Detection of extraprostatic extension of prostate cancer by transfer learning AI models versus radiologists on biparametric and multiparametric MRI
本研究表明，无分割迁移学习人工智能模型在检测双参数及多参数 MRI 中的前列腺癌前列腺外侵犯方面，其表现与经过专科培训的放射科医师相当，且在包含增强扫描序列时呈现出准确性提高的持续趋势。
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
前列腺癌是美国男性中最常见的癌症，而确定疾病扩散的程度是决定治疗方案的关键步骤。当肿瘤局限于前列腺腺体内时，医生通常可以通过手术将其切除，并保留重要的神经。然而，如果癌症已经突破了腺体的外边界，即所谓的“前列腺外侵犯”（extraprostatic extension），治疗方案就必须改变。外科医生可能需要切除更宽的组织边缘，患者可能还需要接受放射治疗或激素治疗等额外疗法，以防止癌症复发。几十年来，医生一直依赖磁共振成像（MRI）来发现手术前的这些扩散迹象。虽然这些扫描技术功能强大，但解读起来却非常困难。肿瘤突破腺体边缘的迹象可能非常细微，即使是经验丰富的专家有时也会漏诊或在观察结果上产生分歧。
为了应对这一挑战，来自纽约大学格罗斯曼医学院和华盛顿大学的研究团队试图研究人工智能是否能够达到人类放射科医师在检测此类特定癌症扩散方面的水平。他们专注于两种类型的 MRI 扫描：一种是使用多种数据类型的标准版本，另一种是使用更少序列、速度更快且成本更低的精简版本。研究人员构建了计算机模型，能够从数千份过往患者的扫描图像中学习，以识别与癌症向腺体外扩散相关的模式。他们的目标不仅是看机器能否学会识别，还要确定它们是否可以在不需要人类首先在图像上绘制详细的前列腺或肿瘤轮廓的情况下实现这一目标，因为手动勾勒轮廓的过程既缓慢又容易产生人为误差。
该研究涉及了一大组在 2015 年至 20-23 年间接受过前列腺 MRI 扫描并随后进行了前列腺切除手术的患者。这种手术切除提供了“金标准”（ground truth），使研究人员能够准确得知哪些患者的癌症已经扩散，哪些没有。团队将这些数据分为不同的组别，用于训练和测试他们的计算机模型。他们创建了两个版本的人工智能系统。第一个版本仅观察精简版 MRI 的图像，该版本捕捉了前列腺的结构以及水分子在其中的运动情况。第二个版本则在这些图像的基础上，增加了第三种显示前列腺吸收对比剂情况的扫描类型。至关重要的是，这两个版本都不需要人类在屏幕上手动勾勒前列腺或肿瘤的轮廓。相反，计算机直接分析整个扫描体积，学习识别指示癌症突破腺体边界的细微纹理和形状。
为了评估这些计算机模型的表现，研究人员将其与三位专门从事腹部影像学的资深放射科医师进行了对比。这些专家审查了相同的测试扫描图像，首先观察精简版图像，然后观察包含对比剂在内的全套图像。他们根据癌症扩散的可能性为每份扫描报告评分。结果显示，计算机模型的表现与人类专家不相上下。这些模型检测癌症扩散的准确度与经过专业培训的放射科医师在统计学上是无法区分的。这一发现具有重要意义，因为它表明人工智能可以作为可靠的“第二双眼睛”，有望减轻医生的工作量，并确保减少漏诊扩散病例的情况。
研究人员还调查了添加对比剂图像是否有助于诊断。对于人类读者和计算机模型而言，观察包含对比剂在内的全套图像都会使准确度略有提升。人类的识别能力增强了，计算机模型也变得更加精准。然而，这种提升并不显著，不足以仅凭目前的数据就宣布其为决定性的变革。研究还发现，计算机模型在识别较大面积的扩散方面表现尤器出色，而人类和机器在面对极小的、局灶性的扩散区域（即癌症刚刚开始刺破边界的部位）时都显得较为吃力。这种对微小局灶性病例的处理困难是该领域的已知局限性，因为这些极其微小的迹象在任何扫描图像中本质上都很难被观察到。
这项工作最显著的特点之一在于计算机模型的训练方式。与许多以往需要医生花费数小时在图像上绘制精确的前列腺和肿瘤边界的做法不同，这些模型直接从原始图像和最终的手术结果中学习。这种被称为“弱监督学习”（weakly supervised learning）的方法意味着系统无需通过手动勾勒轮廓这一瓶颈，就能学会识别疾病。研究人员还测试了在计算机分析中加入一种简单的血液检测指标——前列腺特异性抗原（PSA）密度，是否会有所帮助。虽然加入这一临床数据确实略微提升了模型的性能，但图像本身仍然是诊断的主要驱动力。
研究结论指出，这些无需分割（segmentation-free）的人工智能模型是检测癌症扩散的有效工具，其表现与专家级放射科医师持平。虽然添加对比剂和临床数据带来了微小的增益，但核心发现是，机器可以在无需耗时的手动追踪步骤的情况下，学会识别专家所看到的特征。研究人员承认，他们的工作是在单一医疗中心完成的，这些模型需要在不同医院和使用不同类型 MRI 设备的场景下进行测试，以确保其普适性。他们还指出，这项研究是回顾性的，即基于过往数据进行的，未来的工作应侧重于优化模型，以捕捉那些最小、最难发现的扩散病例。目前来看，这项工作证明了人工智能已达到能够与人类专家在高度复杂的诊断任务中并驾齐驱的水平，为提供更一致、更便捷的癌症护理开辟了一条充满希望的路径。
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。