基于人工智能算法的前列腺MRI临床部署研究

推荐 为解决前列腺MRI诊断中放射科医生间解读差异大、临床效用不一致的问题，研究人员将深度学习模型集成到临床PACS系统中，实现了实时部署和临床应用。研究表明，该系统可提高前列腺癌检测率，优化活检靶点选择，具有重要的临床转化价值。

　　

论文解读
前列腺癌（Prostate Cancer, PCa）是男性常见的恶性肿瘤之一，其早期诊断和精准治疗对改善患者预后至关重要。然而，传统的诊断方法如系统12针超声引导活检存在较高的漏诊率和取样误差，而多参数磁共振成像（Multiparametric Magnetic Resonance Imaging, mpMRI）结合MRI-超声融合活检技术显著提高了诊断的准确性。尽管如此，mpMRI的解读存在显著的放射科医生间变异性，导致其临床效用不一致。为解决这一问题，美国国立卫生研究院（National Institutes of Health, NIH）和飞利浦公司（Philips）的研究人员开展了一项研究，旨在将基于人工智能（Artificial Intelligence, AI）的前列腺和病灶分割算法集成到临床PACS系统中，以实现实时部署和临床应用。

研究人员首先将一个先前训练好的公开可用AI模型转换为与MONAI Deploy Express兼容的容器化环境，并在机构内建立了推理服务器和专用临床PACS工作流程。研究分为两个阶段进行：第一阶段评估了AI模型在所有患者中的实时部署情况；第二阶段则评估了在MRI-TRUS融合引导活检患者中的应用。结果显示，在第一阶段，AI模型在57/58例患者中成功执行，中位处理时间为33秒，与专家放射科医生的标注相比，模型性能稳定。在第二阶段，40/40例患者成功执行，癌症检测率在AI和放射科医生共同识别的病灶中为82.1%，在AI提出但放射科医生接受的病灶中为47.8%，而在放射科医生单独识别的病灶中为33.3%。

研究结果表明，将新型AI算法集成到临床PACS环境中是可行的，并且模型输出可用于下游临床任务。这一发现为AI在放射科的临床应用提供了重要的技术支持和理论依据。论文发表在《Abdominal Radiology》上，进一步推动了AI在医学影像领域的临床转化。

为了实现这一目标，研究人员采用了以下关键技术方法：首先，他们使用了MONAI Deploy Express平台，将AI模型容器化并集成到PACS系统中。其次，他们利用深度学习算法对多参数MRI图像进行处理，包括T2加权成像（T2W）、表观扩散系数（Apparent Diffusion Coefficient, ADC）和高b值扩散成像（high b-value diffusion images）。最后，他们通过DICOM服务类提供程序（Service Class Provider, SCP）接收PACS中的DICOM图像，并在推理服务器上执行模型，最终将结果返回PACS系统。

研究结果详细展示了AI模型在不同患者群体中的表现。在第一阶段，AI模型在所有患者中均成功执行，处理时间短，与专家标注的一致性高。在第二阶段，AI模型在活检靶点选择中表现出色，尤其是在AI和放射科医生共同识别的病灶中，癌症检测率显著提高。此外，AI还帮助放射科医生识别了一些未被发现的病灶，进一步提高了诊断的准确性。

研究结论和讨论部分强调了AI在放射科临床应用中的重要性。通过将AI算法集成到PACS系统中，研究人员实现了实时部署和临床应用，显著提高了前列腺癌的检测率和诊断准确性。这一研究不仅为AI在医学影像领域的应用提供了重要的技术支持，还为未来的多中心临床验证奠定了基础。然而，研究也存在一些局限性，如样本量较小、未排除既往治疗的患者等，未来需要进一步扩大样本量并进行多中心验证。总体而言，这项研究为AI在放射科的临床应用开辟了新的道路，具有重要的临床意义和研究价值。