JAMA Netw Open：人工智能辅助MRI识别前列腺癌的临床价值

前列腺癌是男性中最常见的癌症之一，全球范围内发病率居高不下。磁共振成像（MRI）及其靶向活检已成为前列腺癌诊断中的关键手段，尤其在识别临床显著前列腺癌（cSPCa）方面优势明显。为标准化MRI影像的解读，制定了前列腺影像报告和数据系统（PI-RADS），通过5级评分辅助预测肿瘤风险。

尽管医学影像技术进步，MRI诊断仍面临读片间差异大、时间成本高和对经验依赖强等挑战。随着前列腺MRI需求大幅增长，人工智能作为辅助工具被广泛期待能提升诊断准确性、减少诊断变异，并优化工作流程。然而，目前关于AI在临床前列腺癌MRI诊断中的证据依然有限，多为小规模、单中心或开发性研究，缺乏大规模多国家、多读片医师验证。

PI-CAI挑战赛作为一个国际性的跨机构合作项目，开发并测试了多套AI算法以识别cSPCa，并在此前证明该系统在独立测试集中表现卓越，超越多位经验丰富的放射科医师。本研究继此基础，将AI系统置于辅助角色，评估其对不同经验水平医师诊断效能的提升。

研究方法

本诊断研究收集并整合了2015年至2021年间4家欧洲中心共计780例疑似前列腺癌患者的双参数MRI资料。研究设计为多读者-多病例的观察性研究，随机分配61名读片医师（包含住院医师及专家）在有、无人工智能辅助条件下对同一批次的360例测试集MRI影像进行独立读片。AI系统基于PI-CAI联盟公布的表现最佳算法集合，提供标注的病灶检测图、分数评分（1-10级，10分表示最高cSPCa可能性）、病人级别的0-100评分。医师依托PI-RADS分级标准进行病灶定位与风险评分，同时结合患者临床信息。两轮交叉阅片间隔4周，避免记忆影响。统计分析主要依据容许假设检验（Holm-Bonferroni校正），以ROC曲线下面积（AUROC）、灵敏度（sensitivity）与特异度（specificity）作为主要评估指标。此外分专业经验层面进行亚组分析。

研究结果

AI辅助诊断表现

• 总体诊断能力提升显著：AI辅助读片的AUROC为0.916（95% CI，0.893-0.938），显著高于无辅助的0.882（95% CI，0.854-0.910），提升幅度达3.3%（P<0.001）。
• 灵敏度与特异性的双重提升：在PI-RADS≥3作为阳性判定阈值时，灵敏度由94.3%提升至96.8%（P<0.001），特异性由46.7%提升至50.1%（P=0.01）。
• 非专家医师的提升更明显：非专家AUROC提升5.3%，专家提升1.8%；灵敏度分别提升3.7%和1.5%；特异性分别提升4.3%和2.8%。
• 独立AI系统表现优异：未参与人机交互时，AI系统AUROC达到0.947，超过任何医师组别的表现。

PI-RADS分数的调整与AI影响

• 约33%的读片结果在有无AI辅助间发生改变。
• 其中，8%的病例由MRI阴性调整为阳性，9%由阳性调整为阴性。
• AI辅助使低风险组（PI-RADS 1-2）中cSPCa的患病率由6%降至3%，体现出更准确的排除能力。
• 高AI评分（7-10分）对应阳性诊断（PI-RADS 4-5）的比例明显上升，低评分（1-4分）下阳性比例下降。

图1 双参数磁共振成像(bpMRI)和人工智能辅助下的BPM ri(BPM ri+AI)的受试者工作特征曲线下面积(AUROC)诊断性能

图2 来自无辅助双参数磁共振成像(bpMRI)的患者水平前列腺成像报告和数据系统(PI-RADS)评分图；左)和人工智能(AI)辅助的BP MRI(BP MRI+AI；右)观察者研究中的评估

图3 前列腺成像报告和数据系统(PI-RADS)评分在独立评估和人工智能(AI)辅助评估中的比例

研究意义

本研究凭借多中心、多国家背景和多读者的规模优势，首次以高度科学严谨的设计确认了AI辅助在前列腺癌MRI诊断中的增值效果。结果明确显示，AI支持不仅提升了总体诊断性能，尤其在灵敏度和特异性两方面同步优化，还能缩小不同经验医师之间的表现差距，助推诊断均质化。此外，AI系统独立表现优于人工判断，提示随着技术成熟，未来AI可承担更多自动诊断职责，延缓甚至降低对专家人力资源的依赖，特别是在医疗资源有限地区。不过，研究也揭示了AI辅助仍未显著减少“疑似”病例（PI-RADS 3级）比例，提示AI影响诊断行为依然有限，且人工智能系统需更好地与标准评分体系对接。临床实际应用还需评估其对工作流程的时间效率和成本效益影响。

未来，科研应重点关注AI系统跨区域、跨设备的泛化能力，探索真实临床环境中的前瞻性验证，同时结合多模态信息以增强判读可解释性和医师与AI的协同机制，最终推动精准医疗的临床转化。

梅斯小编点评

这项研究代表了人工智能在前列腺癌影像诊断领域迈出的关键一步。通过严谨的多读者、多中心设计，实证了AI辅助的客观优势，尤其是帮助经验不足的读者提升诊断质量的价值，为临床应用提供了强有力的科学证据。

未来值得期待的是，如何在实际医院的常规工作流程中顺利整合AI助手，实现读片效率的实质提升，进而改善患者的诊断路径和预后管理。这也对AI模型的可解释性与风险把控带来新的挑战。此外，围绕AI辅助带来的伦理、法律和监管体系构建也呼之欲出，是推动医疗AI落地的必经之路。这份研究同时为后续更大规模的试点推广和前瞻性临床验证提供了可资借鉴的研究范式和数据支撑。

原始出处：

Twilt JJ, Saha A, Bosma JS, et al; for the PI-CAI Consortium. AI-Assisted vs Unassisted Identification of Prostate Cancer in Magnetic Resonance Images. JAMA Network Open. 2025;8(6):e2515672. doi:10.1001/jamanetworkopen.2025.15672. Published June 13, 2025.