人工智能在前列腺 MRI 中的任务

精准医学的出现、不断增加的临床需求和成像的可用性以及前列腺癌诊断途径中的许多其他因素促使了人工智能 (AI) 的利用。人工智能在前列腺癌诊断途径的每一步都有大量潜在应用，从分类/改善前列腺多参数磁共振图像质量、前列腺分割、解剖学分割癌症可疑病灶、检测和区分体素上临床上不显着的癌症和临床上显着的癌症-级，并将整个病变分类为前列腺成像报告和数据系统类别/格里森评分。所有这些领域的多项研究表明，许多有希望的结果接近放射科医生的准确度。尽管这项研究蓬勃发展，但仍需要更多前瞻性多中心研究来揭示 AI 在提高放射科医生绩效和前列腺癌临床管理方面的全部影响和效用。在这篇叙述性评论中，我们旨在介绍新兴的医学影像 AI 论文质量指标，例如医学影像人工智能清单 (CLAIM) 和领域加权引文影响 (FWCI)，深入研究一些顶级 AI 模型进行细分，检测、分类。

人工智能 (AI) 是一个涵盖机器学习 (ML) 和深度学习 (DL) 的总称。传统的 ML 方法通常需要几个预处理步骤，包括解剖分割和特征提取，而 DL 是 ML 的一个子领域，不一定依赖于手工制作的特征并独立识别特征以生成所需的输出预测[ 1、2 ]。DL 比 ML 更常见，它利用人工神经网络，这些人工神经网络使用受生物神经网络启发并部分建模的统计模型。人工神经网络的使用允许近似输入和输出之间的非线性关系 [ 3]. 前列腺癌 (PCa) 管理的一个主要挑战是缺乏可以区分临床显着 PCa (csPCa) 和临床无显着 PCa (cisPCa) 的非侵入性工具，从而导致过度诊断和过度治疗。csPCa 有许多不同的定义，范围从 Gleason 评分≥ 6 或 ≥ 7 到各种临床因素，包括前列腺特异性抗原 (PSA) 截断值、前列腺外扩展的存在和活检核心癌症百分比 [ 4 ]。在大多数研究中，csPCa 最常见的定义是 Gleason 评分 ≥ 7。

人工智能可以解决前列腺癌诊断途径中的许多挑战和潜在的改进，其共同目标是可能减少 cisPCa 过度诊断和 csPCa 诊断不足。AI 可能有助于改进良性和恶性实体的癌症检测和/或分类，它可能有助于在磁共振成像 (MRI) 扫描中分割可疑病灶和正常解剖结构，以执行体积估计或利用经直肠超声引导的治疗计划等任务活检[ 5 ]。AI 还可以帮助初步评估或分流前列腺多参数 MRI (mpMRI) 病例（即，挑选/识别具有更多非典型图像特征的前列腺 MRI 检查）和图像质量（即., 将 mpMRI 扫描分类为诊断性与非诊断性）[ 6 – 8 ]。PCa 诊断路径中的所有这些步骤可能会受到各种来源的低读者间协议的影响，AI 也可能能够改进这些来源。一旦证明了 AI 系统的临床疗效，就可以将临床部署设想为一个伴随系统，该系统在放射科医师进行临床阅读期间为他们创建注意框/地图，作为提供独立诊断的第二个阅读器，或者可以用作患者分诊系统 [ 9 ]。

在这篇叙述性评论中，我们介绍了新兴的医学影像 AI 论文质量指标，例如医学影像人工智能清单 (CLAIM) 和领域加权引文影响 (FWCI)，深入研究了一些用于分割、检测的顶级 AI 模型，和分类，并提及放射科医生工作流程中的潜在影响领域（图 1）。

图 1

组合多参数磁共振成像的三个序列的潜在人工智能输出示例，其中 ( A ) 代表识别边界框的检测臂，( B ) 代表病变分割臂，( C ) 代表分类臂从预注释的边界框、病变分割或完整的非注释图像中对病变进行分类的能力。EPE前列腺外扩张、GS Gleason 评分、ISUP国际泌尿病理学会、PI-RADS前列腺影像报告和数据系统

