Multimodal Artificial Intelligence Model Integrating Multiparametric MRI Features and PSA for Differentiating Benign and Malignant Prostate Nodules
这项研究表明，一种整合了多参数核磁共振成像（MRI）的影像组学与深度学习特征以及前列腺特异性抗原（PSA）水平的多模态诊断模型，在区分良性与恶性前列腺结节方面的准确率（AUC 0.97）优于仅使用单一 MRI 序列或仅使用 MRI 的模型，为前列腺癌的诊断提供了一种具有前景的无创工具。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
前列腺癌是全球范围内导致男性疾病和死亡的主要原因之一，然而如何实现早期且准确的发现仍然是一个复杂的挑战。确认该疾病的标准方法是通过活检，这是一种通过插入针头采集组织样本的程序。虽然这种方法能提供确定的答案，但它具有侵入性，存在感染或出血的风险，并且如果针头没有刺中正确的位置，有时可能会漏诊癌症。为了避免不必要的程序，医生通常依赖于测量一种称为前列腺特异性抗原（PSA）的蛋白质水平的血液检测。然而，这种血液检测并不完美；由于良性情况（如炎症或前列腺肥大），PSA水平可能会升高，从而导致虚假警报并引发进一步的侵入性检查。近年来，先进的磁共振成像（MRI）已成为在无需手术的情况下观察前列腺内部结构的至关重要的工具。这些扫描使用不同类型的图像来展示组织的形状以及水分在其中如何移动，从而为器官提供一份详细的地图。现代医学面临的问题是，结合这些不同类型的信息——详细的图像和血液检测结果——是否可以创造出一种更智能、非侵入性的方式，来区分无害的结节与危险的肿瘤。
河北北方大学第一附属医院的研究团队致力于通过构建一个充当高度训练诊断助手的计算机模型来回答这个问题。他们收集了312名患有确诊前列腺结节（部分为良性，部分为恶性）患者的数据。对于每位患者，团队收集了以三种不同方式拍摄的MRI扫描图像：一种清晰显示解剖结构，一种突出显示水分如何在组织中移动，以及一张量化这种移动的计算图谱。他们还记录了患者的PSA血液水平。研究人员随后训练了一个人工智能系统来分析这些数据。该系统不仅仅是观察图像，它还使用了两种截然不同的方法来理解它们。一种被称为影像组学的方法，将图像分解为数千个微小的、可测量的细节，如纹理和形状。另一种方法是深度学习，它允许计算机直接从原始图像中学习模式，就像人类大脑通过观察许多例子来学习识别面孔一样。团队训练计算机将这些图像洞察力与PSA血液水平相结合，以对结节是否为癌性做出最终判断。
结果表明，计算机拥有的信息越多，它做出正确判断的能力就越强。当模型仅观察一种类型的MRI图像时，其准确度处于中等水平。例如，仅依靠水分移动图谱会产生一定的成功率，而解剖图像的表现则略好。然而，当研究人员将所有三种类型的MRI序列合并为一个综合视图时，模型区分良性和恶性结节的能力显著提高。当他们在组合中加入PSA血液检测结果时，出现了最强大的模型版本。这个最终的融合模型，将全套MRI数据与血液标志物结合在一起，实现了最高的准确度。在测试中，这种集成方法以0.97的性能评分（衡量测试区分两组能力的指标）正确识别了结节的性质。这在统计学上优于任何单一图像类型或仅使用MRI数据的表现。该研究表明，通过将MRI的视觉细节与血液检测中的生物信号相融合，计算机可以捕捉到人类读者可能忽略的模式，从而为决定谁需要活检、谁不需要活检提供一种更可靠的方式。
尽管有了这些令人鼓舞的发现，研究人员仍谨慎地指出了其工作的局限性。该研究是在一家特定的医院针对特定患者群体进行的，且计算机是在由人类专家手动勾勒出结节轮廓的图像上进行训练的。这意味着该模型的在其他医院或使用不同类型设备时的能力仍需进一步测试。此外，目前的模型是为患有单个结节的患者设计的，其在多发病灶病例中的表现尚不明确。团队还指出，虽然他们的模型非常准确，但它尚未取代作为诊断金标准的活检。相反，他们将这一工具构想为一个强大的医生助手，通过提供关于前列腺健康更清晰、非侵入性的图像，帮助减少不必要的侵入性操作次数。通过整合影像学和血液检测的优势，这种方法代表了向面对前列腺结节不确定性的男性提供更精准、更个性化护理迈出的重要一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。