开源深度学习模型在双参数MRI前列腺癌检测中的外部验证及临床价值研究

来自国际团队的研究人员针对双参数磁共振成像(bpMRI)中临床显著前列腺癌(csPCa)检测的读片差异问题，开发了开源深度学习(DL)模型。外部验证显示该模型对PI-RADS≥3和≥4病灶的AUC分别达0.86和0.91，csPCa检测灵敏度高达0.87，为放射科医师提供了可靠的AI辅助工具，其开源特性更利于多中心验证与应用推广。

　　

这项开创性研究对一款开源深度学习(Deep Learning, DL)模型进行了严苛的外部验证，该模型专为双参数磁共振成像(biparametric MRI, bpMRI)中的前列腺癌(Prostate Cancer, PCa)检测而设计。研究团队收集了151例男性患者(平均年龄65±8岁)的bpMRI数据，以放射科医师判读和组织病理学结果作为金标准，令人振奋地发现：模型对PI-RADS≥3和PI-RADS≥4病灶的曲线下面积(Area Under Curve, AUC)分别达到0.86(95%置信区间0.80-0.92)和0.91(0.85-0.96)，对临床显著前列腺癌(clinically significant PCa, csPCa，定义为Gleason评分≥7)的检测灵敏度更飙升至0.87。虽然特异性0.53显示存在假阳性问题，但Fleiss' kappa值0.51揭示其诊断稳定性已接近中等一致性水平。这项研究犹如打开潘多拉魔盒，不仅证实了AI模型在癌症影像诊断中的巨大潜力，更通过开源策略邀请全球研究者共同优化模型——就像为医学AI社区种下了一棵知识树，未来必将结出更丰硕的果实。特别值得注意的是，模型生成的病灶概率图如同"热力图导航仪"，能直观指引放射科医师关注可疑区域，这种人机协作模式或将重塑前列腺癌的早期诊断范式。