基于Monte Carlo Dropout置信度估计与Grad-CAM可视化的双参数MRI(bpMRI)临床显著性前列腺癌(csPCa)分类

《Frontiers in Oncology》:Confidence-based classification of clinically significant prostate cancer on biparametric MRI using Monte Carlo dropout and Grad-CAM visualization

【字体: 大 中 小 】 时间:2026年10月08日 来源:Frontiers in Oncology 3.4

编辑推荐:

  目的:临床显著性前列腺癌(Clinically Significant prostate cancer, csPCa)的准确早期诊断对提高患者生存率至关重要。本研究旨在开发并验证一种可解释的、基于置信度的深度学习模型,用于利用双参数MRI(biparametr

  
目的:临床显著性前列腺癌(Clinically Significant prostate cancer, csPCa)的准确早期诊断对提高患者生存率至关重要。本研究旨在开发并验证一种可解释的、基于置信度的深度学习模型,用于利用双参数MRI(biparametric MRI, bpMRI)进行csPCa分类。方法:对410例患者的bpMRI数据进行回顾性分析。采用视觉几何组16层(visual geometry group 16-layer, VGG-16)网络构建分类模型,整合梯度加权类激活映射(gradient-weighted class activation mapping, Grad-CAM)以实现可视化可解释性,蒙特卡洛Dropout(Monte Carlo Dropout, MC-Dropout)用于不确定性估计,以及拒绝机制。使用受试者工作特征(receiver operating characteristic, ROC)曲线和ROC曲线下面积(area under the ROC curve, AUC)评估模型性能。结果:在所有预测中,基于置信度的模型在拒绝前达到总体准确率79.3%。在置信度阈值0.8时,80.8%的预测被保留,其中选择性准确率为94.6%,有99例假阳性和2例假阴性预测。此外,模型准确率优于一名资深放射科医师(94.6% vs 90.8%)。定性Grad-CAM可视化显示,分类器常将高激活归于被认为可疑csPCa的MRI区域;然而,未评估与病灶标注的定量空间一致性。结论:该基于置信度的模型无需像素级标注即可识别csPCa病灶并提供可靠置信度评分。通过拒绝不确定预测,其增强了临床决策的透明性和安全性。
论文主体解读

研究背景:前列腺癌(prostate cancer, PCa)是全球男性第二常见恶性肿瘤,发病率仅次于肺癌。中国PCa发病率因人口老龄化持续上升。早期临床显著性前列腺癌(Clinically Significant prostate cancer, csPCa;定义为Gleason评分≥3+4/ISUP Grade Group≥2)常无症状,及时筛查和精准诊断对提高生存率至关重要。MRI是csPCa诊断的重要工具,前列腺影像报告和数据系统(Prostate Imaging-Reporting and Data System, PI-RADS)推荐多参数MRI(multiparametric MRI, mpMRI)为标准,包括T2加权成像(T2-weighted imaging, T2WI)、扩散加权成像(diffusion-weighted imaging, DWI)和动态对比增强成像(dynamic contrast-enhanced imaging, DCE)。但DCE需静脉注射对比剂,增加检查成本和复杂性,并有肾毒性和过敏风险,限制大规模筛查和常规随访。因此,仅依赖T2WI和DWI的双参数MRI(biparametric MRI, bpMRI)受到关注。既往研究表明bpMRI诊断性能与mpMRI相当,且实用可靠。但bpMRI解释依赖放射科医师经验和专业水平,易受读者间变异、疲劳和培训背景差异影响。深度学习计算机辅助诊断(computer-aided diagnosis, CAD)在csPCa图像分析中进展显著,卷积神经网络(convolutional neural networks, CNN)可自动提取MRI特征,提高诊断效率和准确性,并可能减少人工读片变异。然而,当前模型的可解释性和预测可靠性仍不足,通常不能为每个预测提供病例置信度,难以支持精准决策。蒙特卡洛Dropout(Monte Carlo Dropout, MC-Dropout)可在测试时多次随机dropout,提供可靠置信评分,增强透明度和临床可解释性。为此,研究人员提出并验证一种基于置信度的模型,用MC-Dropout区分良恶性前列腺病灶,同时提供每个预测的置信度,以提高临床决策准确性和安全性。