图 2

人工智能驱动的前列腺分割对放射科医生工作流程的潜在影响。一名血清 PSA 为 13.5 ng/mL 的 6 岁男性患者：多参数 MRI（T2 加权序列、ADC 图；以及使用b = 1,500 s/mm 2获得的弥散加权图像）( A )；可以运行全前列腺器官和病变检测/分割的手动分割或 AI ( B ); 分割输出有助于计算变量，如 PSA 密度和最大病变尺寸和分类（AI 可以潜在地分配 PI-RADS 分数或预测前列腺外扩展的怀疑以生成报告（C）；输出分割可用于注册到用于 TRUS/MRI 融合引导活检的超声 (D）。AI人工智能、ADC表观扩散系数、MRI磁共振成像、PI-RADS前列腺影像报告和数据系统、PSA前列腺特异性抗原、TRUS经直肠超声

CLAIM和FWCI

CLAIM 于 2020 年 [ 10 ] 开发，旨在帮助作者介绍研究成果并帮助审稿人审阅已发表的医学成像 AI 手稿。CLAIM 清单根据诊断准确性研究报告标准 STARD 指南进行了修改，专门用于解决 AI 在医学成像中的应用，包括分类、检测、重建和工作流程优化。该清单包含 42 条标准，这些标准应被视为或视为呈现医学影像 AI 研究的“最佳实践”[ 10 ]。这个 CLAIM 清单可以很容易地转化为 CLAIM 实现的百分比，这是一个客观评估，基于是否通过满足适用的 CLAIM 要求以被认为是“最佳实践”的方式报告论文与如果他们不这样做。

FWCI 是一种常见的 Scopus 文章指标，是收到的总引用次数与根据主题领域的平均值预计的总引用次数的比率。FWCI 为 1 意味着该论文的表现与全球平均水平的预期一致，而大于 1 意味着该论文的引用率高于全球平均水平的预期（FWCI 为 1.48 意味着该论文的引用率比预期高 48%），低于1 表示论文被引用低于全球平均水平的预期。CLAIM 和 FWCI 都可以用作文章/研究影响力和严谨性的标记，并鼓励在 AI 手稿报告和评估中使用。

总共有29篇分类/检测论文：18篇检测论文，4篇检测和分类论文，2篇没有注明。将创建分类模型的论文（n = 29）与创建检测模型的论文（n = 18）进行比较时，分类模型的平均 AUC 为 0.843（29 份报告中的n = 25），检测模型的平均 AUC 为 0.832（ n = 15 18 份报告），而分类模型的平均现场加权影响因子为 4.79（ 29 份报告中的n = 26），检测模型为 3.64（ 18 份报告中的n = 18），平均 CLAIM 完成率为 77.8%（n= 29 篇报告中的 29 篇）用于分类论文，71.2% 用于检测论文（n = 18 篇报告中的 18 篇）。

在样本论文的领域加权影响因子方面排名前 25% 的分类和检测论文以及具有最大样本量和最高 CLAIM 百分比实现率的论文在下面讨论，因为我们认为这些论文将代表最具影响力并且可能具有普遍性。此外，还介绍了新兴的细分 AI 论文，这些论文在之前的评论中没有涉及.

基于人工智能的前列腺分割

前列腺分割 AI 被开发用于提取感兴趣的解剖/病变区域，类似于手动分割，但试图解决由不同经验的读者和不同质量的 MRI 扫描引起的分割的可变性 [ 18 ]。典型的解剖学 AI 分割训练/推理工作流程如图 1 所示。的3个来自前列腺尿道分割 AI 模型 [ 19 ]。分割 AI 将尝试输出所需对象/感兴趣体积的确切轮廓（图 1）。的1个b). 前列腺及其相关结构的分割对于识别其包膜、前列腺区、尿道和前列腺内病变位置非常重要。识别这些区域有助于改善良性前列腺增生的治疗、手术和靶向活检计划、放射治疗剂量/毒性计算，以及预测癌症特异性生存和预后[ 5、20 ]。

