提升外周区PI-RADS 3+1病灶风险分层：专家术语词典构建、多阅片者验证及人工智能贡献分析

本研究针对PI-RADS v2.1标准中外周区PI-RADS 3病灶因DCE-MRI阳性升级为4分(3+1病灶)的临床争议，通过专家共识构建特征词典，结合多阅片者评估与AI模型验证，发现T2w不规则/微叶状/毛刺状形态等关键影像特征可显著提升sPC预测效能，并证实mpMRI-AI模型较bpMRI更具潜力。该研究为临床决策提供新型风险分层工具，发表于《Cancer Imaging》。

　　

前列腺癌(PCa)诊断领域长期存在一个"灰色地带"：根据PI-RADS v2.1标准，外周区(PZ)病灶若在扩散加权成像(DWI)表现中等可疑(PI-RADS 3分)，但动态对比增强(DCE)显示局灶性早期强化时，会被强制升级为4分(即3+1病灶)。这种"非黑即白"的判定方式引发临床困境——研究表明这类病灶的实际恶性风险显著低于典型PI-RADS 4病灶，导致大量不必要的活检或漏诊风险。更棘手的是，DCE序列的解读高度依赖经验，在炎症与早期癌变的鉴别中尤显困难，这促使研究者思考：能否通过精细化特征分析打破这种二元判断的僵局？

德国癌症研究中心的Philip A.Glemser团队在《Cancer Imaging》发表的研究给出了创新解决方案。研究人员从2016-2018年连续3T MRI检查中筛选出83例患者共94个临床报告的3+1病灶，采用"三步走"策略：首先由资深影像专家(14年与8年经验者)通过共识阅片构建包含14类特征的术语词典(如图1所示)，涵盖T2加权像(T2w)形态学、DWI信号模式、DCE时序特征等三维度指标；随后由两位独立放射科医师(>5年经验)应用该词典进行盲法评估；最后将人工特征与双参数(bpCNN，含T2w/DWI)和全参数(mpCNN，增加DCE)深度学习模型预测进行整合分析。所有病灶均通过平均24.7针的系统性经直肠超声融合活检(TRUS/MRI-biopsy)获得组织学验证，其中29%检出具有临床意义的PCa(sPC，ISUP分级≥2)。

关键技术方法包括：1) 3T多参数MRI标准化采集(T2w/DWI/DCE)；2) 专家共识构建的94项特征词典开发；3) 五折交叉验证训练的nnUNet架构CNN模型(bp/mp双版本)；4) 基于扩展融合活检的病理金标准验证；5) Lasso回归模型筛选关键预测因子。

研究结果呈现三大突破：

特征词典验证

专家共识阅片将临床原始报告的94个3+1病灶重新分类为：PI-RADS 2分18例、3分21例、4分60例，对sPC的敏感度达96.3%。单阅片者应用词典后虽特异性提升(最高89.6%)，但敏感度波动显著(29.6%-85.2%)，反映术语标准化可减少诊断变异。

关键特征挖掘

多变量分析锁定三个核心预测因子：T2w"不规则/微叶状/毛刺状"形态(T2cims)的比值比(OR)高达9.0，其阳性病灶中57.1%为ISUP≥2(表4)；"DWI黑白分明信号"(DWIbaw)与"均匀可疑T2w低信号"(T2thsT2h)分别使sPC风险增加1.1-1.25倍。值得注意的是，DCE衍生特征未进入最终模型，而前列腺体积(OR 0.89)是唯一有预测价值的临床参数。

AI协同效应

如图3所示，纯mpCNN模型(AUC 0.68)优于bpCNN(0.64)，当结合人工特征时，mpCNN增强模型(AUC 0.71)显示出最佳性能。典型案例(图4)显示mpCNN能更准确识别T2w毛刺状病灶的恶性潜能，而图5则证实其对炎症性假阳性的鉴别能力。

讨论部分揭示了双重范式转变：首先，通过术语词典将PI-RADS 3+1这类"模糊标签"转化为可量化的风险连续谱，如构建的列线图(Supplemental Fig.3)可计算个体化sPC概率；其次，发现影像医师对DCE信息的利用率不及AI算法，提示未来或可借助AI挖掘DCE的潜在价值。该研究局限性在于单中心设计，但为后续多中心验证奠定基础——正如作者强调，在PSA筛查争议不断的今天，这种"精准分流"策略可能改变3+1病灶的临床管理路径，使更多患者避免过度诊疗。