基于解剖学引导的可解释前沿模型用于前列腺 MRI：Foundation Models 与体外临床试验用于虚拟活检风险评估
图像与视频处理
2025-05-26 v1 计算机视觉与模式识别
摘要
我们提出了一个完全自动化的、解剖学引导的深度学习管道，用于基于常规 MRI 的前列腺癌（PCa）风险分层。该管道集成了三个关键组件：用于在轴向 T2 加权 MRI 上对前列腺腺体及其区域进行分割的 nnU-Net 模块；基于 UMedPT Swin Transformer foundation model 的分类模块，在 3D 补丁上进行微调，可选包含解剖先验和临床数据；用于生成对抗热图以局部化决策驱动图像区域的 VAE-GAN 框架。该系统使用 1,500 例 PI-CAI 案例进行分割训练，617 例双能 MRI 案例及其元数据用于分类（分为 70% 训练、10% 验证和 20% 测试）。分割平均 Dice 得分为 0.95（腺体）、0.94（周围区）和 0.92（转化区）。 incorporating 解剖先验后，AUC 从 0.69 提升至 0.72，三尺度集成模型取得最佳性能（AUC = 0.79，综合得分 = 0.76），超越 2024 年 CHAIMELEON 挑战获奖者。对抗热图可靠地标记了分割区域内的病灶，增强了模型可解释性。在一个包含 20 名临床医生的前瞻性多中心体外试验中，AI 辅助将诊断准确率从 0.72 提升至 0.77，Cohen's kappa 从 0.43 提升至 0.53，同时将每例病例的审阅时间缩短 40%。这些结果表明，解剖感知的 foundation 模型结合对抗可解释性可实现准确、可解释且高效的 PCa 风险评估，支持其作为虚拟活检在临床实践中的应用。
引用
@article{arxiv.2505.17971,
title = {Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment},
author = {Danial Khan and Zohaib Salahuddin and Yumeng Zhang and Sheng Kuang and Shruti Atul Mali and Henry C. Woodruff and Sina Amirrajab and Rachel Cavill and Eduardo Ibor-Crespo and Ana Jimenez-Pastor and Adrian Galiana-Bordera and Paula Jimenez Gomez and Luis Marti-Bonmati and Philippe Lambin},
journal= {arXiv preprint arXiv:2505.17971},
year = {2025}
}