《European Journal of Radiology》：Performance of a deep learning algorithm on deep learning reconstruction–accelerated prostate biparameteric MRI: A preliminary study
编辑推荐：
摘要目的评估在常规双参数磁共振成像（bpMRI）上训练的深度学习算法（DLA）在前列腺病灶检测和分类任务中，对深度学习重建（DLR）加速MRI所引入的成像输入变化的鲁棒性。材料与方法本回顾性研究纳入了141名男性患者（中位年龄70.5岁；中位前列腺特异性抗原[PSA]水平6.
摘要
目的
评估在常规双参数磁共振成像（bpMRI）上训练的深度学习算法（DLA）在前列腺病灶检测和分类任务中，对深度学习重建（DLR）加速MRI所引入的成像输入变化的鲁棒性。
材料与方法
本回顾性研究纳入了141名男性患者（中位年龄70.5岁；中位前列腺特异性抗原[PSA]水平6.6 ng/mL）。在一项检查中获取的四种bpMRI输入配置下评估了用于前列腺癌（PCa）检测和分类的DLA：常规T2加权成像（C-T2WI）联合常规扩散加权成像（C-DWI；参考组）、C-T2WI + DLR-DWI、DLR-T2WI + C-DWI、以及DLR-T2WI + DLR-DWI。通过组织病理学或≥2年的PSA随访为115例患者建立了确诊；临床显著性前列腺癌定义为Gleason分级分组≥2。在患者和病灶水平上，使用诊断指标、DLA可疑程度（LoS）、每例假阳性数（FP/case）以及交并比（IoU）进行评估。
结果
在各输入配置间，基于患者的诊断性能估计总体较为接近，尽管各指标间的差异程度有所不同。与参考配置相比，C-T2WI + DLR-DWI组的检出病灶数减少（99例 vs. 131例），同时每例假阳性数减少（0.478 vs. 0.722；P = 0.003），IoU提高（0.194 vs. 0.153；P = 0.014）。在各配置间，病灶水平的敏感性和阳性预测值差异相对较小。
结论
所评估的DLA在常规bpMRI与DLR加速bpMRI输入间的性能估计总体较为接近。然而，DLA和DLR的厂商特异性限制了其普适性，有待进一步评估。
引言
前列腺磁共振成像（MRI）已成为疑似前列腺癌（PCa）术前穿刺评估的关键影像方式。多项研究表明，术前MRI的应用可提高临床显著性前列腺癌（csPCa）的检出率，同时减少临床非显著性前列腺癌（ciPCa）的检出率 [1], [2], [3]。随着前列腺MRI的广泛应用，前列腺影像报告和数据系统（PI-RADS）已提供了标准化的解读和报告指南 [4]。此外，鉴于前列腺体积小、位于盆腔深部，且易受肠道气体、肠蠕动及患者运动等因素影响导致图像质量下降，这些因素可能掩盖小病灶，PI-RADS还推荐了技术采集参数以确保诊断充分性。
关于MRI方案，PI-RADS推荐多参数MRI（mpMRI），包括T2加权成像（T2WI）、扩散加权成像（DWI）和动态对比增强成像（DCE）[4]。遵循推荐的技术参数通常需要相对较长的采集时间，因为更高质量的图像传统上需要更长的获取时间。延长检查时间会增加运动及其他伪影的可能性，这在前列腺MRI中代表了一种实用性权衡 [5]。因此，双参数MRI（bpMRI），通常包含T2WI和DWI而不包括DCE，作为一种替代方案被提出用于前列腺癌检测，其优势在于扫描时间更短 [6], [7], [8]。与此同时，加速采集和重建技术，如基于深度学习的重建（DLR），已被开发用于在保持图像质量的同时缩短扫描时间 [9], [10]。通过利用学习到的图像先验，DLR可以对图像进行去噪和锐化处理，从而可能实现更快的采集同时保持或改善图像质量。这些技术已被应用于前列腺T2WI和/或DWI，在基于放射科医师的评估中显示出相似或改善的图像质量和可比对的诊断性能 [11], [12], [13], [14], [15], [16], [17], [18], [19], [20]。
