Belue MJ, Turkbey B. Tasks for artificial intelligence in prostate MRI. Eur Radiol Exp. 2022 Jul 31;6(1):33. doi: 10.1186/s41747-022-00287-9. PMID: 35908102; PMCID: PMC9339059.

精准医学的出现、临床需求的增加以及前列腺癌诊断途径中的许多其他因素中的成像可用性催生了人工智能 （AI） 的使用。人工智能在前列腺癌诊断途径的每一步都具有大量的潜在应用，从分类/改善前列腺多参数磁共振图像质量、前列腺分割、解剖学分割癌症可疑病灶、检测和区分临床上不重要的癌症和体素水平的临床显着癌症，以及将整个病变分类为前列腺成像报告和数据系统类别/格里森评分。所有这些领域的多项研究表明，许多有希望的结果接近放射科医生的精度。尽管这项研究蓬勃发展，但仍需要更多的前瞻性多中心研究来揭示人工智能对改善放射科医生绩效和前列腺癌临床管理的全面影响和实用性。在这篇叙述性综述中，我们旨在介绍新兴的医学成像 AI 论文质量指标，例如医学成像人工智能清单（CLAIM）和领域加权引文影响（FWCI），深入探讨一些用于细分、检测和分类的顶级 AI 模型。

要点

人工智能 （AI） 为前列腺磁共振成像工作流程的各个步骤提供了潜在的应用。

前列腺分割、前列腺内病变检测和分类 AI 工具在文献中经常报道，结果很有希望。

需要进行前瞻性多中心研究来确定人工智能对提高放射科医生绩效的影响。

人工智能 （AI） 是一个涵盖机器学习 （ML） 和深度学习 （DL） 的总称。传统的ML方法通常需要几个预处理步骤，包括解剖分割和特征提取，而DL是ML的一个子领域，不一定依赖于手工制作的特征，并独立识别特征以生成所需的输出预测[1，2]。DL比ML更常见，它使用人工神经网络，这些网络使用受生物神经网络启发并部分建模的统计模型。使用人工神经网络可以近似输入和输出之间的非线性关系[3]。前列腺癌（PCa）管理的一个主要挑战是缺乏非侵入性工具，可以区分临床显着的PCa（csPCa）和临床上不显着的PCa（cisPCa），导致过度诊断和过度治疗。csPCa有许多不同的定义，从格里森评分≥6或≥7，与各种临床因素（包括前列腺特异性抗原（PSA）临界值、是否存在前列腺外延伸和活检核心癌百分比等[4]。在大多数研究中，csPCa最常见的定义是格里森评分≥7。

前列腺癌诊断途径仍然存在许多挑战和潜在的改进，人工智能可以解决这些挑战和潜在改进，其共同目标是潜在地减少顺式PCa过度诊断和csPCa诊断不足。AI可能有助于改善良性和恶性实体的癌症检测和/或分类，并可能有助于在MRI扫描中分割可疑病灶和正常解剖结构，以完成体积估计或利用经直肠超声引导下活检的治疗计划等任务[5]。AI还可以帮助对mpMRI病例（即挑选/识别具有更多非典型图像特征的前列腺MRI检查）和图像质量（即将mpMRI扫描分为诊断性与非诊断性）进行初始评估或分类[6-8]。PCa诊断途径中的所有这些步骤都可能受到各种来源的读者间低一致性的影响，人工智能也可以改进这些来源。一旦AI系统的临床疗效得到证实，临床部署就可以被设想为一个配套系统，在放射科医生的临床阅读期间为其创建注意力框/地图，作为提供独立诊断的第二阅读器，或可用作患者分诊系统[9]。

在这篇叙述性综述中，我们介绍了新兴的医学成像AI论文质量指标，例如医学成像人工智能清单（CLAIM）和领域加权引文影响（FWCI），深入探讨了一些用于细分，检测和分类的顶级AI模型（图）。（图1），1），并提及放射科医生工作流程中的潜在影响领域（图）。（图 22).

