academic radiology：多参数MRI深度学习方法检测临床显著前列腺癌的价值

前列腺癌是最常见的癌症类型之一，在2022年癌症统计文献中占27%的诊断。磁共振成像（MRI）的及技术进展使包括前列腺MRI在内的广泛的临床利用成为可能，可以协助临床减少不必要的活检。使用多参数MRI（mpMRI）的前列腺成像报告和数据系统（PI-RADS）已常规用于活检前的前列腺癌（PCa）的定位和风险分层。然而，PI-RADS需要有经验的放射科医生进行，阅读者之间的差异和可重复性问题是不可避免的。

计算机辅助诊断（CAD）在PCa方面得到越来越多的发展，以进一步提高对有临床意义的PCa（csPCa）的检测，即活检的Gleason分级组大于1。2016年，PROSTATEx挑战赛为检测csPCa而进行，并使用mpMRI数据集比较CAD系统。四个表现最好的方法中有三个是基于卷积神经网络（CNN）：将mpMRI扫描作为二维CNN的三个输入通道的组合、自动窗口和用CNN增加分区信息。尽管这些论文报告了较高的接受者操作特征曲线下面积（AUC）分数，但缺少对性能的脉冲序列依赖以及模型的可解释性。

近日，发表在academic radiology杂志的一项研究展示了一个简单的使用不同的脉冲序列数据集达到检测csPCa高效率的三维CNN，并进一步讨论了网络的可解释性，将预测分数与可用的格里森等级组（GGG）进行比较，并提出了突出性 "热 "图以揭示图像中驱动预测的因素及价值。 

本项研究结果展示了一个简单的卷积神经网络（CNN）与mpMRI在检测有临床意义的PCa（csPCa）方面取得的高性能，该结果取决于使用的脉冲序列。带有T2-ADC-DWI的mpMRI模型在保留的测试集中取得了0.90的AUC分数，并不明显优于使用Ktrans而不是DWI的模型（AUC 0.89）。有趣的是，纳入T2-ADC-Ktrans的模型能更好地估计等级。研究还描述了一个突出性 "热 "图。结果显示，利用mpMRI的csPCa检测模型可以用来指导临床管理策略。 

 图 接收者操作特征曲线下的面积（AUC）得分与置信区间。95%的置信区间是用10000个再样本的引导方法计算的。虚线表示最低AUC和最高AUC。深色条是来自PROSTATEx挑战训练数据集的测试集的结果，浅色条是来自单独的PROSTATEx挑战测试数据集。来自mpMRI模型的AUC结果超过了单序列结果

本项研究表明，结合多个脉冲序列的卷积神经网络在检测具有临床意义的前列腺癌方面表现出很高的诊断性能，其中包括动态增强信息的模型与前列腺癌等级的相关性最好。

原文出处：

Heejong Kim,Daniel J A Margolis,Himanshu Nagar,et al.Pulse Sequence Dependence of a Simple and Interpretable Deep Learning Method for Detection of Clinically Significant Prostate Cancer Using Multiparametric MRI.DOI:10.1016/j.acra.2022.10.005