人工智能驱动的MRI分析为前列腺癌预后提供了新的见解，准确预测了我转移风险和改善患者护理的治疗结果。

　　在最近发表在《放射学》（Radiology）上的一项研究中，研究人员确定，使用基于人工智能（AI）的磁共振成像（MRI）数据测量前列腺内的肿瘤体积，是否可以预测接受放射学或手术治疗的前列腺癌患者的预后，包括转移风险。

　　多参数MRI结合了多种MRI技术来创建内部解剖的详细图像。这种成像技术通过提高严重病例的检出率，同时将无关紧要的疾病的检出率降到最低，从而改变了前列腺癌的管理。核磁共振引导下的活组织检查也显著提高了癌症诊断的准确性。

　　在MRI上可以观察到前列腺癌的各种特征，其中一些包括前列腺影像学报告和数据系统（PI-RADS）评分、病变评分和放射学T分期，后者表明肿瘤在前列腺内扩散的程度。分析这些特征可以提示前列腺癌的潜在复发率；然而，不同观察者对这些特征的评价不尽相同。不同的肿瘤分级系统具有不同的准确性，这进一步复杂化了诊断的一致性。

　　人工智能的使用可以通过提供一致的图像分析来增强mri的临床价值。最近对深度学习模型的研究表明，在概述前列腺肿瘤方面，深度学习模型的准确性可与经验丰富的放射科医生相媲美。

　　目前的研究旨在确定使用基于人工智能的方法计算肿瘤体积是否可以为以前接受过手术或放疗的前列腺癌患者提供独立的预后见解。然后将这些结果与标准MRI评估结果进行比较。

　　这项回顾性研究包括在接受根治性前列腺切除术或放射治疗前接受MRI扫描的前列腺癌患者。从医疗记录中收集患者数据，包括临床、病理和治疗信息，包括基于PI-RADS和国家综合癌症网络（NCCN）评分的肿瘤分类。

　　生化失败是前列腺特异性抗原（PSA）水平在根治性前列腺切除术或放射治疗后的升高。在目前的研究中，生化失败被定义为PSA浓度比放射治疗后的最低水平增加至少2 ng/mL，根治性前列腺切除术患者的临床进展或PSA增加至少0.1 ng/mL。

　　参考分割是由泌尿生殖系统放射肿瘤学家手工创建的，他描绘了前列腺区域，如翻译区和外周区以及PI-RADS得分为3到5的病变。

　　人工智能模型nnU-Net是一种基于深度学习的分割方法，用于从不同的MRI序列中描绘前列腺区域和肿瘤。然后使用接受放射治疗的患者的图像亚组验证该模型，然后对放射治疗组和根治性前列腺切除术组的图像进行测试。随后计算基于人工智能的肿瘤体积，并与人工分割生成的参考体积进行比较。

　　对于统计分析，交叉验证组和放射治疗组之间的基线比较分别采用连续变量和分类数据的Wilcoxon秩和和Fisher精确检验。通过敏感性和阳性预测值评估人工智能模型在肿瘤检测中的准确性。

　　由人工智能模型nnU-Net （VAI）生成的片段计算的前列腺内肿瘤的总体积，对于接受放射治疗或根治性前列腺切除术的局限性前列腺癌患者的预后是一个独立且强有力的预测指标。事实上，AI预测的体积与转移和生化失败显著相关。

　　对于放射治疗组，与传统风险组相比，VAI对7年转移的预测准确性更高。此外，VAI提供的预后信息与人工参考分割的前列腺内肿瘤体积相当，从而表明其结果的一致性和作为预测患者预后的工具的可靠性。尽管AI算法偶尔会遗漏PI-RAD评分为5分的病变，但VAI对临床显著的疾病负担仍然敏感。

　　nnU-Net使用VAI预测转移的能力等于或优于新兴的基因组或计算病理学生物标志物。因此，这种人工智能工具有可能通过识别可能需要更个性化或更积极的治疗方法的患者来改善治疗计划。

　　VAI似乎是预测局部前列腺癌患者接受根治性前列腺切除术或放疗后预后的一种一致且有希望的方法。

　　VAI在不同成像条件下的准确性及其强大的预测能力突出了其作为传统放射学或临床预后预测方法的补充甚至替代方法的潜力。