人工智能驅動的MRI分析為前列腺癌預后提供了新的見解，準確預測了我轉移風險和改善患者護理的治療結果。

　　在最近發表在《放射學》（Radiology）上的一項研究中，研究人員確定，使用基于人工智能（AI）的磁共振成像（MRI）數據測量前列腺內的腫瘤體積，是否可以預測接受放射學或手術治療的前列腺癌患者的預后，包括轉移風險。

　　多參數MRI結合了多種MRI技術來創建內部解剖的詳細圖像。這種成像技術通過提高嚴重病例的檢出率，同時將無關緊要的疾病的檢出率降到最低，從而改變了前列腺癌的管理。核磁共振引導下的活組織檢查也顯著提高了癌癥診斷的準確性。

　　在MRI上可以觀察到前列腺癌的各種特征，其中一些包括前列腺影像學報告和數據系統（PI-RADS）評分、病變評分和放射學T分期，后者表明腫瘤在前列腺內擴散的程度。分析這些特征可以提示前列腺癌的潛在復發率；然而，不同觀察者對這些特征的評價不盡相同。不同的腫瘤分級系統具有不同的準確性，這進一步復雜化了診斷的一致性。

　　人工智能的使用可以通過提供一致的圖像分析來增強mri的臨床價值。最近對深度學習模型的研究表明，在概述前列腺腫瘤方面，深度學習模型的準確性可與經驗豐富的放射科醫生相媲美。

　　目前的研究旨在確定使用基于人工智能的方法計算腫瘤體積是否可以為以前接受過手術或放療的前列腺癌患者提供獨立的預后見解。然后將這些結果與標準MRI評估結果進行比較。

　　這項回顧性研究包括在接受根治性前列腺切除術或放射治療前接受MRI掃描的前列腺癌患者。從醫療記錄中收集患者數據，包括臨床、病理和治療信息，包括基于PI-RADS和國家綜合癌癥網絡（NCCN）評分的腫瘤分類。

　　生化失敗是前列腺特異性抗原（PSA）水平在根治性前列腺切除術或放射治療后的升高。在目前的研究中，生化失敗被定義為PSA濃度比放射治療后的最低水平增加至少2 ng/mL，根治性前列腺切除術患者的臨床進展或PSA增加至少0.1 ng/mL。

　　參考分割是由泌尿生殖系統放射腫瘤學家手工創建的，他描繪了前列腺區域，如翻譯區和外周區以及PI-RADS得分為3到5的病變。

　　人工智能模型nnU-Net是一種基于深度學習的分割方法，用于從不同的MRI序列中描繪前列腺區域和腫瘤。然后使用接受放射治療的患者的圖像亞組驗證該模型，然后對放射治療組和根治性前列腺切除術組的圖像進行測試。隨后計算基于人工智能的腫瘤體積，并與人工分割生成的參考體積進行比較。

　　對于統計分析，交叉驗證組和放射治療組之間的基線比較分別采用連續變量和分類數據的Wilcoxon秩和和Fisher精確檢驗。通過敏感性和陽性預測值評估人工智能模型在腫瘤檢測中的準確性。

　　由人工智能模型nnU-Net （VAI）生成的片段計算的前列腺內腫瘤的總體積，對于接受放射治療或根治性前列腺切除術的局限性前列腺癌患者的預后是一個獨立且強有力的預測指標。事實上，AI預測的體積與轉移和生化失敗顯著相關。

　　對于放射治療組，與傳統風險組相比，VAI對7年轉移的預測準確性更高。此外，VAI提供的預后信息與人工參考分割的前列腺內腫瘤體積相當，從而表明其結果的一致性和作為預測患者預后的工具的可靠性。盡管AI算法偶爾會遺漏PI-RAD評分為5分的病變，但VAI對臨床顯著的疾病負擔仍然敏感。

　　nnU-Net使用VAI預測轉移的能力等于或優于新興的基因組或計算病理學生物標志物。因此，這種人工智能工具有可能通過識別可能需要更個性化或更積極的治療方法的患者來改善治療計劃。

　　VAI似乎是預測局部前列腺癌患者接受根治性前列腺切除術或放療后預后的一種一致且有希望的方法。

　　VAI在不同成像條件下的準確性及其強大的預測能力突出了其作為傳統放射學或臨床預后預測方法的補充甚至替代方法的潛力。