图1

组合三个多参数磁共振成像序列的潜在人工智能输出示例，其中 （A） 代表识别边界框的检测臂，（B） 代表病变分割臂，（C） 代表分类臂，能够从预先注释的边界框、病变分割或完整的非注释图像中对病变进行分类。EPE前列腺外延伸，GS格里森评分，ISUP国际泌尿病理学会，PI-RADS前列腺成像报告和数据系统

图2

人工智能驱动的前列腺分割对放射科医生工作流程的潜在影响。一名血清 PSA 为 6.13 ng/mL 的 5 岁男性患者：多参数 MRI（T2 加权序列，ADC 图;获得弥散加权图像，b = 1，500 s/mm2) (A）;可以运行用于全前列腺器官和病变检测/分割的手动分割或 AI（B）;分割输出有助于计算变量，如PSA密度和最大病变尺寸和分类（AI可以潜在地分配PI-RADS评分或预测对前列腺外延伸的怀疑以生成报告（C）;输出分割可用于TRUS / MRI融合引导活检的超声配准（D）。.AI人工智能、ADC 表观扩散系数、MRI 磁共振成像、PI-RADS 前列腺成像报告和数据系统、PSA 前列腺特异性抗原、TRUS 经直肠超声

索赔和FWCI

CLAIM于2020年开发[10]，旨在帮助作者展示研究成果，帮助审稿人审查医学成像领域已经发表的AI手稿。CLAIM清单是根据诊断准确性研究报告标准（STARD）指南修改的，专门用于解决人工智能在医学成像中的应用，包括分类、检测、重建和工作流程优化。该清单包括42个标准，这些标准应该被视为或被视为展示医学成像AI研究的“最佳实践”[10]。此索赔清单可以很容易地转换为索赔履行的百分比，这是一种客观评估，基于论文是否通过满足适用的索赔要求以被视为“最佳实践”的方式进行报告，如果它们没有。

FWCI是一种常见的Scopus文章指标，是根据主题字段的平均值预期的总引用数与总引用量的比率。FWCI为1意味着该论文在全球平均水平上的表现符合预期，而大于1意味着该论文的引用率高于全球平均水平的预期（FWCI为1.48意味着引用率高于预期48%），小于1意味着该论文的引用率低于全球平均水平的预期。CLAIM和FWCI都可以用作文章/研究影响和严谨性的标记，并鼓励用于AI稿件报告和评估。

分类/检测论文共29篇：检测论文18篇，检测分类论文4篇，未注明的2篇。在比较创建分类模型的论文（n = 29）与创建检测模型的论文（n = 18）时，分类模型的平均AUC为0.843（n = 25，29个报告）和检测模型的平均AUC为0.832（n = 15个报告，18个报告），而分类模型的平均字段加权影响因子为4.79（n = 26个报告）和29.3个检测模型（n = 64 份报告中的 18 份），分类论文的平均 CLAIM 完成百分比为 18.77%（n = 8 份报告中的 29 份），检测论文的平均 CLAIM 完成率为 29.71%（n = 2 份报告中的 18 份）。

下面讨论在抽样论文的现场加权影响因子方面排名前25%的分类和检测论文，以及样本量最大且CLAIM完成率最高的论文，因为我们相信这些论文将代表最具影响力和潜在的推广性。此外，还介绍了本综述未涵盖的新兴细分AI论文（表（表11).

