磁共振成像（MRI）是目前公认的诊断前列腺癌（PCa）的重要成像方法，为临床提供了一种非侵入性的评估并减少了患者不必要的活检。前列腺成像报告和数据系统（PI-RADS）更新到2.1版，以实现规范多参数MRI序列的获取和报告；然而，准确解读所需的高水平专业知识以及持续存在的观察者之间的差异性，限制了其诊断的一致性和可用性。

人工智能（AI）在医学诊断中的发展和多样化速度惊人，尤其是用于计算机辅助诊断（CAD）的实际应用。一些人工智能系统已被应用于PCa放射诊断，并取得了良好的效果。然而，几乎所有的研究都是在数量有限的患者中进行的，研究人员使用同一中心的扫描仪进行成像，因此难以应对现实世界中不同扫描仪和方案的挑战。同时，放射科医生之间的表现和基于人工智能的CAD方法的可能模式以及CAD的附加价值，都没有得到充分的探讨。这些缺陷大大阻碍了人工智能在该领域的应用。

近日，发表在European Radiology杂志的一项研究开发了一个用于前列腺分割和PCa检测的人工智能模型，该模型考虑了各种MR扫描方案和医疗中心之间的差异，并基于该人工智能模型探讨了可能的CAD方法和附加价值。

本项研究为一项在多中心进行的回顾性研究，包括接受了前列腺活检和多参数MRI的患者。研究训练并验证了基于卷积神经网络的人工智能模型，并在内部/外部队列中测试了不同CAD方法（同时阅读和人工智能先读）的可靠性。比较了放射科医生和基于人工智能的CAD的诊断性能、一致性和效率。 

训练/验证/内部测试集包括一个中心的650个病例（400/100/150）；外部测试包括三个中心的100个病例（25/25/50）。在诊断准确性方面，基于人工智能的CAD方法没有显示出显著的差异，在内部测试中与放射科医生相当（读者1为127/150 vs. 130/150 vs. 125/150；127/150 vs.132 /150 vs. 131/150的读者2；所有的P>0.05），而在外部测试中，同时阅读的方法优于/等于AI首读（87/100 vs. 71/100，P<0.001，读者2；79/100 vs. 69/100，P=0.076，读者1），优于/等于放射科医师（79/100 vs. 72/100，P=0.039，读者1；87/100 vs. 86/100，P=1.000，读者2）。此外，与放射科医生相比（κ=0.747，0.600），人工智能初读/同期阅读在内部测试（κ=1.000，0.830）和外部测试（κ=0.958，0.713）中都提高了一致性；人工智能初读方法（8.54秒/7.66秒）分别比读者（92.72秒/89.54秒）和同期阅读方法（29.15秒/28.92秒）快。 

图 图片显示了人工智能（AI）系统可能犯错的代表性情况。两个基于扩展的系统活检的良性前列腺增生的患者。第一行（a-c）显示人工智能将正常的中央带误诊为阳性病变，第二行（d-f）显示人工智能将神经血管束误诊为阳性病变。 a, d T2WI; b, e 表观弥散系数; c, f b值1000s/mm²图像

本项研究表明，基于人工智能的CAD可以提高准确诊断的一致性和效率，其中兼读法可以提高没有经验的放射医师在不熟悉情况下的诊断能力，为临床快速、准确的评估提供了技术支持。
原文出处：

Guiqin Liu,Shihang Pan,Rui Zhao,et al.The added value of AI-based computer-aided diagnosis in classification of cancer at prostate MRI.DOI:10.1007/s00330-023-09433-2