Nature | 取消活检?AI基础模型从mp-MRI中识别临床显著性前列腺癌

前列腺癌精准诊断依赖有创活检，但存在风险、取样误差（21%-53%分级调整）及PSA特异性低等问题。现有mp-MRI在客观性、分级关联性及临床显著性前列腺癌检测敏感度上仍有不足。

作者提出利用AI基础模型，通过自监督与多任务学习，从非侵入性mp-MRI中挖掘与微观病理特征（如细胞密度、异质性）相关的潜在表征，打破放射与病理的信息鸿沟，实现无需活检的分级诊断。

我整理了AI肿瘤公开数据集大全（含官方链接)，包含肺部肿瘤数据集、乳腺肿瘤数据集、脑部肿瘤数据集、肝脏/腹部肿瘤数据集等。感兴趣的自取，希望能帮到你！（资料见文末）

关注“马拉AI医学科研”回复“A242”

免费领取医学相关全部资料

三、 核心方法

1. 整体思路：开发名为MRI-PTPCa的基础模型，在mp-MRI影像域提取特征并直接映射至病理学分级空间，实现前列腺癌的非侵入性诊断与GGG分级预测。

1. 关键算法步骤：

• 其中， 为多分类交叉熵损失，用于优化分级准确性； 为预测一致性损失，用于保证不同影像分支间的特征对齐。其数学表达为：
• 使用基于BYOL的对比学习网络进行预训练，利用近130万对影像-病理数据提取鲁棒特征。
• 建立多监督视觉Transformer（MIMSViT），输入包括T2WI、ADC和DWI序列。
• 采用联合损失函数  进行端到端优化，其定义如下：

2. 技术实现要点：

• 语义识别：通过注意力热图（Attention Heatmaps）识别贡献度最高的影像区域，区分肿瘤病变核心与背景组织。
• 一致性与多样性保障：模型包含独立序列分支（如Net-T2）和融合分支（FusionViT），即使在临床常见的序列缺失情况下，也能通过对比学习生成的增强特征维持预测的稳定性。
• 训练策略：整合了自监督学习与多任务学习，同时针对活检标签和根治术病理标签进行加权优化。

四、 实验验证与效果

1. 主实验对比：模型在包含5,747名患者的多中心队列上进行了验证。在回顾性测试中，诊断前列腺癌的AUC达到0.983，诊断CSPCa的AUC为0.978，GGG分级准确率为89.1%。相比之下，临床传统的PSA筛查AUC仅为0.664，而PI-RADS评估的敏感度也显著低于本模型。

2. 深入分析：消融实验证明，对比学习预训练显着提升了模型对设备差异和噪声的抗干扰能力。可解释性分析显示，MRI-PTPCa提取的影像特征与数字病理切片（WSI）中的细胞核强度、密度及形态学术标具有显著正相关性（P < 0.01）。

1. 结论与价值：MRI-PTPCa被证明是一个可扩展的、非侵入性的诊断工具。它显著降低了活检导致的分级偏移风险，将穿刺活检中的分级上调风险降低了23.3%。该方法不仅能辅助初级医生提高诊断效率，还可推广至其他癌症的非侵入性分级任务中。

五、 小编总结

本研究成功构建了一个连接放射影像与组织病理的AI桥梁。通过MRI-PTPCa模型，医生仅凭核磁共振扫描即可获得接近术后病理级别的诊断精度，这对于减少不必要的活检穿刺、精准识别早期高风险患者具有里程碑意义。基础模型的引入，让医学影像分析从简单的形态识别进化到了对肿瘤微环境的深度定量感知。

关注“马拉AI医学科研”回复“A242”

免费领取医学相关全部资料