编辑推荐：
前列腺癌（PCa）筛查面临挑战，为提升诊断准确性，研究人员开展基于深度学习 ResNet50 模型的计算机辅助诊断（CAD）系统研究。结果显示该模型分类能力强，AUC 达 0.89，但识别良性样本有局限。此研究为 PCa 诊断提供新方向1811。
前列腺癌作为男性健康的一大威胁，在全球范围内发病率居高不下，严重影响着男性的生活质量与生命健康。目前，前列腺活检虽为标准诊断方法，但其具有侵入性，不仅可能遗漏小肿瘤，还易导致过度治疗，给患者带来身体上的痛苦和心理上的负担。同时，传统的计算机辅助诊断（CAD）系统在区分前列腺良恶性病变时，因依赖精确的图像分割和最佳图像选择，其诊断效果一直不尽人意。在这样的背景下，如何优化诊断流程、提高前列腺癌的早期诊断准确率，成为了医学领域亟待解决的重要问题。
为了攻克这一难题，湖州师范学院第一附属医院泌尿外科以及湖州市泌尿系统肿瘤精准诊疗重点实验室的研究人员开展了一项关于 AI 辅助多参数 MRI（mpMRI）诊断前列腺癌的可行性研究，相关成果发表于《Scientific Reports》。
研究人员采用了多种关键技术方法。首先，从 106 例前列腺癌患者处收集了与病理切片对应的 mpMRI 图像，包括 T2 加权（T2WI）、扩散加权成像（DWI）等序列。之后，利用预训练的 ResNet50 模型作为特征提取器，该模型是一种深度残差网络，通过残差块有效解决了深度神经网络中梯度消失和梯度爆炸的问题，能够提取丰富的图像特征。同时，研究引入了多头注意力机制，以此融合不同模态的特征并捕捉它们之间的相关性，最后通过全连接层进行分类预测。
研究结果主要从以下几个方面展开：
- 模型训练与验证：在训练过程中，模型的训练和验证损失起初波动较大，验证损失出现了多个较高的峰值，这表明模型在某些训练阶段可能存在过拟合或欠拟合的情况。不过，整体上训练和验证损失呈逐渐下降趋势，说明模型在不断优化。从各模态的验证准确率来看，DCE 模态的准确率在训练过程中波动明显，初期虽有显著提升，但随后出现波动和下降趋势；T2 模态的准确率波动范围在 0.2 - 0.7 之间，表现不稳定；DWI 模态的准确率在初始阶段波动剧烈，之后逐渐趋于稳定，但整体水平较低，主要在 0.4 - 0.55 之间波动234。
- 模型评估：通过对测试集的评估发现，整体模型的表现可圈可点。在区分恶性样本方面，模型表现出色，所有恶性样本均被正确分类；然而，在识别良性样本时存在不足，有 23 例良性样本被误判为恶性。从评估指标来看，整体模型的 ROC 曲线下面积（AUC）达到 0.89，表明其具有较高的分类能力；PR 曲线的 AUC 值为 0.91，意味着在大多数召回值下模型能保持较高的精度，但随着召回率的增加，精度会有所下降。此外，整体准确率为 0.8309，F1 分数为 0.8553，综合反映了模型在平衡精度和召回率方面的能力9108。
- 各模态分析：单独分析各模态时发现，DCE 模态的分类性能较差，混淆矩阵显示所有样本都被误判为恶性；DWI 模态虽然在识别恶性样本上表现良好，但在区分良性样本时存在困难；T2 模态的分类效果最差，几乎无法区分样本类别567。
研究结论表明，该研究提出的基于深度学习 ResNet50 模型并结合多头注意力机制的 CAD 系统，在评估前列腺 mpMRI 图像中恶性肿瘤风险方面展现出了较高的分类能力。不过，模型在区分良性样本时的性能有待进一步优化。这项研究为利用 AI 检测 MRI 病变变化以及评估临床相关性奠定了基础，有望提高前列腺癌的诊断率，减少误诊和漏诊情况的发生，为患者提供更清晰的诊疗指导，在前列腺癌的早期诊断和治疗领域具有重要的意义。同时，研究人员也认识到研究存在一定的局限性，如数据集较小、缺乏多样性等，并计划在未来通过多种方法进行改进，包括扩大样本量、采用多中心数据收集、优化模型结构等，以进一步提升模型的性能和诊断准确性，推动前列腺癌诊断技术的发展。