基于人工智能的前列腺分割

前列腺分割AI的开发用于提取感兴趣的解剖/病变区域，类似于手动分割，但试图解决不同经验的读者和不同质量的MRI扫描导致的分割的可变性[18]。典型的解剖学AI分割训练/推理工作流程如图所示。图33来自前列腺尿道分割AI模型[19]。分割AI将尝试输出所需对象/感兴趣体积的确切轮廓（图）。（图 1b）。1b）. 前列腺及其相关结构的分割对于识别其囊、前列腺区、尿道和前列腺内病变位置非常重要。识别这些区域有助于改善良性前列腺增生的治疗、手术和靶向活检计划、放疗剂量/毒性计算以及预测癌症特异性生存和预后[5，20]。

图3

分割AI的典型训练/推理/评估工作流程，显示用于前列腺尿道自动分割的三维CNN U-Net。首先，原始 T2 加权图像进行预处理以进行强度归一化、大小缩放/裁剪，并且为了训练图像进行额外的数据增强。其次，将预处理的图像送入CNN，CNN输出预测或白色分割。第三，将真实的红色尿道轮廓与AI预测的白色轮廓进行比较，计算损失或差异，并将该损失传达回CNN以调整神经元权重。在最后阶段，使用骰子相似系数对AI模型进行性能评估。.AI人工智能，CNN卷积神经网络

前列腺MRI的分割具有关键的临床用途，例如准确估计整个前列腺体积以计算血清前列腺特异性抗原（PSA）密度，以及MRI数据准备，用于经直肠超声/MRI融合引导活检系统中的活检引导和放射治疗计划。手动分割前列腺及其亚器官（如尿道）是一项耗时的任务，并且非常容易出现操作员之间的差异[21]。AI已被广泛用于前列腺分割，目前很少有商业解决方案用于这种耗时的过程[7]。

最近，基于深度学习的AI解决方案通常被报道为前列腺及其区域的分割提供强大的性能。在Wang等人[11]的一项研究中，使用具有深度监督的三维（3D）全卷积网络来开发用于T2加权MRI的全自动前列腺分割模型。作者报告了AI模型和整个前列腺的手动分割之间的平均骰子相似系数为0.88（范围0.83-0.93）。Wang等人[11]利用交叉熵损失和余弦损失的组合损失函数，以利用各自的优势，并试图实现更好的定量和定性表现。交叉熵损失通常针对体素级精度进行优化，而余弦相似性损失等其他损失函数有助于提高分割质量。在另一项研究中，Ushinsky等人[12]开发了一种基于U-net的混合3D二维（2D）U-net分割算法，用于在2名患者的T299加权MRI上自动定位和分割前列腺。与手动分割相比，基于 AI 的全前列腺分割模型的平均骰子相似系数为 0.898（范围为 0.890–0.908）。Ushinksy等人开发的模型同时利用来自多个轴向切片的特征来更好地构建单个2D图像。他们说，这种架构模仿了放射科医生，放射科医生通常会在对一个2D图像做出决定之前解释多个轴向图像。最后，在Sanford等人[13]的一项研究中，使用将2D和3D架构与迁移学习结合相结合的DL方法在648名患者中开发了整个前列腺和过渡区分割算法。该研究报告了整个前列腺和过渡区的平均骰子相似系数分别为0.931和0.89。本研究采用数据增强策略，针对来自五个不同中心的MRI数据的腺体变形，强度变化和图像采集变化，这种新策略分别提高了整个前列腺和过渡区分割性能2.2%和3%。前列腺分割AI是前列腺MRI工作流程中研究最多的部分，目前的研究表明，基于3D DL的应用程序可以为放射科医生在前列腺MRI读出和活检计划期间为这项耗时的任务提供最先进的解决方案。数字图33说明了细分 AI 如何改善和补充放射科医生的工作流程。上面讨论的许多用于前列腺及其亚器官解剖分割的策略也适用于可疑病变分割。

前列腺内病变AI检测

用于前列腺癌检测的AI主要用于识别前列腺MRI扫描中的癌症可疑区域，不需要放射科医生事先注释病变[8]。基于AI的检测模型的范围可以从两类病变检测（csPCa与cisPCa）系统到多类病变检测系统，例如国际泌尿病理学会（ISUP）评分[22]或前列腺成像报告和数据系统（PI-RADS）评分[16]。与通常提供图像中物体的确切轮廓的分割相比，基于AI的检测有助于在可疑物体周围创建边界框（图）。（图 1a）。1迄今为止，已有几项研究评估了在 mpMRI 上为前列腺癌检测开发的 AI 算法。尽管在特征提取、MRI 技术和研究人群方面存在许多差异，但这些研究显示出稳健的检出率：75% 至 80% 或更高。值得注意的是，这在报告的放射科医生表现范围内[1]。

