Radiology：深度学习模型在MRI前列腺癌诊断中的应用

前列腺癌（PCa）是全世界范围内男性第二大最常见的癌症，也是导致男性癌症相关死亡的第五大原因。一些国家的指南推荐在前列腺活检前使用多参数MRI进行初级诊断。这种所谓的MRI途径可进行有针对性的活检，对临床上重要的PCa的检出率有所提高，这表明PCa诊断模式的转变。尽管前列腺MRI的好处已被多项研究证实，但解释进一步的评估以确保高诊断准确性。PCa对MRI的需求迅速增加，表明需要临床制定策略来改善诊断和工作流程效率。

完善的前列腺成像报告和数据系统（PI-RADS）旨在简化MR成像方案和报告，确保前列腺MRI报告书写及诊断的标准化。为了满足对前列腺MRI检查日益增长的需求，临床上还提出了一种缩短的双参数MRI方案，该方案无需使用T2加权和扩散加权成像（DWI）的动态增强序列。然而研究表明，病灶增强的存在会提高阅读者的信心。与多参数MRI相比，没有经验的读者使用双参数MRI的表现更差。

深度学习系统和卷积神经网络已显示出良好的诊断性能，包括PCa检测和分类。然而，他们的决定缺乏透明度，阻碍了临床采用深度学习系统来诊断PCa。因此，国际法律框架（例如，欧盟的《一般数据保护条例》）已经讨论了对可解释的深度学习系统未满足的需求以协助决策过程，以及与深度学习系统相关的医疗和法律责任。这些框架也强调了临床医生和病人有权获得对深度学习系统结果的解释。虽然可解释人工智能（XAI）方法旨在解决这些缺陷，但生成的解释一般不提供与临床诊断概念的联系，也不直接适用于放射学图像分析。

近日，发表在Radiology杂志的一项研究开发了一种基于卷积神经网络的XAI用于在双参数MRI中检测指数病变、将其分类为PCa、具有临床意义的PCa或良性病变以及根据PI-RADS特征为卷积神经网络的决定提供判析，为PCa的准确诊断及评估提供了参考依据。

本项回顾性研究纳入了2012年1月至2017年12月期间在本机构内接受双参数MRI和活检的、经组织病理学分析证实的前列腺病变的连续患者。在两名放射科医生进行图像注释后，使用一个经训练的深度学习模型来检测索引病变，并对PCa、有临床意义的PCa（Gleason评分≥7）和良性病变（例如，前列腺炎）进行分类；并使用PI-RADS特征来证明分类。使用五倍交叉验证和接收器操作特征曲线下的面积来评估基于病变和病人的性能。在一个多读取器研究中，通过使用外部PROSTATEx数据集，并测试了临床可行性。多读取器研究的统计学评估包括Mann-Whitney U和精确的Fisher-Yates测试。

1224名男性患者中（中位年龄，67岁；IQR，62-73岁）有3260个前列腺病变（372个病变的Gleason评分为6；743个病变的Gleason评分≥7；2145个良性病变）。XAI在内部（接收器操作特征曲线下的面积为0.89）和外部测试集（接收器操作特征曲线下的面积为0.87）中可靠地检测出具有临床意义的PCa，灵敏度为93%（95%CI：87，98），每个病人平均有一个假阳性发现。XAI分类的视觉和文字解释的准确率为80%（1352例中的1080例），并得到专家的确认。XAI辅助阅读提高了非专家评估PI-RADS 3病变的信心（5分Likert量表的4.1 vs 3.4；P = .007），阅读时间减少了58秒（P = .009）。

图 预测基于深度学习病变分类的特征分类器的诊断准确性。通过结合模型中使用的14个成像特征的预测价值，病变分类器的分类预测准确率为98%。然而，当排除前5名和前10名前列腺成像和报告数据系统特征时，准确率分别下降到90%和60%

研究表明，可解释的人工智能模型可靠地检测出具有临床意义的前列腺癌并进行分类，提高了非专家的信心和阅读时间，同时可利用公认的成像特征提供视觉和文字解释。

原文出处：

Charlie A Hamm,Georg L Baumgärtner,Felix Biessmann,et al.Interactive Explainable Deep Learning Model Informs Prostate Cancer Diagnosis at MRI.DOI:10.1148/radiol.222276