深度学习辅助北京大学第一医院读片，前列腺癌诊断准确率超过90%

【新智元导读】北京大学第一医院前列腺癌MR资料库训练的智能辅助诊断系统，运用了人工神经网络的技术，从 MR 图像数据中挖掘出有用信息，让计算机可以从中“学到”肿瘤的影像表现。CAD 输出的结果可基于 MR 图像对前列腺癌进行预测，以概率地图的方式呈现给临床医生。经过与病理结果的对照，证实了这种方法的准确性和有效性。目前小样本初步验证的结果显示该系统对临床显著癌的诊断准确率已超过90%。此项研究成果已在 Science China Life Sciences 在线出版。

研究概述

弥散加权成像（DWI）被认为是用于前列腺癌（PCa）特别是前列腺外周带（PZ）癌检测和病变侵袭性评估的主要方式之一。能够自动提取和评估图像特征的计算机辅助诊断（CAD）可以集成多个参数，提高 PCa 的检测效果。这篇由北京大学第一医院、北京大学等机构的研究人员联合参与的研究，使用 CAD 从 DWI 中提取 13 个定量的图像特征，并在 PZ 和移行带（TZ）中分析诊断功效。结果表明，PZ 的13 个特征中的 9 个和 TZ 的13个特征中的 5 个之中，PCa 和非 PCa 存在显著差异（P < 0.05）。此外，CAD 的预测结果与经验丰富的放射科医师根据前列腺成像报告和数据系统第二版（PI-RADS v2）给出的DWI 评分具有高度相关性。

多参数磁共振成像（mpMRI）结合了 T2 加权图像（T2WI）、DWI 图像和磁场强度为1.5 T 和3.0 T的动态对比度增强（DCE）图像。这种类型的成像正在成为PCa 检测、定位、分期和监测的具有良好前景的非侵入性工具（Kitajima 等, 2010; Tanimoto 等, 2007）。在上述磁共振（MR）序列中，DWI 是可以通过明晰的弥散系数（ADC）图反映水分子的随机运动的高级功能序列。因此，DWI 被认为是区分PCa 与非癌组织的最有用的序列之一。使用PI-RADS v2，推荐将DWI 序列与ADC 图结合作为评估PZ 病变的主要技术(Langer 等, 2009; Weinreb 等, 2016)。值得注意的是，PZ 病变占所有PCa 病例的70％-75％(Kundra 等, 2007)。

此外，有报告称ADC 值可用于评估病变侵袭程度（Vargas 等，2011）。

MpMRI 基于复杂的成像原理和各种信号特征。尽管这一方法有潜力，但放射学家很难解释结果——特别是对于经验较少的放射学家来说（Kierans等，2015）。虽然PI-RADS 有图像阅读和报告的建议，但对mpMRI 的解读仍然不能让人满意（Muller等，2015；Schimmöller等，2013）。

计算机辅助诊断（CAD）技术的持续进步显示出 PCa 检测的提升前景。尽管基于多参数（Hambrock 等，2013；Peng 等，201； Viswanath 等，2011）或单个序列的几种 CAD技术（Puech 等，2009； Sung 等， 2011年； Vos 等，2008； Zhao 等，2015），已经开发用于 PCa 检测和定位，DWI-CAD 的发展还处于起步阶段。由于 DWI 在PZ 癌症检测中起主导作用，因此有必要进一步开发 CAD 系统，从DWI 单独提取图像特征。在这一研究中，研究人员验证了基于 DWI 和 ADC 图的 CAD 系统，并评估了其在 PCa 识别中的性能。目前的研究是人工神经网络（ANN）检测前列腺癌的一系列验证测试之一，与研究者前一次的研究共享相同的算法（Zhao 等，2015）。

结果

研究共纳入71 例患者。其中35 例（68.8±8.9 岁，tPSA 60.5±77.8 ng mL-1）患者通过活检或手术确诊为 PCa ，其余36例（67.8±6.4 岁，tPSA 11.7±8.1） ng mL-1）则在随访截止时（12〜59个月，平均32个月）都未检测到癌症。

表1

使用 DWI 提取的特征区分 PCa 和非 PCa 的有效性如表 1 所示。值得注意的是，PZ 的13 个特征的9 个和TZ 的13 个特征的5 个之中，PCa 与非PCa 之间存在显著差异（P <0.05）。由于这些特征似乎比其他特征在区分PCa 与非PCa 中更为有效，所以它们被选为修改后的ANN 分类器的输入。 PZ 和TZ 的特征重要性如图1所示。

图1

当比较每个特征单独的受试者工作特征（ROC）曲线时，平均的曲线下面积（AUC）值（AUC = 0.909±0.022）达到了PZ 中最高的AUC，而第10个百分位数（AUC = 0.909±0.027）达到了TZ 的最高AUC。在PZ 和TZ 中，第10百分位ADC 值（PZ 的AUC = 0.906±0.022; TZ 的AUC = 0.909±0.027）具有比最小ADC值（AUC = 0.898±0.023，PZ; AUC = 0.903±0.029 TZ）更高的 AUC。

在使用设计的 ANN 分类器组合所选特征后，PZ 的 AUC 增加到 0.911±0.022（95％，CI = 0.869-0.954），TZ 为 0.912±0.027（95％，CI = 0.870-0.974），均高于任何单个特征。

如图 2 所示，CAD 预测的AUC 甚至高于DWI 评分的AUC，其由两名经验丰富的放射科医师对PZ （AUC = 0.883±0.025（95％，CI = 0.835-0.931））和TZ（AUC = 0.906±0.029（95％，CI = 0.850-0.963））评分。

通过选择正确的临界值(0.505 for PZ, 0.507 for TZ)，CAD 预测可以在维持可接受的灵敏度（0.804 for PZ, 0.827for TZ）的同时，达到高准确度和特异度。CAD 的性能和 DWI 评分总结显示在表 2 中。

图 3

基于 CAD 的预测和DWI 分数间的 Spearman 的相关系数是PZ 的0.805（P＜0.01）和TZ 的0.787，都显示出强关联性。见图3 。

与经验丰富的放射科医师给出的 DWI 评分相比，CAD 系统的诊断效率更高。这一启发性的结果表明，CAD 系统可能是优化前列腺癌诊断现有常规临床工作流程的有前景的技术，能够使其更可靠、可重现。另外，CAD 系统也许可以作为不太有经验的放射科医师的合适的教学工具（Hambrock等，2013）。

研究的局限性：首先，我们只提取弥散加权 MR 图像的定量图像特征来区分 PCa 与非PCa，而已有报告显示单个参数单独也可能干扰PCa 检测中的mpMRI（Kitajima等，2010； Tanimoto 等，2007）；第二，本研究中 DWI 的b-value 为800 s mm-2，这是一个次优参数（b≥1400s mm-2，由PI-RADS v2 推荐）（Weinreb 等，2016）；第三，尽管ROI 由两名经验丰富的放射科医师根据 TRUS 指导活检来提出，但 ROI 和病理学并不严格匹配。这种差异可能会影响 ANN 分类器的准确性。

总之，基于 DWI 的 CAD 系统在识别PCa 方面尤为有效，特别是在PZ 中。考虑到这个系统的准确性，这似乎是前列腺 CAD 研究中一个较有希望的突破点。

原文地址：http://engine.scichina.com/publisher/scp/journal/SCLS/60/1/10.1007/s11427-016-0389-9?slug=full%20text