研究人员开展的研究:研究人员回顾性纳入贵州医科大学附属医院放射科2023年2月至2025年8月接受前列腺MRI并有组织病理学确认的患者410例,其中PCa 267例、非PCa 143例,共2303幅图像。PCa患者纳入标准包括MRI前无前列腺活检或手术、MRI后2周内活检、无放疗化疗或激素治疗史、T2WI和DWI及PI-RADS和Gleason评分完整。非PCa患者包括活检病理确认或至少6个月临床和影像随访无恶性证据。研究获机构伦理委员会批准,因回顾性设计豁免书面知情同意。以经直肠超声引导活检组织病理学为参考标准,csPCa定义为Gleason评分≥3+4/ISUP Grade Group≥2,良性和Gleason评分3+3/ISUP Grade Group 1归为非csPCa。由两名有7年和9年前列腺MRI诊断经验的放射科医师独立盲法阅片,确定每个轴位层面是否存在MRI可见csPCa,分歧通过共识解决。分类和性能评估单位为单个轴位三通道bpMRI切片,即T2WI、DWI和表观扩散系数(apparent diffusion coefficient, ADC),未使用像素级病灶标注训练。另由一名有11年前列腺MRI经验的资深放射科医师独立阅片,盲于组织病理、模型输出和原始报告,按PI-RADS v2.1评分,患者层面取最高PI-RADS,≥4为csPCa阳性,≤3为阴性。研究构建基于视觉几何组16层(visual geometry group 16-layer, VGG-16)的分类模型,整合梯度加权类激活映射(gradient-weighted class activation mapping, Grad-CAM)和MC-Dropout及拒绝机制。结论为:该基于置信度的模型无需像素级标注即可识别csPCa病灶并提供可靠置信评分;通过拒绝不确定预测,增强临床决策透明性和安全性;在置信度阈值0.8时,接受预测准确率优于资深放射科医师,AUC高于原始VGG-16和ResNet-50。其意义在于提高分类准确性和可靠性,降低误诊风险,提供透明决策支持,减少标注成本并增强可扩展性。

关键技术方法:单中心回顾性队列来自贵州医科大学附属医院2023年2月至2025年8月410例患者(267例PCa、143例非PCa),共2303幅图像。采用轴位T2WI、高b值DWI和自动生成ADC组成3通道输入,经自动前列腺分割、裁剪、自适应直方图均衡和随机仿射变换。VGG-16为主干,卷积层用ImageNet预训练权重,全连接层从头训练,Adam优化,初始学习率1×10-4,批大小16,最多100个epoch,二分类交叉熵损失;以ResNet-50为对照。Grad-CAM用于可视化,MC-Dropout在测试时保留两个dropout层(概率0.5),每幅图50次随机前向传播,聚合分类输出和激活图,以均值为最终概率、方差定义置信度,阈值0.8拒绝不确定预测。五折患者级交叉验证,MedCalc统计。

研究结果:
3.1 定性结果:通过代表性病例可视化,研究人员展示了高置信度预测。典型csPCa(Gleason评分4+4)病例中,T2WI、DWI和ADC显示病灶,Grad-CAM红色高激活区域对应真实肿瘤位置,表明模型仅用图像级标签即可正确学习病灶特征;置信度加权激活图中多数区域置信值接近1,说明模型对该病灶定位和分类高度自信。另一低置信度病例中,尽管Grad-CAM显示一定高激活区域,但对应置信度低,表明模型不确定这些区域是否真正癌变,因此该预测被拒绝。该病例为原始VGG-16误分类的良性病变,拒绝低置信预测可防止此类错误作为最终输出。

3.2 定量结果:通过五折患者级交叉验证获得410例患者2303幅图像的out-of-fold预测。ResNet-50的AUC为0.90,原始VGG-16为0.87,提出的基于置信度框架为0.93;ResNet-50准确率为82.9%。根据重复实验确定置信度阈值0.8为最佳平衡。全部2303幅图像预测中,置信度模型正确分类1825幅,假阳性(false-positive, FP)350幅,假阴性(false-negative, FN)128幅,拒绝前总体准确率79.3%。阈值0.8时,1861幅(80.8%)作为高置信预测被接受,442幅(19.2%)作为低置信被拒绝。资深放射科医师FP 126幅(5.5%),FN 86幅(3.8%),正确2091幅(90.8%);原始VGG-16 FP 352幅(15.3%),FN 125幅(5.4%),正确1826幅(79.3%);置信度模型拒绝子集FP 251幅(56.7%),FN 126幅(28.5%),正确65幅(14.8%);接受子集FP 99幅(5.3%),FN 2幅(0.1%),正确1760幅(94.6%)。拒绝病例中FP占多数(56.7%),部分正确预测因低置信被拒绝。接受的1861幅中1760幅正确,选择性准确率94.6%;接受子集含99幅FP和2幅FN。这些值代表在阈值接受条件下的性能,应与80.8%覆盖率共同解释,而非总体性能。高置信预测总体准确率超过资深放射科医师(94.6% vs 90.8%)。卡方分析显示置信度模型与原始VGG-16分类性能差异显著(χ2=199.88,P<0.001)。ROC分析显示提出模型AUC高于原始VGG-16和ResNet-50(P<0.05;DeLong检验)。

