European Radiology：深度学习算法在前列腺MR体积评估方面的价值

众所周知，前列腺体积（PV）是良性和恶性前列腺疾病检查中的一个重要参数。将前列腺特异性抗原（PSA）值和前列腺体积结合起来，可以得到PSA密度（PSAD），较高的PSAD常提示前列腺癌的风险较高。现阶段，PSAD是决定哪些病人要接受活检的一个越来越重要的因素。然而，临床上常推荐“MR优先”，即患者在接受活检前接受磁共振成像（MRI），这使得MRI成为确定PV的基石。在MRI上评估PV最准确的方法是手工测绘，即放射科医生使用外部软件在T2加权MRI上手工勾勒出三个平面的前列腺边界。然而，人工测绘过于耗时，无法成为临床常规的现实选择。

在过去的几年里，人们对基于人工智能（AI）的算法在放射学中的发展越来越感兴趣。影像学中最常用的人工智能方法是基于深度学习的卷积神经网络算法。一些研究表明，人工智能在自动辅助光伏评估方面表现良好，但关于外部验证、通用性以及算法在异质数据的不同临床背景下的表现仍然存在问题。美国食品和药物管理局（FDA）批准的算法数量继续增，然而人们越来越关注算法在临床环境中的真实表现。

近日，发表在European Radiology杂志的一项研究评估了深度学习算法在基于PI-RADS 2.1的椭圆体公式（EF）上计算PV的能力及价值，为临床快速、准确、便捷的对患者进行风险分层及评估提供了技术支持。 

本项研究纳入了124名接受根治性前列腺切除术和前列腺术前MRI（多中心和多扫描仪MRI的1.5和3T）的患者，并分别回顾性地收集了8种不同的PV测量方法。两位放射科医生通过深度学习算法（PV_DL）和椭圆体公式获得的体积（PV_EF1和PV_EF2）与一位放射科医生通过手动平面测量获得的参考标准PV（PV_MPE）之间的一致性进行了评估。使用前列腺切除术标本作为参考标准，进行了敏感性分析。评估了使用椭圆体公式的放射科医生之间以及进行手工测绘的医生和无经验的放射科医生之间的读数一致性。

使用参考标准PV_MPE，PV_DL显示出比PV_EF1和PV_EF2更好的一致性和精确性（平均差异[95%的协议范围]PV_DL：-0.33 [-10.80; 10.14]，PV_EF1：-3. 83 [-19.55; 11.89], PV_EF2: -3.05 [-18.55; 12.45]）或根据标本重量确定的PV（PV_DL: -4.22 [-22.52; 14.07], PV_EF1: -7.89 [-30.50; 14.73], PV_EF2: -6.97 [-30.13; 16.18]）。两位有经验的放射科医生使用椭圆体公式时，阅读者之间的一致性很好，当专家和没有经验的放射科医生进行手动平面测量时，一致性也不错。

 图 比较两种测量前列腺体积的方法：自动深度学习（PV_DL）和两位放射科医生进行的手动椭圆体公式（PV_EF1和PV_EF2）的Bland Altman图。实线代表不同方法之间的平均差异，虚线代表协议极限，计算为平均差异±1.96SD。虚线代表方法之间没有差异

研究表明，与体内和体外参考标准相比，深度学习算法与基于PI-RADS 2.1的椭圆体公式评估的PV可达到相似的诊断效果，将有助于放射科医生资源的重新分配，使其承担比手动测量PV更复杂的工作任务。

原文出处：

Erick Thimansson,J Bengtsson,E Baubeta,et al.Deep learning algorithm performs similarly to radiologists in the assessment of prostate volume on MRI.DOI:10.1007/s00330-022-09239-8