根据今天发表在北美放射学会(RSNA)期刊《Radiology》上的一项研究，深度学习模型在MRI上检测具有临床意义的前列腺癌方面的表现达到了腹部放射科医生的水平。研究人员希望该模型可以作为放射科医生提高前列腺癌检测的辅助手段。

前列腺癌是全球男性中第二大常见癌症。放射科医生通常使用一种结合不同MRI序列(称为多参数MRI)的技术来诊断具有临床意义的前列腺癌。结果通过前列腺成像报告和数据系统2.1版(PI-RADS)表达，这是一种标准化的解释和报告方法。然而，使用PI-RADS进行病变分类有其局限性。

将人工智能(AI)算法应用于前列腺MRI显示出改善癌症检测和减少观察者可变性的希望，这是人们如何测量或解释可能导致错误的事物的不一致。然而，现有人工智能方法的一个主要缺点是，病变需要由放射科医生或病理学家在最初的模型开发时进行注释(添加注释或解释)，并在临床实施后的模型重新评估和再培训期间再次进行注释。

“放射科医生在解释时对可疑病变进行注释，但这些注释并不经常可用，因此当研究人员开发深度学习模型时，他们必须重新绘制轮廓，”高桥博士说。此外，在准备数据集时，研究人员必须将成像结果与病理报告联系起来。如果存在多个病变，将MRI上的病变与其相应的病理结果相关联可能并不总是可行的。而且，这是一个耗时的过程。”

Takahashi博士及其同事开发了一种新型的深度学习模型，可以在不需要病变位置信息的情况下预测临床上重要的前列腺癌的存在。他们将其与腹部放射科医生的表现进行了比较，这些放射科医生在一个学术机构的多个地点对一大批没有已知临床意义的前列腺癌患者进行了MRI检查。研究人员训练了一个卷积神经网络(CNN)——一种复杂的人工智能，能够识别超出人眼能力的图像中的细微模式——来预测多参数MRI中具有临床意义的前列腺癌。

在5215例患者的5735次检查中，1514次检查显示有临床意义的前列腺癌。在400次检查的内部测试集和204次检查的外部测试集上，深度学习模型在临床意义的前列腺癌检测中的表现与经验丰富的腹部放射科医生的表现没有差异。深度学习模型和放射科医生的发现相结合，在内部和外部测试集上的表现都优于放射科医生。

由于深度学习模型的输出不包括肿瘤位置，研究人员使用了一种称为梯度加权类激活图(Grad-CAM)的东西来定位肿瘤。研究表明，对于真阳性检查，Grad-CAM一致突出临床显著的前列腺癌病变。

高桥博士认为该模型是放射科医生的潜在助手，可以通过提高癌症检出率和减少假阳性来帮助提高MRI的诊断性能。

“我不认为我们可以把这个模型作为一个独立的诊断工具，”高桥博士说。“相反，该模型的预测可以作为我们决策过程中的辅助工具。”

研究人员继续扩大数据集，现在的数据集是最初研究中使用的病例数量的两倍。下一步是一项前瞻性研究，研究放射科医生如何与模型的预测相互作用。

Takahashi博士说:“我们希望将模型的输出呈现给放射科医生，评估他们如何使用它进行解释，并将放射科医生和模型的综合表现与放射科医生单独预测具有临床意义的前列腺癌进行比较。”

“全自动深度学习模型在MRI上检测具有临床意义的前列腺癌。”与高桥博士合作的有Jason C. Cai医学博士、hirosugu Nakai医学博士、Shiba Kuanar医学博士、Adam T. Froemming医学博士、Candice W. Bolan医学博士、Akira Kawashima医学博士、Hiroaki Takahashi医学博士、Lance A. Mynderse医学博士、Chandler D. Dora医学博士、Mitchell R. Humphreys医学博士、Panagiotis Korfiatis医学博士、Pouria Rouzrokh医学博士、m.p.h.医学博士、Alexander K. Bratt医学博士、Gian Marco Conte医学博士和Bradley J. Erickson医学博士。

点击分享到