讨论总结:讨论指出,早期准确诊断csPCa至关重要;bpMRI因避免对比剂、操作简便和采集时间短,成为筛查和诊断关键手段,但自动高效提取病灶信息并实现高敏感性和特异性仍是临床挑战。深度学习CAD推动医学图像分析,使诊断从主观视觉解释转向更客观可重复过程,提高性能并减少读者依赖变异。近期一项涉及10207例患者的多中心研究报道,深度学习模型与62名经验丰富放射科医师相比,在匹配敏感性下将FP率降低约50%,提高csPCa检出率,模型总体AUC显著高于人类读者(0.91 vs 0.86)。2024年系统综述报道,放射科医师按PI-RADS v2.1阈值≥3或≥4诊断csPCa时,特异性为0.60至0.82,FP率仍达18%至40%。这些结果提示AI模型的诊断优势,并可能减少不必要前列腺活检。然而,多数CAD依赖高质量像素级标注,如Abraham et al.用预训练VGG-16在bpMRI进行PCa分级,Song et al.提出基于patch的CNN分类癌与非癌组织,Schelb et al.改造U-Net进行像素级分类。尽管可捕捉细粒度病灶信息,但像素级标注劳力耗时、易受观察者变异影响,可能导致高FP并限制临床可扩展性。患者或切片级标签更经济,但模型通常仅输出二分类,不解释决策是否由真实病灶区域驱动,也不指示预测可靠性。Grad-CAM等可解释方法可可视化网络激活区域,但每个病例仍为单一确定性预测,缺乏显式置信信息,限制临床决策实用性。为此,研究人员开发整合MC-Dropout和Grad-CAM的bpMRI csPCa分类模型,同时改善分类性能、量化预测置信度并提供决策区域视觉解释。五折交叉验证证明MC-Dropout有效性:阈值0.8时接受预测性能明显优于原始VGG-16,卡方检验确认准确率差异显著(P<0.001),DeLong检验显示基于置信度模型AUC更高(P<0.05)。ResNet-50的AUC为0.90,高于原始VGG-16的0.87,但低于提出框架的0.93,说明性能并非仅因与相对简单VGG-16基线比较;但本研究并非当代前列腺MRI架构全面基准,主要目标是研究预测不确定性能否识别潜在不可靠模型输出。未来应在更大规模多中心队列中,用transformer和基础模型架构评估该不确定性感知框架。拒绝机制方面,阈值0.8时约80.8%预测保留,分类准确率94.6%;该较高准确率不应解释为模型性能无条件提升,而是选择性预测策略,以降低诊断覆盖为代价。拒绝子集中误分类预测比例明显更高,提示MC-Dropout置信度有助于识别潜在不可靠输出。完整选择性分类特征需通过多操作阈值风险-覆盖分析评估,超出当前概念验证研究预设范围。Grad-CAM仅作为事后可视化工具,不影响分类概率或基于置信度的接受/拒绝决策,因此选择性分类性能变化归因于MC-Dropout不确定性估计及拒绝机制,而非Grad-CAM。代表性病例中Grad-CAM高亮视觉上被认为可疑csPCa的bpMRI区域,但因无标准化病灶级标注,未评估定量空间一致性,激活图应解释为定性视觉解释而非已验证病灶定位图。低置信度误分类分析显示,良性炎症或出血区域在ADC图上可呈低信号,类似恶性病变,可能混淆模型和人类读者;提示临床医师应特别关注这些非典型病例,并结合临床背景解释模型输出。局限性包括:数据来自单中心单3.0T扫描仪,可能限制泛化性,未来计划多中心验证;诊断性能在轴位切片水平评估,而非病灶或患者水平,报告性能不应直接解释为患者级诊断性能,且未预定义患者级聚合策略;小病灶(通常<5 mm)可能挑战模型,细微信号变化可被复杂腺体解剖或容积效应部分掩盖,未来将探索注意力机制;虽使用既往验证的前列腺分割算法预处理,但其分割准确性未在当前数据集独立量化,分割误差可能影响下游分类;采用2D架构,回顾性DWI数据空间分辨率各向异性(2.7×2.4×4 mm3),队列独立患者有限尽管切片较多,故选择2D迁移学习进行概念验证,未来应在更大规模多中心数据评估2.5D和全3D架构。

研究结论翻译:总之,本研究提出了一种用于csPCa的基于置信度的bpMRI分类模型,其结合了基于MC-Dropout的置信度分析与Grad-CAM可视化。所提出的模型显著提高了分类准确性和可靠性,有效降低了临床误诊风险,并为临床医师提供了透明决策支持。此外,它消除了对详尽像素级标注的需求,降低了标注成本并增强了可扩展性。该方法显示出有前景的临床应用和转化潜力,并可能为csPCa的精准诊断和治疗决策开辟新途径。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号