利用解剖学引导改善基于多参数 MRI 的 PI-RADS 预测和前列腺癌检测

从多参数 MRI（mpMRI）中准确预测前列腺影像报告和数据系统（PI-RADS）评分仍然具有挑战性，其难度高于临床显著性前列腺癌（csPCa）的检测。鉴于病灶位置在 PI-RADS 评分中的重要性，我们利用大规模内部数据集，评估了纳入前列腺分区掩膜是否能够改善多种架构（3D ResNet-18、ResNet-50 和 ViT）下的 PI-RADS 预测和 csPCa 检测。总体而言，解剖学引导提升了各架构的性能，其中 ResNet-18 结合 2 区引导在 PI-RADS 预测方面取得了最佳结果（QWK = 0.511），ResNet-50 结合 5 区引导则在 csPCa 检测方面表现最佳（AUC = 0.809）。在外部数据集上进行微调的结果进一步证明了解剖学引导的益处。此外，采用解剖学引导的模型提高了模型预测的 PI-RADS 评分在基于 PI-RADS 的 csPCa 检测中的实用性（PI-RADS>=3 定义为阳性）。将模型预测的 PI-RADS 评分与专家评定的 PI-RADS 评分相结合，使 AUC 从 0.711 显著提高至 0.756（p < 0.05），这表明，AI 生成的 PI-RADS 评分可能为专家评估 csPCa 提供互补信息。总体而言，我们的研究结果凸显了将前列腺分区解剖纳入基于深度学习的前列腺 MRI 评估的价值。