编辑推荐：
前列腺癌诊断中高 b 值 DWI 可提升病灶检出率，但受硬件限制。本研究采用 NAFNet 构建 DLR1500模型，将 800 b 值 DWI 重建为 1500 b 值水平。结果显示，DLR1500质量不劣于原 1500 b 值图像，显著提升 junior 医生诊断效能，为临床提供新路径。
前列腺癌作为全球男性高发恶性肿瘤，其早期精准诊断一直是临床难题。弥散加权成像（diffusion-weighted imaging, DWI）是前列腺癌诊断的核心技术之一，高 b 值（如 1500 s/mm2）DWI 能显著提升肿瘤病灶的检出率，但其对先进硬件设备的依赖及较长的扫描时间，限制了在基层医院的普及。此外，低 b 值（如 800 s/mm2）DWI 虽更易获取，但存在图像分辨率低、病灶边界模糊等问题，导致年轻或经验较少的放射科医生难以准确识别微小病灶。如何在不依赖高端设备的前提下，提升低 b 值 DWI 的诊断效能，成为亟待解决的临床需求。
为突破这一技术瓶颈，复旦大学附属肿瘤医院的研究团队开展了一项创新性研究。他们引入新型深度学习网络 NAFNet（nonlinear activation-free network），旨在通过深度学习重建（deep learning reconstruction, DLR）技术，将 800 b 值 DWI 图像模拟为 1500 b 值水平的高质量图像（记为 DLR1500），并以全玻片组织病理切片（whole-slide images, WSI）作为金标准，系统评估 DLR1500在前列腺癌病灶检测中的临床价值。该研究成果发表于《BMC Cancer》，为前列腺癌的影像诊断提供了新的技术范式。
研究团队采用多中心队列数据开展研究，共纳入 339 例前列腺癌患者，其中 303 例来自复旦大学附属肿瘤医院（含 800 和 1500 b 值 DWI 图像），按 2:1 比例分为训练集和验证集；36 例来自外部机构的患者作为测试集（仅含 800 b 值 DWI 图像）。研究的关键技术环节包括：①利用 NAFNet 网络对低 b 值图像进行重建，通过数据增强（翻转、旋转、强度变化）和模型优化（AdamW 优化器，学习率 0.00001）提升模型泛化能力；②由资深病理科医生在 WSI 上标注肿瘤病灶，作为病灶检测的金标准；③两位高级和两位初级放射科医生分别对原始 800 b 值、原始 1500 b 值及 DLR1500图像进行独立阅片，采用 PI-RADS v2.1 和 PI-QUAL v2 评分系统评估图像质量和诊断效能，通过受试者工作特征曲线（ROC）计算曲线下面积（AUC）、灵敏度、特异度等指标。
研究结果
1. DLR1500图像质量与原 1500 b 值图像相当
在验证集中，初级医生基于 DLR1500图像的诊断 AUC 为 0.832（95% CI: 0.788–0.876），与原 1500 b 值图像的 0.821（95% CI: 0.747–0.899）无显著差异（P=0.824）；高级医生的 AUC 分别为 0.901 和 0.911（P=0.317），亦无统计学差异。PI-QUAL v2 评分显示，DLR1500的平均得分为 3.757/4.000，显著高于原 1500 b 值图像的 3.708/4.000（P=0.0002），表明医生主观评价其图像质量更优。代表性病例显示，DLR1500能清晰显示原 800 b 值图像中模糊的病灶边界，甚至检出原 1500 b 值图像未能识别的微小病灶。
2. DLR1500显著提升初级医生对低 b 值图像的诊断效能
在测试集中，初级医生使用 DLR1500图像的 AUC 为 0.848（95% CI: 0.758–0.938），显著高于原 800 b 值图像的 0.752（95% CI: 0.661–0.843，P=0.043），灵敏度和特异度分别提升至 77.0% 和 83.2%。而高级医生使用 DLR1500的 AUC 为 0.901，虽高于原 800 b 值图像的 0.823，但差异未达统计学意义（P=0.129）。这表明深度学习重建对经验较少的医生辅助价值更显著。
3. 医生经验水平影响诊断效能
无论使用何种图像，高级医生的各项诊断指标均显著优于初级医生。例如，在验证集中，高级医生使用原 1500 b 值图像的 AUC 为 0.911，显著高于初级医生的 0.821（P=0.045）；DLR1500图像的 Dice 系数（衡量分割重叠度）在高级医生中为 0.931，高于初级医生的 0.883，提示经验丰富的医生能更充分利用高质量图像的细节信息。
研究结论与意义
本研究证实，NAFNet 驱动的 DLR1500技术可将低 b 值 DWI 的诊断效能提升至原高 b 值水平，尤其显著改善初级医生对前列腺癌病灶的检出能力。该方法无需依赖高端 MRI 设备，为基层医院提供了一种低成本、高效能的影像增强方案，有望缩小不同层级医疗中心在前列腺癌诊断中的技术差距。此外，研究首次将 WSI 作为金标准进行病灶标注，避免了传统依赖放射科医生主观判断的局限性，提升了模型训练的生物学相关性。尽管存在回顾性研究偏倚、测试集样本量较小等局限，该研究为深度学习在医学影像重建领域的临床转化提供了重要范式，其多中心验证结果也彰显了 NAFNet 算法的鲁棒性。未来进一步结合更大样本和前瞻性研究，有望推动该技术成为前列腺癌影像诊断的常规工具。
