摘要
本文从以下几个部分展开论述： 第一部分 基于双参数磁共振成像前列腺癌人工智能诊断模型的建立与验证 目的:开发基于双参数磁共振成像的人工智能诊断模型，提高前列腺癌的诊断准确率。 方法:本项研究对海军军医大学第一附属医院在2016年8月至2023年6月期间接收的2046名经过穿刺病理确认并在手术前8周进行双参数磁共振(bi-parametric magnetic resonance imaging，bp-MRI)检查的患者进行了回顾性分析，按照时间顺序将病例以7∶3的比例分为训练集和验证集，同时收集虹口 411医院75例及上海市浦东医院171例的数据作为外部测试集。两名放射科医生根据事先定义的标准对MRI图像进行勾画，采用深度学习u-net算法进行前列腺癌病灶的分割，HarDNet算法对病灶进行分类，最终建立人工智能(Artificial intelligence，AI)模型诊断临床显著性前列腺癌(Clinically significant prostate cancer,csPca)。计算受试者操作特征的曲线下面积(Area under the curve，AUC)、敏感度和特异度、阳性预测值、阴性预测值来评价模型之间的诊断性能。 结果:纳入3个中心共计2292例患者，其中csPca阳性组患者1432例，csPca阴性组患者860例。构建的AI模型实现诊断csPca的AUC值在训练集、验证集、测试集 1、测试集 2 分别为 0.89(95％可信区间[CI]:0.87，0.91)、0.86(95％CI:0.83,0.90)、0.86(95％CI:0.77,0.95)、0.81(95％CI:0.73，0.88)。通过进一步结合医生PI-RADS评分，最终建立了 AI联合PI-RADS评分诊断模型。实现诊断csPca的AUC值在训练集、验证集、测试集1、测试集2中分别为0.88(95％CI:0.86,0.90)、0.84(95％CI:0.80,0.88)、0.88(95％CI:0.80，0.97)、0.85(95％CI:0.78，0.93)。对比医生PI-RADS诊断，联合模型可以将csPca的检出率提高14.99％、9.8％、7.7％、17.21％。 结论:基于双参数磁共振构建的AI模型联合PI-RADS评分可以准确的检测csPca,辅助影像医生提高前列腺癌的诊断准确率。 第二部分 构建基于双参数磁共振成像人工智能模型预测前列腺癌包膜侵犯 目的:开发基于双参数磁共振成像的人工智能模型，协助医生诊断前列腺癌包膜侵犯，提高诊断准确率。 方法:回顾性分析海军军医大学第一附属医院收治的经过前列腺根治性切除术证实的778名前列腺癌患者的临床参数及影像学资料，按照时间顺序分为训练集和验证集，另外收集28名来自虹口 411医院的病例进行验证。建立一个分类和分割集成AI模型，先采用第一部分研究训练的U-net算法对病灶及前列腺包膜进行分割，再采用HarDNet算法判断是否发生前列腺包膜侵犯(Extracapsular extension，ECE)。医生依据欧洲泌尿生殖放射学会(European Society of Genitourinary Radiology,ESUR)的诊断标准评估所有前列腺癌患者是否发生ECE。联合模型为AI模型联合PSA以及医生ESUR评分的多因素logistics回归模型。模型效能评估采用AUC、敏感度、特异度、阳性预测值和阴性预测值。临床应用采用决策曲线评估。分类净重改善指数(Net reclassification improvement,NRI)和综合判别改善指数(Integrated Discrimination Improvement,IDI)展示联合模型较AI模型的净收益。 结果:共有806名前列腺癌病人被纳入研究，其中ECE阳性组328例，ECE阴性组476例。构建的AI模型实现诊断ECE的AUC值在训练集、验证集和测试集分别为 0.80(95％CI:0.77,0.84)、0.70(95％CI:0.62，0.78)、0.84(95％CI:0.69,0.98),放射科医生使用ESUR评分诊断包膜侵犯的效能，AUC值分别为0.67(95％CI:0.62，0.71)、0.71(95％CI:0.63，0.79)、0.71(95％CI:0.51，0.92)。通过进一步结合医生ESUR评分和PSA构建多因素logistics回归模型，本研究最终建立了 AI联合诊断模型，实现诊断 ECE 的 AUC 值为 0.82(95％CI:0.79,0.86)、0.77(95％CI:0.70，0.84)、0.83(95％CI:0.68,0.98)，优于放射科医生使用ESUR评分诊断包膜侵犯的效能，Delong检验显示差异具有统计学意义（p值＜0.01)。决策曲线表明，在联合模型中训练集、验证集、测试集的阈值概率分别为＞0.05、＞0.18和＞0.03的情况下，使用联合预测模型预测ECE将使患者获得净收益。联合模型与AI模型相比较，在训练集、验证集、测试集中NRI分别为0.42(95％CI:0.26,0.58,P＜0.01)，1.05(95％CI:0.79，1.30，P＜0.01)，0.44(95％CI:-0.29，1.16，P=0.24)，IDI 分别为0.07(95％CI:0.05,0.10,P＜0.01)，0.18(95％CI:0.12,0.23,P＜0.01),0.02(95％CI:-0.04,0.08,P=0.50)，联合模型在加入临床参数较AI模型改善明显。 结论:本研究构建的人工智能首次实现了端到端全自动预测ECE的能力，优于医生的ECE评分，并且联合临床参数构建联合模型后表现稳定，为术前无创预测ECE提供了新的方法。
NETL