基于 T2WI 的深度学习模型：精准预测肌肉浸润性膀胱癌的新利器

《Scientific Reports》：Deep learning on T2WI to predict the muscle-invasive bladder cancer: a multi-center clinical study

为预测肌肉浸润性膀胱癌（MIBC），研究人员构建基于 MRI 的深度学习（DL）模型，该模型有较高预测准确性，意义重大。

　　

一、研究背景：膀胱癌诊断的困境与挑战

膀胱癌（Bladder cancer，BCa）在全球癌症舞台上占据着重要位置，是第 10 大常见癌症。2020 年，约 57.3 万新发病例和 21.3 万死亡病例，这些数字背后是无数家庭的痛苦与挑战。治疗方案的选择高度依赖于癌症诊断时的分期，然而，约 25% 的患者初诊时就已是肌肉浸润性膀胱癌（Muscle-invasive bladder cancer，MIBC），其余为非肌肉浸润性膀胱癌（Non-muscle-invasive bladder cancer，NMIBC）。根治性膀胱切除术（Radical cystectomy，RC）是 MIBC 及部分高危 NMIBC 的标准治疗手段，但令人头疼的是，9 - 49% 的 BCa 病例分期存在错误，这意味着许多患者接受了不恰当的治疗，严重影响预后。

目前，膀胱镜检查、计算机断层扫描和磁共振成像（Magnetic resonance imaging，MRI）在膀胱癌术前诊断中发挥着重要作用。MRI 凭借其高空间和对比分辨率，能清晰展现解剖结构，在判断肌肉浸润状态方面潜力巨大。2018 年提出的膀胱成像报告和数据系统（Vesical imaging-reporting and data system，VI-RADS），基于 mpMRI 上肿瘤的大小、位置、数量和形态来预测肌肉浸润风险，但它也存在局限性，部分被归类为 VI-RADS 3 的患者无法明确肌肉浸润状态。

人工智能（Artificial intelligence，AI）在医学领域的应用日益广泛，深度学习（Deep learning，DL）作为其中的佼佼者，已在多种疾病诊断中展现优势，如肝脏纤维化、胰腺癌等。在泌尿系统疾病中，利用 DL 预测 MIBC 术前状态备受关注，但此前基于 MRI 的 DL 模型研究缺乏大样本和多中心验证。因此，开展一项基于 MRI 的 DL 模型多中心研究，精准预测 MIBC 迫在眉睫。

二、研究概况：多中心研究带来新突破

南京医科大学第一附属医院等多家机构的研究人员勇挑重担，开展了这项意义非凡的研究。该研究经伦理委员会批准并在 ClinicalTrials.gov 注册，从 2012 年 2 月至 2023 年 12 月，收集了 559 例患者，其中 521 例来自本中心，38 例来自外部中心。这些患者均接受了术前 MRI 和手术，且都签署了知情同意书。

研究人员运用了多种关键技术方法。首先，通过自动分割技术，由本中心开发的级联路径增强 Unet（Cascade Path Augmentation Unet，CPA-Unet）对 MRI 图像进行自动分割，之后放射科医生会重新检查。接着，基于分割后的 T2 加权图像（T2 weighted images，T2WI），以 Inception V3 为主要模型构建 DL 模型，该模型包含重建块和分类块，能端到端地对 MIBC 和 NMIBC 进行分类。在分析数据时，使用 IBM SPSS statistics（v26.0）进行统计分析，评估指标包括敏感性（Sensitivity，SN）、特异性（Specificity，SP）、准确性（Accuracy）和受试者工作特征曲线下面积（Area under the curve of ROC，AUC）等。

三、研究结果：模型性能表现出色

1. 患者特征：559 例患者在年龄、性别、肌肉浸润状态等临床特征上，组间无统计学差异。根据 DL 模型在验证集的敏感性和特异性，经 PASS 软件计算，样本量至少为 135 例。最终，内部测试集纳入 164 例患者，外部测试集纳入 38 例患者。
2. 阅片者一致性：两名阅片者在幻灯片评估和 VI-RADS 评分上一致性良好。幻灯片评估的 kappa（k）值为 0.869，P<0.001；在验证测试集、内部测试集和外部测试集中，VI-RADS 评分的 k 值分别为 0.927、0.922 和 0.831，P 均 < 0.001。
3. DL 模型和 VI-RADS 的性能：在验证集、内部测试集和外部测试集中，DL 模型预测 MIBC 的准确性分别为 92.4%、92.1% 和 81.6%，敏感性分别为 94.7%、86.8% 和 57.1%，特异性分别为 91.5%、94.6% 和 87.1%，阳性预测值（Positive predictive value，PPV）分别为 81.8%、88.5% 和 50.0%，阴性预测值（Negative predictive value，NPV）分别为 97.7%、93.8% 和 90.0%。与 VI-RADS 相比，在验证集和内部测试集中，DL 模型与 VI-RADS 的 AUC 无统计学差异；联合模型在验证集和内部测试集的性能优于单一模型，但在外部测试集未显示出优势。
4. 不同 VI-RADS 下 DL 模型的性能：在 VI-RADS 1 中，DL 模型准确性为 100%；在 VI-RADS 2、4、5 中，准确性均超 90%，分别为 93.5%、90.3% 和 93.9%；在 VI-RADS 3 中，准确性为 80%，为该类患者的诊断提供了新的补充工具。
5. 不同膀胱解剖位置的模型性能：DL 模型在不同膀胱解剖位置预测 MIBC 的准确性、敏感性和特异性有所差异。例如，在膀胱颈和三角区，准确性为 63.2%，敏感性为 71.4%，特异性为 58.3%；在左右壁，准确性为 92.0%，敏感性为 85.4%，特异性为 94.5% 等。
6. 典型病例分析：通过典型病例展示了 DL 模型判断肌肉浸润状态的过程，输入患者含肿瘤的 MRI 幻灯片，模型预测概率值，结果与最终病理结果一致。同时，分析了误分类病例，发现常见特征为肿瘤位于输尿管口附近或膀胱顶部、颈部。

四、研究结论与讨论：开启膀胱癌诊断新篇章

研究构建了基于 T2WI 和 Inception V3 的 DL 模型用于预测 MIBC，结果表明该模型在预测 MIBC 方面具有一定优势，尤其在 VI-RADS 3 的情况下，能为临床诊断提供额外价值。

不过，研究也存在一些局限性。DL 模型的 “黑箱” 性质导致其决策过程难以解释，未来可通过可视化技术探索其原理。外部中心患者数量有限，临床病理特征分布与本中心存在差异，且 MRI 成像质量不同，影响了模型在外部测试集的性能。后续研究可通过数据增强技术和多中心训练策略，增加训练数据集的多样性，建立专门的数据预处理流程来解决多中心数据差异问题。

总体而言，这项多中心临床研究成果为膀胱癌的精准诊断带来了新希望。DL 模型有望成为临床医生的得力助手，提高 MIBC 的诊断准确性，让更多患者得到及时、恰当的治疗，推动膀胱癌诊疗领域向前迈进一大步。