利用表示学习技术处理双参数前列腺磁共振成像（bi-parametric prostate MRI），以消除PI-RADS 3评估结果的歧义并优化活检决策策略

《International Ophthalmology Clinics》：Leveraging Representation Learning for Bi-parametric Prostate MRI to Disambiguate PI-RADS 3 and Improve Biopsy Decision Strategies

前列腺MRI深度学习模型通过PI-RADS指导的学习有效区分中危病例，在检测csPCa的AUC（0.73-0.88）显著优于放射科医生和临床模型，减少41%和27%的良性活检，同时保持高灵敏度。

　　```section>

摘要 通俗语言总结

---

目标：

尽管磁共振成像（MRI）在检测临床显著的前列腺癌（csPCa）方面具有较高的阴性预测值（NPV），但它仍然存在大量的假阳性结果，尤其是在中等风险病例中。在这项研究中，我们探讨了使用基于PI-RADS的表示学习方法训练的深度学习模型是否能够明确PI-RADS 3分类的结果，从双参数前列腺MRI图像中检测出csPCa，并避免不必要的良性活检。

材料与方法：

本研究纳入了2015年至2023年间在我们机构接受检查的21,938名男性的28,263份MRI检查报告和放射学报告（这些男性被怀疑或确诊患有前列腺癌，检查在21个影像中心进行，由34名放射科医师完成），其中共有6,352例进行了后续活检。我们训练了一个深度学习模型（表示学习器，RL），该模型通过分析放射科医师对风险评估有信心的病例（PI-RADS 1和2表示无csPCa，PI-RADS 4和5表示有csPCa，共21,465例）来学习他们如何解读常规获取的T2加权及扩散加权MRI图像。随后，我们使用这些学习到的图像表示方法训练了用于检测csPCa（Gleason评分≥7）的模型，并将其性能与放射科医师的诊断结果以及基于其他临床变量（年龄、前列腺体积、PSA水平和PSA密度）训练的模型进行了比较。这些测试队列包括仅包含PI-RADS 3病例（n=253，其中csPCa病例103例）和所有PI-RADS病例（n=531，其中csPCa病例300例）。

结果：

在两个测试队列（仅包含PI-RADS 3病例和所有PI-RADS病例）中，基于RL的活检决策模型在检测csPCa方面的AUC值始终高于放射科医师（AUC分别为0.73 [0.66, 0.79] 和 0.88 [0.85, 0.91]）和基于临床变量的模型（AUC分别为0.69 [0.62, 0.75] 和 0.78 [0.74, 0.82]）。在仅包含PI-RADS 3病例的队列中，根据我们机构的标准治疗方案，所有病例都需进行活检；与放射科医师相比，基于RL的模型避免了41%（62/150例）的良性活检（P<0.001），并且活检的阳性率提高了10%（从0.50%提高到0.75%）。此外，在所有PI-RADS病例的队列中，基于RL的模型避免了27%的额外良性活检（138/231例，P<0.001），同时保持了与放射科医师相当的敏感性（93% vs 92%）、更高的阴性预测值（0.87 vs 0.77）和活检阳性率（0.75 vs 0.64）。结合临床信息和基于RL的模型决策方法后，进一步避免了46%（仅包含PI-RADS 3病例）和62%（所有PI-RADS病例）的良性活检，同时提高了两个队列的阴性预测值（0.82 vs 0.88）和活检阳性率（0.52 vs 0.76）。

结论：

我们开发的基于PI-RADS的深度学习模型能够从双参数前列腺MRI图像中提取有意义的表示信息，从而帮助明确中等风险PI-RADS 3分类的结果。这种基于RL的活检决策模型在避免良性活检方面表现优于放射科医师，并且在所有PI-RADS病例中保持了与放射科医师相当的敏感性。此类人工智能模型可以轻松整合到临床实践中，辅助放射科医师的诊断工作，提高任何存在不确定性的病例的活检效率。

通俗语言总结：本研究探讨了深度学习模型是否能够提高MRI检测临床显著前列腺癌（csPCa）的准确性，并减少不必要的活检。通过分析超过28,000份MRI检查数据，该模型被训练为像放射科医师一样解读图像，重点关注经常存在争议的PI-RADS 3病例。该模型在识别csPCa方面的AUC值高于放射科医师和基于临床变量的模型，避免了41%的良性活检（在PI-RADS 3病例中）和27%的良性活检（在所有PI-RADS病例中）。这种人工智能方法可以通过优化活检决策来改进临床实践，减少不必要的医疗程序。

本文内容由机器生成，可能存在不准确之处。常见问题解答

```