图 3

分割 AI 的典型训练/推理/评估工作流程显示了用于前列腺尿道自动分割的三维 CNN U-Net。首先，原始 T2 加权图像经过强度归一化、尺寸缩放/裁剪的预处理，并且为了训练图像经过额外的数据增强。其次，将预处理后的图像输入 CNN，输出预测或白色分割。第三，将真实的红色尿道轮廓与 AI 预测的白色轮廓进行比较，计算损失或差异，并将该损失传回 CNN 以调整神经元权重。在最后阶段，使用 Dice 相似系数对 AI 模型进行性能评估。人工智能CNN _卷积神经网络

前列腺 MRI 的分割具有重要的临床用途，例如准确估计整个前列腺体积以计算血清前列腺特异性抗原 (PSA) 密度和 MRI 数据准备以用于经直肠超声/MRI 融合引导活检系统中的活检指导和放疗计划. 前列腺及其子器官（如尿道）的手动分割是一项耗时的任务，并且很容易出现操作者之间的差异 [ 21 ]。AI 已普遍用于前列腺分割，目前很少有针对这一耗时过程的商业解决方案 [ 7 ]。

最近，据报道基于 DL 的 AI 解决方案通常可以为前列腺及其区域的分割提供强大的性能。在 Wang 等人的一项研究中。[ 11 ]，具有深度监督的三维 (3D) 全卷积网络被用于开发用于 T2 加权 MRI 的全自动前列腺分割模型。作者报告了整个前列腺的 AI 模型和手动分割之间的平均 Dice 相似系数为 0.88（范围 0.83-0.93）。王等。[ 11 ]利用交叉熵损失和余弦损失的组合损失函数为了利用他们的个人优势，并尝试取得更好的定量和定性绩效。交叉熵损失通常针对体素级精度进行优化，而余弦相似性损失等其他损失函数有助于提高分割质量。在另一项研究中，Ushinsky 等人。[ 12] 开发了一种基于混合 3D-二维 (2D) U-net 的分割算法，用于在 299 名患者的 T2 加权 MRI 上自动定位和分割前列腺。与手动分割相比，基于 AI 的整个前列腺分割模型的平均 Dice 相似系数为 0.898（范围，0.890–0.908）。Ushinksy 等人的模型。developed 同时利用来自多个轴向切片的特征来更好地构建单个 2D 图像。他们说这种架构模仿放射科医生，他通常会在对一个 2D 图像做出决定之前解释多个轴向图像。最后，在 Sanford 等人的一项研究中。[ 13]，一种将 2D 和 3D 架构与迁移学习结合相结合的 DL 方法用于在 648 名患者中开发整个前列腺和过渡区分割算法。该研究报告了整个前列腺和过渡区的平均 Dice 相似系数分别为 0.931 和 0.89。这项研究采用了一种数据增强策略，该策略针对五个不同中心的 MRI 数据的腺体变形、强度变化和图像采集变化，这种新策略将整个前列腺和过渡区分割性能分别提高了 2.2% 和 3%。前列腺分割 AI 是前列腺 MRI 工作流程中研究最多的部分，目前的研究表明，基于 3D DL 的应用程序可以为放射科医生在前列腺 MRI 读出和活检计划期间的这项耗时任务提供最先进的解决方案。数字的3个说明了分割 AI 如何改进和补充放射科医生的工作流程。上面讨论的许多用于前列腺及其子器官的解剖分割的策略也适用于可疑病变分割。

前列腺内病变AI检测

用于前列腺癌检测的 AI 主要用于识别前列腺 MRI 扫描中的癌症可疑区域，不需要放射科医生事先对病变进行注释 [ 8 ]。基于 AI 的检测模型的范围可能从两类病变检测（csPCa与cisPCa）系统到多类病变检测系统，例如国际泌尿病理学会 (ISUP) 评分 [ 22 ] 或前列腺成像报告和数据系统（PI- RADS）评分 [ 16 ]。与通常提供图像中对象的准确轮廓的分割相比，基于 AI 的检测有助于在可疑对象周围创建边界框（图 1）。的1个一种）。迄今为止，一些研究已经评估了为在 mpMRI 上检测前列腺癌而开发的 AI 算法。尽管在特征提取、MRI 技术和研究人群方面存在许多差异，但这些研究证明了稳健的检出率：75% 至 80% 或更高。值得注意的是，这在报告的放射科医生表现范围内 [ 1 ]。