尽管在标准化前列腺MRI解读方面做出了努力，阅片者间差异仍然存在挑战，尤其是对于经验较少的放射科医师 [21], [22], [23]。近年来，人工智能（AI）工具越来越多地应用于前列腺MRI解读。特别是，用于计算机辅助检测和诊断的深度学习算法（DLA）在MRI上的前列腺癌检测和分类方面显示出令人满意的表现，有望协助经验较少的阅片者并减少解读时间 [24], [25], [26], [27]。DLA在仅使用bpMRI输入时也显示出令人鼓舞的结果。然而，DLA的普适性可能受到域偏移的限制：DLA在内部数据集上的性能通常较高，但当DLA应用于采用不同方案或重建方法获取的图像时，性能可能下降 [28]。随着DLR加速序列在临床前列腺MRI中的日益普及，了解其对基于AI的诊断工具的潜在影响至关重要。然而，DLR重建图像引入的域偏移对使用常规MRI训练的DLA的潜在影响仍不清楚。因此，本研究旨在评估在常规bpMRI上训练的前列腺病灶检测和分类DLA对DLR加速MRI所引入的成像输入变化的鲁棒性。
章节片段
材料与方法
本回顾性研究经机构审查委员会批准（编号：PC23RISI0281），并豁免了知情同意的要求。
多名作者为西门子医疗的员工。这些作者开发并提供了本研究使用的DLA和DLR方法，以及相关的技术支持。他们未参与研究设计、数据收集、图像分析、统计分析或研究结果的解读。
受试者
共纳入141名男性患者（中位年龄70.5岁；四分位距65.0–77.3岁）（表2）。中位PSA水平为6.6 ng/mL。常规临床MRI报告的PI-RADS类别分别为：1分（n = 15）、2分（n = 37）、3分（n = 23）、4分（n = 35）和5分（n = 31）。
90例患者可获得组织病理学资料，包括穿刺活检（n = 87）和前列腺切除术（n = 35），部分患者同时接受了两种手术。在接受前列腺切除术的患者中，32例因前列腺癌接受了根治性前列腺切除术，3例接受了单纯…
讨论
本研究评估了仅在常规bpMRI上训练的前列腺MRI DLA在应用DLR加速MRI序列时的表现。在四种bpMRI输入配置下，基于患者的诊断性能估计值（包括敏感性、特异性、准确率、阳性预测值、阴性预测值和AUROC）总体较为接近，而在主要IoU阈值0.10下，病灶水平的敏感性和阳性预测值差异相对较小。在更严格的重叠标准下，敏感性下降…
CRediT作者贡献声明
Young Joon Lee：写作 – 审阅与编辑，写作 – 初稿撰写，形式分析，数据整理。Moon Hyung Choi：写作 – 审阅与编辑，写作 – 初稿撰写，调查，资助获取，形式分析，概念构思。Robert Grimm：写作 – 审阅与编辑，软件，资源。Heinrich von Busch：写作 – 审阅与编辑，软件，资源。Marcel Dominik Nickel：写作 – 审阅与编辑，软件，资源。
伦理声明
作者未从参与者或其法定代理人处获得知情同意。由于采用回顾性研究设计，机构审查委员会豁免了知情同意的要求。
人体研究
本研究遵守研究所在地相关的法律法规、监管框架和指南。
本研究经恩平圣玛丽医院机构审查委员会批准（批准编号：PC25RISI0017）。
资金支持
本工作得到了韩国国家研究基金会（NRF，由韩国政府资助）的支持（编号：RS-2025-16069396）。资助机构未参与研究设计、数据收集、分析或解读。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Moon Hyung Choi报告获得韩国国家研究基金会的资金支持。Robert Grimm、Heinrich von Busch、Marcel Dominik Nickel报告与西门子医疗的关系，包括：雇佣关系。Moon Hyung Choi报告与西门子医疗的关系，包括：资助拨款。如有其他作者，他们…
Young Joon Lee|Moon Hyung Choi|Robert Grimm|Heinrich von Busch|Marcel Dominik Nickel
韩国天主教大学医学院恩平圣玛丽医院放射科，韩国首尔
