应用深度学习实现前列腺癌盆腔骨转移的分割并基于MET-RADS-P指南评估骨转移疗效

作者：刘想; 张耀峰; 李家轮; 马明明; 王祥鹏; 张晓东; 王霄英^*

来源：临床放射学杂志, 2023, 42(08): 1277-1283.

DOI：10.13437/j.cnki.jcr.2023.08.024

• 前列腺癌
• 深度学习
• 前列腺癌转移报告和数据系统
• 反应评估分类
• 图像配准

目的 对前期建立的前列腺癌骨盆转移灶分割模型进行外部验证，并在此基础上基于前列腺癌转移报告和数据系统(MET-RADS-P)进行前列腺癌骨转移治疗反应评估分类(RAC)。方法 搜集40例经病理证实为前列腺癌且临床证实存在盆腔骨转移的患者，所有患者均进行了一次骨转移治疗前和治疗后的盆腔MRI扫描。分别由一位影像科住院医师和专家对患者的转移灶进行手工标注，以手工标注作为参考标准评价模型的分割性能。并以手工标注的治疗前后骨转移病灶RAC评分(包括RAC 1st和RAC 2nd)为参考标准，评估基于自动分割、医师1(主治医师)和医师2(住院医师)RAC分类的准确性和一致性。骨转移灶分割性能的评估指标包括DICE相似系数(DSC)、体积相似性(VS)和豪斯道夫距离(HD)。使用受试者工作特征曲线(ROC)曲线下面积(AUC)和Kappa值评估自动分割、医师1和医师2的RAC分类准确性和一致性。结果 模型对治疗前后的骨转移灶分割DSC值均在0.80以上，VS值均大于0.90,HD均小于15 mm。对于RAC 1st的评估，基于自动分割及医师1和医师2的AUC值分别为0.88、0.84和0.83;对于RAC 2nd的评估，其AUC值分别为0.82、0.76和0.70。在RAC 1st中，基于自动分割、医师1及医师2的骨转移灶RAC分类与参考标准的Kappa值分别为0.78、0.74和0.67;RAC 2nd的Kappa值分别为0.68、0.53和0.50。结论 基于深度学习可实现前列腺癌盆腔骨转移灶的自动分割，并可在此基础上实现基于MET-RADS-P指南的前列腺癌骨转移RAC评分。

• 单位
  北京大学第一医院