对于基于 AI 的检测，已经有多项验证研究调查这些 AI 是否真的对放射科医生的工作流程产生影响。在最近的一项多读者、多机构研究中，Gaur 等人。[ 23 ] 表明，当与 PI-RADS v2 [ 24 ] 分类相结合时，基于 AI 的检测提高了特异性。这种基于 AI 的检测还略微提高了放射科医生的效率，并发现 PIRADS v2 ≥ 3 的指数病变敏感性为 78% [ 23 ]。Litjens 等人。[ 25 ]和宋等。[ 26 ] 还证明，当结合基于 AI 的预测和 PI-RADS v2 时，癌症检测和 csPCa 与顺式 PCa 的区分得到改善 [ 25 , 26 ]。

进一步讨论了开发检测 AI 的顶级 AI 研究。Cao 等人的一篇 DL 论文的 CLAIM 完成率为 68.3%，FWI 为 6.04。[ 14 ] 在接受 mpMRI [ 14 ]的 417 名患者的数据集上开发了联合前列腺癌检测和格里森评分预测模型。该模型结合了 T2 加权涡轮自旋回波成像和使用扩散加权回波平面成像的表观扩散系数 (ADC) 映射，并将它们堆叠为不同的成像通道，然后输入端到端的多类 FocalNet美国有线电视新闻网。Cao 等人的一个独特补充。[ 14 ] made 就是他们所说的相互寻找损失. 它试图解决 mpMRI 的不同组件（T2 加权和扩散加权序列、ADC 图、动态对比增强序列）捕获不同信息并且当堆叠在多通道 AI 中时只有一部分信息在所有组件之间共享的挑战检测（图的1个一种）。因此，在一个组件中可观察到的结果可能在其他组件中部分可观察或不可观察。在端到端 AI 模型训练期间，Cao 等人提出的具有堆叠组件的 CNN。[ 14 ] 可以学习跨组件的共同特征，有效地模拟放射科医生阅读 mpMRI 的正常过程，基于 mpMRI 子组件的各种成像发现的组合。对于组织病理学证实的指标病变和临床显着病变的检测，他们的 FocalNet 在每位患者出现一次假阳性时达到了 89.7% 和 87.9% 的灵敏度，并且显示灵敏度仅比经验丰富的放射科医生使用 PI-RADS v2 的灵敏度低 3.4% 和 1.5% [ 14]. Ishioka 等人的另一篇 DL 检测论文，其 CLAIM 完成率为 75%，FWI 为 7.69。[ 15 ] 通过将 U-net 与 ResNet50 相结合展示了 AI 网络集成的强大功能，并引入了神经网络可解释性和概率图。U-net 有可能区分整体和局部骨盆结构，然后 ResNet 可以重新构造 CNN 层以将它们学习为残差函数，而不是学习未引用的函数。人们普遍认为，残差函数允许 AI 与中间 CNN 层通信，从而有助于消除 AI 中的梯度消失问题。Ishioka 等人的一项独特贡献。[ 15] 是 CNN 中特征和概率图的可视化，作为解释 AI 最常使用哪些成像特征进行预测的一种方式 [ 15 ]。这些特征图对于试图解释神经网络的逻辑结构至关重要，神经网络通常表示为“黑匣子”，可能表现为特征图、显着性图或概率图 [见图 1]。的4个显示 AI 检测的概率图]。总体而言，前列腺内病变检测是前列腺 MRI 读数中最关键的步骤之一，它需要大量的专业知识，并且通常容易出现观察者间差异。目前，这项任务存在相当多的基于研究的人工智能模型，但要记录它们对改善临床管理的实际影响，主要包括活检决策，需要前瞻性和多中心研究。

图 4

多通道前列腺病变计算机辅助检测模型输出前列腺区域的概率图和轮廓以进行解释

前列腺内病变AI分类

前列腺内病变分类 AI 模型用于对完整图像进行分类或对预先注释的感兴趣区域进行分类，范围从两个类别（csPCa与cisPCa）到多个单独的类别（组织病理学分级，也称为 ISUP 评分或 PI-RADS 评分），如图所示在图的1个. AI 病变分类通常不执行体素级预测，但通常基于整个图像/感兴趣区域。顺式 PCa 患者是 ISUP 2 或更低的患者，通常有资格接受主动监测，而具有更高级别病变（如 ISUP 大于 2）的男性通常被建议接受积极治疗，例如局部治疗、根治性前列腺切除术或放疗 [ 8 ]。

