深度学习辅助的侵袭性前列腺癌检测模型可有效减少不必要活检

本研究针对前列腺癌(PCa)诊断中过度依赖侵入性活检的问题，开发了基于双参数MRI(bpMRI)和深度学习(nnUNet)的侵袭性前列腺癌(ISUP≥2)检测系统。通过整合多中心数据集(ProstateNet和PI-CAI)，模型在保留90%召回率(Recall)的同时，前瞻性验证显示可减少21.9%不必要活检，为临床决策提供重要辅助工具。

　　

前列腺癌作为男性最高发的恶性肿瘤，其诊断过程长期面临两难困境：一方面需要通过活检获取确切的Gleason评分和ISUP(国际泌尿病理学会)分级，另一方面约30%的活检被证实是不必要的。传统依赖PI-RADS(前列腺影像报告和数据系统)评分和PSA(前列腺特异性抗原)检测的方法，不仅存在高达9%的假阴性率，不同放射科医师间的判读差异更可能达到20%。这种临床痛点催生了"虚拟活检"技术的探索——能否通过医学影像与人工智能的结合，精准识别需要干预的侵袭性肿瘤(ISUP≥2)，同时避免对惰性病灶的过度治疗？

来自葡萄牙Champalimaud基金会等机构的研究团队在《Scientific Reports》发表的研究，给出了突破性解决方案。该团队创新性地整合了欧洲12个临床中心的1484例双参数MRI(bpMRI，含T2W/DWI/ADC序列)数据和公开的PI-CAI数据集，构建了迄今最具多样性的前列腺癌影像数据库PNetCAI。通过改进的3D全分辨率nnUNet框架(采用标签平滑和边界损失优化)，开发出可同时实现病灶分割与侵袭性判定的端到端系统。

关键技术方法包括：1)多中心bpMRI数据标准化处理(Z-score归一化及百分位裁剪)；2)改进的nnUNet架构(初始学习率0.001，Dice与交叉熵联合损失)；3)基于置信度阈值(10%)和前列腺腺体定位的病灶候选筛选策略；4)采用5折交叉验证和前瞻性队列(73例)的双重验证体系。

模型性能受训练-测试相似性影响
跨数据集测试显示，整合多中心数据的PNetCAI模型表现最优，在保留测试集上达到0.82召回率和0.49 Dice分数。特别值得注意的是，当测试数据与训练集来源相异时(如用PI-CAI训练集测试PNet数据)，性能下降达40%，凸显多中心数据融合对模型泛化能力的关键作用。

活检减少与风险低估的平衡
模拟临床决策时发现，单独使用模型会导致54%的不必要活检推荐。但创新性地采用"放射科医师+AI"双决策模式后：当两者均建议活检时执行，可使不必要活检减少21.9%，且未增加侵袭性病灶漏诊(Recall保持1.0)。这种协同策略有效化解了敏感性与特异性的矛盾。

病灶特征对性能的影响机制
定量分析揭示两个关键规律：1)病灶体积与分割精度正相关(大病灶Dice分数提高15%，p<0.05)；2)AI标注的病灶比放射科医师标注更易检测(p=7.6e-5)。这为未来数据标注策略提供了重要参考。

讨论部分指出，该研究首次在多中心前瞻性验证中证实了CAD系统减少不必要活检的临床价值。相比既往单中心研究89.4%的召回率，本研究82%的数值看似略低，但其数据异质性(涉及西门子、飞利浦、GE等不同厂商设备)更贴近真实世界场景。作者特别强调，系统检测到的"假阳性"病灶中，30%实际为放射科医师未标注的真实病灶或囊肿，暗示现有标注标准可能存在局限性。

这项研究为前列腺癌精准诊疗提供了新范式：通过深度学习整合多中心影像数据，既能保持对侵袭性癌灶的敏感性，又可显著降低侵入性检查负担。未来结合PSA密度等临床指标，有望进一步优化决策流程。成果的临床转化将直接影响数百万患者的诊疗体验，减少活检相关并发症，同时降低医疗系统成本。