基于深度学习的前列腺癌患者CT图像中前列腺切除术的自动检测

《Physical and Engineering Sciences in Medicine》：Deep learning for automatic detection of prostatectomy in CT images of prostate cancer patients

　　

从计算机断层扫描（CT）图像中提取解剖参考是CT和前列腺癌混合成像的完全自动化图像分析解决方案中的关键步骤。多种基于深度学习的应用可用于执行CT中不同解剖结构的分割，但它们可能对接受过前列腺切除术治疗的患者术后扫描产生错误的前列腺分割。在本研究中，研究人员旨在系统评估最先进的CT分割工具TotalSegmentator在前列腺切除术后患者中的表现，并探讨使用卷积神经网络（CNN）从CT图像自动检测前列腺切除术的可能性。研究人员收集了542名患者的CT图像数据集，其中269名接受了机器人辅助腹腔镜根治性前列腺切除术（RP），194名仅接受放疗和/或雄激素剥夺治疗，79名为未治疗患者。研究人员使用TotalSegmentator对所有患者进行多器官分割，计算前列腺分割最大连通分量的体积，并通过五折交叉验证研究使用体积截止阈值来检测RP。此外，研究人员训练并评估了一个轻量级CNN，用于对接受和未接受RP治疗的患者进行分类。根据研究结果，TotalSegmentator对98.5%接受RP治疗的患者产生了错误的前列腺分割。RP队列的前列腺分割显著小于其他两个队列（12.1 ± 5.8 cm³ vs. 22.8 ± 8.9 cm³ 和 22.4 ± 10.9 cm³，p值：1.3e?17和2.1e?17）。使用TotalSegmentator前列腺体积的截止阈值得到的RP检测准确率为77.5 ± 1.3%，灵敏度为83.0 ± 3.9%，特异性为72.2 ± 3.5%，精确度为74.4 ± 3.1%，受试者工作特征曲线下面积（auROC）为84.1 ± 2.3%。相反，研究人员提出的CNN方法检测RP的准确率为86.5 ± 4.2%，灵敏度为78.9 ± 12.5%，特异性为93.5 ± 3.9%，精确度为92.7 ± 3.9%，auROC为95.1 ± 1.7%，根据DeLong检验，在统计学上显著优于阈值方法（5个p值中有4个<0.045）。总之，TotalSegmentator对接受RP治疗的患者系统性地产生错误的前列腺分割，但通过使用CNN，仅基于CT数据即可自动检测RP。这使得能够自动校正TotalSegmentator掩膜。如果进一步开发，研究人员的CNN方法可以提供独立应用程序，有效识别前列腺切除术的存在，而无需查阅治疗记录，从而有助于开发全自动图像分析工具。

前列腺癌是日益常见的恶性肿瘤，预估到2030年新发病例将超过175万。为减少过度治疗，需要精准识别侵袭性前列腺癌、准确测量肿瘤体积并早期发现转移。人工智能（AI）系统，特别是基于卷积神经网络（CNN）的方法，已被广泛应用于前列腺癌的医学图像分析，包括病灶检测、分类、分级及预后预测。在PET/CT或SPECT/CT等混合成像中，自动分割CT图像中的解剖结构是提供解剖参考的重要前提。TotalSegmentator是一种基于nnU-Net架构的开源多器官分割工具，可自动分割CT中超过100个解剖结构。然而，当患者曾接受前列腺切除术时，该工具可能产生错误的前列腺分割，因为器官已被切除。若不能识别这种错误，后续的癌症检测模型将接收错误的解剖参考，导致无法区分原发肿瘤和局部复发，从而产生偏差。因此，需要一种仅基于CT图像自动检测前列腺切除术的方法，以校正分割结果，并避免查阅患者治疗记录。

本研究旨在系统评估TotalSegmentator在前列腺切除术后患者中的分割性能，并提出了一种轻量级CNN分类器，用于从CT图像自动检测患者是否接受过根治性前列腺切除术（RP）。研究人员收集了542例前列腺癌患者的全身CT图像，其中269例曾接受RP，194例仅接受放疗和/或雄激素剥夺治疗，79例为未治疗患者。使用TotalSegmentator进行多器官分割，基于分割体积设定阈值进行RP检测，同时训练CNN进行分类。结果表明，TotalSegmentator在98.5%的RP患者中产生了错误的前列腺分割，且RP组前列腺体积显著较小。CNN方法显著优于阈值法，auROC达95.1±1.7%。该研究为自动校正分割结果、构建全自动图像分析工具提供了新思路。论文发表在《Physical and Engineering Sciences in Medicine》。

研究使用了来自芬兰图尔库PET中心（Turku PET Centre）的542例18F-PSMA-1007 PET/CT检查患者的CT数据。主要技术方法包括：（1）使用TotalSegmentator（版本2.0）对117个解剖结构进行自动分割，仅保留前列腺分割的最大连通分量并计算体积；（2）通过五折交叉验证，基于最大约登指数确定最佳体积截止阈值，以体积小于阈值判定为RP；（3）设计轻量级CNN，从每例CT中提取10张连续的横断面图像（128×128像素），经4组卷积-池化层和4个全连接层输出RP概率。训练采用五折交叉验证，使用Adam优化器最小化二元交叉熵损失。评估指标包括准确率、灵敏度、特异性、精确度和auROC。

Results of TotalSegmentator：通过体积分析和统计检验，TotalSegmentator在98.5%的RP患者中产生了错误的前列腺分割。RP队列的前列腺体积（12.1±5.8 cm³）显著小于非RP治疗队列（22.8±8.9 cm³）和未治疗队列（22.4±10.9 cm³），Mann-Whitney U检验的FDR校正后p值分别为1.3e?37和2.1e?17。使用体积阈值检测RP，平均准确率为77.5±1.3%，灵敏度为83.0±3.9%，特异性为72.2±3.5%，精确度为74.4±3.1%，auROC为84.1±2.3%。

Results of the proposed model：研究人员提出的CNN方法在五折交叉验证中获得了准确率86.5±4.2%、灵敏度78.9±12.5%、特异性93.5±3.9%、精确度92.7±3.9%和auROC 95.1±1.7%。DeLong检验显示，在5个验证折中，有4个折的auROC显著高于体积阈值法（FDR校正后p值范围为0.0041–0.045），另1个折p值为0.095。

讨论部分指出，CNN方法虽然auROC更高，但灵敏度相对较低，且折间变异较大，可通过调整阈值提高灵敏度。局限性包括：仅纳入机器人辅助腹腔镜RP患者，未涵盖良性前列腺增生、经尿道前列腺切除术（TURP）、高强度聚焦超声（HIFU）或冷冻治疗等其他影响前列腺体积的因素；未治疗患者均来自单一扫描仪（Discovery MI），可能引入偏倚。此外，当前方法依赖TotalSegmentator确定切片位置，未来可开发独立版本。

研究结论：研究人员研究了TotalSegmentator产生的前列腺分割以及基于CNN的分类，以在前列腺癌患者的CT