基于人工智能不确定性度量的前列腺癌检测路径模拟研究：降低放射科医生工作负荷的新策略

这篇研究通过比较两种不确定性量化（UQ）指标（meanUQ和varUQ），探索了人工智能（AI）在前列腺MRI扫描中高置信度预测的潜力，并评估了其在临床显著前列腺癌（csPCa，Gleason Grade Group≥2）检测路径中减少放射科医生工作负荷的效果。研究利用多中心1612例MRI数据，结合15个子模型组成的AI系统，证实varUQ在特定机构可实现20%的工作负荷降低（p<0.05），同时保持非劣效特异性（margin=0.10）。结果表明，基于UQ的半自主AI检测路径具有临床转化价值，但需机构特异性阈值校准。

　　

引言

前列腺MRI和靶向活检是临床显著前列腺癌（csPCa）诊断的金标准，但日益增长的检查需求导致放射科医生工作负荷激增。人工智能（AI）在csPCa检测中展现出接近专家水平的准确性，但现有研究多聚焦于辅助诊断而非工作负荷优化。本研究创新性地提出基于预测不确定性量化（UQ）的半自主AI路径：通过阈值筛选高置信度病例实现自动化诊断，将不确定病例交由放射科医生评估，从而平衡效率与准确性。

材料与方法

数据与模型
研究纳入三个医疗中心的1612例前列腺MRI扫描（中心A/B/C分别689/723/200例），采用已发表的nnU-Net框架AI模型（训练集7756例）。模型输入包括T2加权像、高b值（>b1400）DWI和ADC图，通过15个子模型集成生成病灶概率热图。

不确定性量化指标

• 均值UQ（meanUQ）：反映预测均值与0.5的绝对偏差，低分表示不确定性高。
• 变异UQ（varUQ）：基于子模型预测标准差，高分提示模型分歧大。

实验设计

1. 指标比较：通过Youden指数确定UQ阈值，DeLong检验比较AUROC差异。
2. 工作负荷模拟：在保持敏感性的前提下（非劣效特异性margin=0.05/0.10），计算可自动化处理的病例比例。

结果

数据特征
患者中位年龄68岁，PSA中位数8μg/L。放射科医生敏感性（PI-RADS≥4）均>80%，特异性>50%，其中中心C表现最优（敏感性95%，特异性78%）。

UQ性能对比
varUQ在部分机构展现更高AUROC（中心B:+0.05，p>0.05），但未达统计学显著性。高比例varUQ确定病例同时被meanUQ识别（中心A/B/C分别92.4%/87.0%/80.6%）。

工作负荷优化
在特异性margin=0.10时，varUQ可实现显著工作负荷降低（中心A:20%，p<0.05；中心B:10%，p<0.05），而中心C无显著改善。若收紧margin至0.05，则效益消失。

讨论

临床意义
研究首次量化了AI-UQ在前列腺癌检测中的工作负荷优化潜力。varUQ通过捕捉模型间变异，更精准识别低风险病例，但其效果受机构间差异影响（如扫描参数、病例复杂度）。

局限与展望

• 训练数据单一可能限制模型泛化性；
• 放射科医生PI-RADS评分作为金标准可能引入偏倚；
• 需前瞻性研究验证实际工作流程效益。

结论

meanUQ与varUQ均为有效的AI确定性评估工具。基于varUQ的半自主路径可针对性减少放射科医生工作量，但需根据机构特点定制阈值。随着AI性能提升，该策略或成为解决医疗资源短缺的关键突破。