diagnosis of prostate cancer

本研究提出一种融合前列腺特异性抗原密度（PSAD）和 multiparametric MRI（mpMRI）的深度学习模型，通过跨模态注意力融合机制克服单一模态诊断的局限性。实验表明，该模型在PSA灰区（4-10 ng/mL）和PI-RADS 3组中的AUC分别为0.89和0.83，显著优于传统评估方法，且在前列腺体积较大的患者中特异性提升10.2%。

　　

吴迪|唐兆兵

中国重庆医科大学第一附属医院泌尿科

摘要

背景

在PSA灰区（4–10 ng/mL）和PI-RADS 3分的情况下诊断前列腺癌仍然具有挑战性。尽管多参数磁共振成像（mpMRI）被广泛使用，但其诊断准确性受到读片者间差异以及缺乏与临床指标整合的限制。前列腺特异性抗原密度（PSAD）是一个有价值的风险分层指标，但其与mpMRI的最佳组合仍不明确。

方法

我们开发了一个深度学习模型，将PSAD与mpMRI结合使用——包括T2加权成像（T2WI）、扩散加权成像（DWI）以及从DWI中得到的表观扩散系数（ADC）图谱。该模型采用跨模态注意力引导（CM-AG）融合机制对PSAD和mpMRI的特征分支进行加权。在PSA灰区和PI-RADS 3亚组中评估了该模型的性能。消融实验量化了PSAD和CM-AG的增量贡献。

结果

该模型在PSA灰区队列中的AUC值为0.89，在PI-RADS 3组中的AUC值为0.83，优于单一模态MRI基线和仅基于PI-RADS的评估（DeLong p < 0.01）。在前列腺体积较大的患者中，特异性提高了10.2%。消融结果证实PSAD和CM-AG都对性能提升有显著贡献。

结论

通过跨模态注意力将PSAD与mpMRI结合使用可以提高诊断性能，特别是在具有挑战性的亚组（PSA灰区、PI-RADS 3）中。这种方法可能有助于更一致的风险分层和更早的检测。

引言

前列腺癌（PCa）是男性中最常见的恶性肿瘤之一，由于人口老龄化，其发病率持续上升[1]。早期诊断对于提高前列腺癌的治愈率至关重要；然而，传统的筛查方法（包括前列腺特异性抗原（PSA）检测和直肠指检（DRE）往往无法提供足够的诊断信息。这些局限性在PSA灰区（4–10 ng/mL）和PI-RADS 3分病变中尤为明显，这些病变容易出现假阳性和假阴性[2,3]。这些差距凸显了迫切需要更准确和高效的早期前列腺癌诊断方法。近年来，磁共振成像（MRI）已成为前列腺癌筛查的重要工具[4]。多参数磁共振成像（mpMRI）——包括T2加权成像（T2WI）、扩散加权成像（DWI）以及从DWI中得到的表观扩散系数（ADC）图谱——比传统方法更能提高病变的识别和定位能力[5]。在mpMRI序列中，从DWI中得到的ADC图谱尤为重要，因为它可以定量反映组织细胞密度。较低的ADC值与高级别肿瘤和癌性前列腺癌（csPCa）密切相关，我们的模型将这一指标与形态学的T2WI和DWI特征结合使用。

然而，单一模态成像仍然存在局限性，这突显了整合临床生物标志物（如PSAD密度）的必要性。先前的研究表明，多模态数据融合可以提高疾病预测的准确性[6]。深度学习在医学成像中的应用提高了病变检测的准确性，特别是通过提取复杂的成像特征和辨别微妙的临床相关模式[7,8]。在这项研究中，我们提出了一种跨模态注意力融合（CM-AG）机制，将PSAD和MRI数据结合起来。我们的目标是克服传统方法的不足，为早期前列腺癌诊断提供实用的解决方案。通过将PSAD与MRI特征相结合，我们构建了一个深度学习模型，该模型能够自适应地加权成像和临床特征，从而提高前列腺癌病变检测的敏感性和特异性。

材料与方法

主要终点是临床显著的前列腺癌（csPCa），定义为国际泌尿病理学会（ISUP）分级≥2级（Gleason评分≥3+4），通过靶向或系统性活检或根治性前列腺切除术标本确认。临床不显著的PCa定义为ISUP分级1级（Gleason评分3+3）或良性病理。这一分类指导了所有模型的训练和评估。本研究是对连续入组患者的回顾性分析。

患者特征和入组

图2展示了患者选择过程。我们最初从2023年1月至2025年6月期间的机构数据库中确定了250名病理学确诊的前列腺癌患者。应用预定义的排除标准后，排除了70名患者：40名曾接受过前列腺癌治疗（手术、放疗或激素治疗），25名因MRI图像质量差（严重伪影）而被排除，以及5名临床或实验室数据不完整的患者。剩余的180名患者符合纳入标准。

多模态融合机制的创新突破

本研究的新颖之处在于提出的基于PSAD的跨模态注意力融合机制（CM-AG），它解决了传统多模态模型中医学指标与成像特征之间的语义匹配问题。我们有效地将结构化的临床信息（PSAD、年龄和PSA）与mpMRI数据（T2WI、DWI和ADC）相结合。这种方法解决了单一模态方法在PSA灰区（4–10 ng/mL）病例中经常遇到的诊断不确定性问题。

结论

本研究提出了PSAD-MRI融合深度学习模型，在前列腺癌的早期诊断中表现出色，尤其是在PSA水平处于灰区（4–10 ng/mL）和PI-RADS 3分病变的情况下，显著提高了敏感性和特异性。通过引入PSAD引导的跨模态注意力融合机制，该模型成功解决了灰区病例中的诊断不确定性，提供了更精确的决策支持。实验结果

CRediT作者贡献声明

吴迪：撰写——审稿与编辑，概念构思。唐兆兵：撰写——审稿与编辑，撰写——初稿，软件开发，概念构思。

出版同意

不适用。

伦理批准和参与同意

已获得重庆医科大学第一附属医院伦理委员会的批准。所有参与者均签署了书面知情同意书。所有程序均符合赫尔辛基宣言。

资金

本研究未获得公共、商业或非营利部门的任何特定资助。

利益冲突声明

作者声明没有利益冲突。

致谢

不适用。