对于基于AI的检测，已经有几项验证研究调查这些AI是否真的对放射科医生的工作流程产生影响。在最近的一项多阅读器、多机构研究中，Gaur 等人 [23] 表明，当与 PI-RADS v2 [24] 分类相结合时，基于 AI 的检测提高了特异性。这种基于AI的检测也略微提高了放射科医生的效率，发现PIRADS v2≥3的指数病变敏感性为78%[23]。Litjens等人[25]和Song等人[26]也证明了当结合基于AI的预测和PI-RADS v2时，可以改善癌症检测和对csPCa的区分[25，26]。

进一步讨论了开发检测AI的顶级AI研究。Cao等人[68]的一篇DL论文的CLAIM完成率为3.6%，FWI为04.14，在417名接受mpMRI的患者的数据集上开发了一个联合前列腺癌检测和格里森评分预测模型[14]。该模型结合了T2加权涡轮自旋回波成像和使用扩散加权回波平面成像的表观扩散系数（ADC）图，并将它们堆叠为不同的成像通道，然后输入FocalNet，一个端到端的多类CNN。曹等人[14]所做的一个独特的补充是他们所谓的相互寻找损失。它试图解决以下挑战：mpMRI的不同组件（T2加权和扩散加权序列，ADC图，动态对比度增强序列）捕获不同的信息，并且在多通道AI检测中堆叠时，只有一部分信息在所有组件之间共享（图）。（图 1a）。1因此，在一个组件中可观察到的发现在其他组件中可能部分可观察或不可观察。在端到端AI模型训练期间，Cao等人[14]提出的具有堆叠组件的CNN可以学习跨组件的共同特征，基于mpMRI子组件上各种成像结果的组合，有效地模拟放射科医生读取mpMRI的正常过程。对于组织病理学证实的指示性病变和有临床意义的病变的检测，他们的FocalNet在每例患者89个假阳性时分别实现了7.87%和9.3%的灵敏度，其灵敏度仅比使用PI-RADS v4的经验丰富的放射科医生低1.5%和2.14%[75]。Ishioka等人[7]的另一篇DL检测论文的CLAIM完成率为69%，FWI为15.50，通过将U-net与ResNet15相结合，展示了AI网络集成的力量，并介绍了神经网络的可解释性和概率图。U-net有可能区分整个和局部骨盆结构，然后ResNet可以重新制定CNN层，将它们学习为残差函数，而不是学习未引用的功能。通常认为，残差函数通过允许AI与中间CNN层通信，有助于消除AI中的梯度消失问题。Ishioka等人[15]的一个独特贡献是CNN中特征图和概率图的可视化，以此来解释AI在预测中使用最多的成像特征[]。这些特征图在试图解释神经网络的逻辑结构时至关重要，神经网络通常表示为“黑匣子”，可以采取特征图、显著性图或概率图的形式[见图]。图44显示用于 AI 检测的概率图]。总体而言，前列腺内病变检测是前列腺MRI读数的最关键步骤之一，它需要大量的专业知识，并且通常容易出现观察者间变异。目前，有相当多的基于研究的人工智能模型可用于这项任务，以记录它们对改善临床管理的实际影响，其中主要包括活检决策，需要进行前瞻性和多中心研究。

