academic radiology：CAD在MRI前列腺癌检测中的应用

现阶段，多参数MRI（mpMRI）在前列腺癌的诊断工作中具有重要的价值，可以增强对具有临床意义的前列腺癌的检测，从而允许使用MRI引导的超声（US）融合活检对这些病灶进行准确定位。这一途径的成功取决于对mpMRI的一致评估，然而，前列腺成像报告和数据系统（PI-RADS）分类对MRI检测前列腺癌的诊断性能在不同的机构、读者经验、护理环境、MRI场强、扫描协议和PI-RADS分类版本中存在很大差异。此外，在检测过渡区的前列腺癌时，阅读者之间的一致性很差，使用较新的PI-RADS分类方案也没有改善。

由于这种差异性，多项研究已经研讨了用于病变检测和特征描述的人工智能方法协助放射医师解释前列腺MRI的能力。现阶段，纹理和直方图分析以及用于病变检测和特征的深度学习算法已被用来促进前列腺MRI的解释。一种对检测有临床意义的前列腺癌显示出良好的诊断性能的方法是计算机辅助诊断（CAD），该方法使用基于信号强度、纹理特征和空间分析的T2加权（T2W）、表观扩散系数（ADC）图和高b值（>1000s/mm²）扩散加权图像（DWI）的随机森林（RF）方法进行图像分析。这种CAD技术在轴位T2W系列上产生一个彩色图以突出前列腺内可疑的癌症区域，并为每个检测到的病变产生一个数字值提示前列腺癌的可能性。这种CAD技术不依赖增强序列，因此可以作为mpMRI或双参数MRI（bpMRI）方案的一部分，并用于不能接受静脉造影剂的患者的图像评估。

近日，发表在academic radiology杂志的一项研究评估了增加计算机辅助诊断生成的MRI图像系列提高识别具有临床意义的前列腺癌的检测性能的价值。

由9名放射科医生在没有使用CAD的情况下回顾性地解释了150次前列腺MRI检查，然后使用额外的基于随机森林的CAD模型生成的MRI图像再次进行判析。对连续变量使用Wilcoxon检验，对分类变量使用Pearson's chi-squared检验，比较了活检阴性与阳性（Gleason大于7腺癌）组的特征。使用MRMC方法估计接受者特征曲线下的面积（AUC），并比较了没有CAD的读者与有CAD的读者的诊断表现。阅读者之间的一致性使用加权的阅读者之间的一致性统计来评估，并对边缘和过渡区亚组进行了重复分析。

在150名中位年龄为67岁的男性中，有临床意义的前列腺癌患者年龄较大（68岁 vs. 66岁；P < .02）、前列腺体积较小（43. 9 mL vs. 60.6 mL；p < .001）、前列腺特异性抗原（PSA）水平无差异（7.8 ng/mL vs. 6.9 ng/mL；p = .08），但PSA密度更高（0.17 ng/mL/cc vs. 0.10 ng/mL/cc；p < .001）。在没有CAD的情况下，PI-RADS评分的评分者之间的一致性（IRA）是中等的，而在有CAD的情况下则明显改善（IRA = 0.47 vs. 0.65；p < .001）。CAD也明显改善了读者的平均AUC（AUC = 0.72 vs. AUC = 0.67；p = .02）。

图 64岁男性，PSA未知，无前列腺癌病史。轴位弥散加权（b值1400s/mm²）（A）、ADC图（B）、T2W（C）以及CAD彩色图与T2W（D）MR图像的叠加。在左后外周区有一个不明确的明显扩散受限的区域，伴有T2低信号。该病变被9位读者中的8位列为PI-RADS 4。MRI-US融合引导下的活检结果显示，左侧后外周区中的Gleason 8腺癌

研究数据显示，加入基于随机森林方法的、由CAD生成的MRI图像系列改善了阅读者之间的一致性和对检测有临床意义的前列腺癌的诊断性能，为临床的准确诊断提供了技术支持。

原文出处：

Mark A Anderson,Sarah Mercaldo,Ryan Chung,et al.Improving Prostate Cancer Detection With MRI: A Multi-Reader, Multi-Case Study Using Computer-Aided Detection (CAD).DOI:10.1016/j.acra.2022.09.009