准确的病变分类对于选择合适的管理方案很重要，因为任何一种疗法都有多种副作用。减少不必要的活检对于预防常见的活检并发症很重要，包括感染、血尿、直肠出血、血精症、下尿路症状和暂时性勃起功能障碍 [ 4 ]。Suarez-Ibarrola 等人。[ 2 ] 在文献中发现，他们所研究的算法的病变分类准确度与放射科医生使用 PI-RADS [ 2 ] 提供的准确度相当。一项索赔实现率为 68.3% 且 FWI 为 6.81的原始研究 [ 16 ] 开发了一种分类 CNN，用于 (i) 检测癌症与非癌性病变和 (ii) 区分 csPCa与惰性 cisPCa。本文设计了一种新的相似性损失函数，类似于 Cao 等人使用的相互发现损失。[ 23 ]，允许融合来自 ADC 图和 T2 加权图像的共同和一致的特征。这使得 CNN 能够“看到”PCa 在整个成像序列光谱中的真实视觉模式。否则，如果没有相似性损失函数，来自不同 mpMRI 序列（例如 T2 加权图像）的成像特征将无法填补其他功能序列（例如 ADC 图、扩散加权图像）产生的信息空白，反之亦然。

乐等。[ 16 ] 然后使用支持向量机分类器将多模态 CNN 的分类结果与基于手工特征的结果相结合。来自 364 名患者（共有 463 个 PCa 病变和 450 个非癌性病变）的广泛临床数据集的实验结果表明，他们的系统在区分癌组织和非癌组织方面可以达到 89.9% 的灵敏度和 95.8% 的特异性。关于 csPCa与cisPCa，他们实现了 100.0% 的灵敏度和 76.9% 的特异性。与仅依赖手工特征的最先进方法相比，本文还展示了卓越的性能 [ 16 ]。另一项原创性研究 [ 17] 以 70.6% 的 CLAIM 实现百分比和 23.12 的 FWI 开发了 XmasNet，这是一种基于 CNN 的新型深度学习架构，用于 MRI 上前列腺病变的分类。这项研究表明，凭借通过 3D 旋转和切片增强数据的优势，他们的 XmasNet 优于基于工程特征的传统 ML 模型。他们的 XmasNet 优于来自 33 个参与组的 69 种方法，并在 2017 年 PROSTATex 挑战中获得第二高的 AUC (0.84)。与前列腺内病变检测 AI 模型一样，针对前列腺内病变分类任务定义了几种基于研究的 AI 算法，需要进一步研究来描述这些 AI 模型在放射科医生表现中的优势。

推进未来的 AI 研究

AI 可能在进一步改善前列腺 MRI 对局部 PCa 临床管理的贡献方面发挥重要作用。前列腺 MRI AI 的大部分工作揭示了前列腺 MRI 解释和活检数据处理的各种任务的有希望的结果；然而，这项工作中只有相当有限的部分已经到达临床的实际转化阶段，因此人工智能对前列腺 MRI 工作流程的明显好处还有待证明。为此，“必须”之一是在前瞻性临床试验中证明 AI 的益处。潜在的好处可以列为与放射科医生相比提高的性能以及减少读出时间和读者间差异。与 AI 一起舒适地向前发展将需要这种关键的前瞻性多中心评估。

结论

AI 是前列腺 MRI 的一个常见研究主题，几个小组报告了用于前列腺分割、前列腺内病变检测和分类任务的 AI 模型，并取得了有希望的结果。所讨论应用程序中的一些最佳模型利用 3D AI 模型和特殊损失函数，它们试图结合发现并填补由不同 mpMRI 序列引入的空白。需要采用多中心设计的前瞻性研究来描述人工智能对放射科医生的表现和前列腺癌临床管理的影响。

Belue MJ, Turkbey B. Tasks for artificial intelligence in prostate MRI. Eur Radiol Exp. 2022 Jul 31;6(1):33. doi: 10.1186/s41747-022-00287-9. PMID: 35908102; PMCID: PMC9339059.