图4 多通道前列腺病变计算机辅助检测模型输出概率图和前列腺区域的轮廓以进行解释

前列腺内病变 AI 分类

前列腺内病变分类AI模型用于对完整图像进行分类或对预先注释的感兴趣区域进行分类，范围从两类（csPCa与顺式PCa）到多个单独的类别（组织病理学分级也称为ISUP评分或PI-RADS评分），如图所示。图例.1.1.AI 病变分类通常不执行体素水平的预测，但通常基于整个图像/感兴趣区域。顺式PCa患者是ISUP 2或更低，通常适合主动监测，而ISUP大于2等高级别病变的男性通常建议接受积极治疗，如局灶治疗、根治性前列腺切除术或放疗[8]。

准确的病变分类对于选择适当的管理方案很重要，因为任何一种疗法都有一系列副作用。减少不必要的活检对于预防常见的活检并发症（包括感染、血尿、直肠出血、血精症、下尿路症状和暂时性勃起功能障碍）很重要[4]。Suarez-Ibarrola等人[2]在文献中发现，他们所研究的算法的病变分类准确性与使用PI-RADS的放射科医生提供的精度相当[2]。一项原始研究[16]的索赔完成率为68.3%，FWI为6.81，开发了用于（i）检测癌性与非癌性病变和（ii）区分csPCa与惰性顺式PCa的分类CNN。本文设计了一种新的相似性损失函数，如Cao等人使用的互发现损失[23]，允许融合来自ADC图和T2称重图像的常见和一致的特征。这使得CNN能够在成像序列的光谱中“看到”PCa的真实视觉模式。否则，如果没有相似性损失函数，来自不同mpMRI序列（例如T2加权序列）的成像特征将无法填补其他功能序列（如ADC图，扩散加权图像）产生的信息空白，反之亦然。

然后，Le 等人 [16] 使用支持向量机分类器将多模态 CNN 的分类结果与基于手工制作的特征的结果相结合。来自 364 名患者（共 463 个 PCa 病变和 450 个非癌性病变）的广泛临床数据集的实验结果表明，他们的系统可以达到 89.9% 的灵敏度和 95.8% 的特异性来区分癌性和非癌性组织。关于csPCa与顺式PCa，它们的灵敏度为100.0%，特异性为76.9%。与仅依靠手工制作特征的最先进方法相比，本文还展示了卓越的性能[16]。另一项原始研究[17]的CLAIM完成率为70.6%，FWI为23.12，开发了XmasNet，这是一种基于CNN的新型深度学习架构，用于对MRI上的前列腺病变进行分类。这项研究表明，凭借通过 3D 旋转和切片进行数据增强的优势，他们的 XmasNet 优于基于工程特征的传统 ML 模型。他们的XmasNet优于69个参与组的33种方法，并在0年PROSTATEx挑战赛中获得了第二高的AUC（84.2017）。与前列腺内病变检测 AI 模型一样，为前列腺内病变分类任务定义了几种基于研究的 AI 算法，需要进一步研究来描述这些 AI 模型对放射科医生表现的好处。

与未来的 AI 妩媚一起前进

人工智能有可能在进一步改善前列腺MRI对局部PCa临床管理的贡献方面发挥重要作用。前列腺MRI AI的大部分工作揭示了前列腺MRI解释和活检数据处理的各种任务的有希望的结果;然而，这项工作已经达到了临床的实际翻译阶段，因此人工智能对前列腺MRI工作流程的明显好处尚未得到证明。要做到这一点，“必须”之一是在前瞻性临床试验中证明人工智能的好处。与放射科医生相比，潜在的好处可以列为性能的提高以及读出时间和阅读器间差异的减少。人工智能的顺利发展将需要这种关键的前瞻性多中心评估。

结论

AI是前列腺MRI的常用研究主题，几个小组报告了用于前列腺分割，前列腺内病变检测和分类任务的AI模型，并取得了有希望的结果。所讨论的应用中的一些最佳模型利用3D AI模型和特殊损失函数，试图结合发现并填补不同mpMRI序列引入的空白。需要具有多中心设计的前瞻性研究来描述人工智能对放射科医生表现和前列腺癌临床管理的影响。