近日，海军军医大学第二附属医院（上海长征医院）任善成教授联合北京大学第三医院张树栋教授、南京医科大学第一附属医院李杰教授、北京友谊医院王良教授、青岛大学附属医院聂佩教授、安徽大学邵立智教授等多学科医工交叉团队，在国际顶尖医学期刊Nature Cancer（IF=28.5）发表了题为An MRI-Pathology Foundation Model for Non-Invasive Diagnosis and Grading of Prostate Cancer的高质量研究成果。

前列腺癌是全世界性第二大癌症，随着中国人口老龄化和生活方式的西化，近年来我国前列腺癌发病率现已位居我国男性恶性肿瘤第六位。临床实践发现：50岁以上健康男性体检中，1/3的男性B超发现有前列腺结节，近10% 出现肿瘤指标PSA异常升高，这些“可疑信号”给“患者”带来了巨大的心理压力。

目前，全球各大临床指南推荐磁共振（PI-RADS评分）进一步确诊。然而，PI-RADS评分存在两大缺陷（1）主观性缺陷——该评分依赖放射科医生经验判断。研究显示不同医生间判读差异高达30%（2）准确性缺陷。PI-RADS评分分为1-5级，对应不同癌变可能性。即使是最有经验的医生给出了“准确”的PI-RADS 评分，也无法“准确”判断有无肿瘤。因此，亟需一种高效、准确且无创的预测工具，用于辅助“临床可疑”患者的诊断和恶性程度分级。

该研究开发并验证了一个基于多中心真实临床数据的用于前列腺癌高效、准确且无创诊断和分级的影像-病理基础模型，展示了人工智能（AI）结合MRI如何定量反映前列腺肿瘤的病理特征，进一步增强了AI基础模型在临床实践中用于癌症高效、准确且无创诊断和分级的潜力，有望显著减少不必要的前列腺穿刺活检，有效降低患者痛苦和并发症风险，最终为前列腺癌患者带来更舒适、安全的诊疗体验与福祉。

研究团队招募了来自多个中心的回顾性和前瞻性患者队列（n = 5747），并收集了放射学、病理学和临床检查数据。AI模型的评估涵盖了时间外部测试、空间外部测试、人口外部测试及前瞻性测试。为减少图像序列遗漏、过拟合和仪器差异带来的负面影响，研究使用了1,296,950对影像数据进行基础模型的构建，集成了自监督学习、任务多重学习、Transformer及基础模型迁移学习技术，显著提升了预测性能。

研究团队设计的AI模型（MRI-based Predicted Transformer for Prostate Cancer，MRI-PTPCa），通过三个磁共振影像序列（T2WI、DWI、ADC）预测只有在病理评估中才能获得的肿瘤侵袭性信息，从而辅助临床医生诊断前列腺癌、临床显著前列腺癌及病理分级。回顾性研究中，7个机构、4个医疗中心和一个国际数据集参与了多中心测试。前瞻性研究则通过将AI模型作为独立系统、平行系统和预警系统进行测试。

在实际测试中，MRI-PTPCa的预测结果与病理学评估结果具有显著一致性（P<0.001），并且优于临床评估和其他预测模型（前列腺癌AUC = 0.983，95%置信区间（CI）0.98-0.986；临床显著前列腺癌AUC = 0.978，95% CI 0.975-0.98；分级准确率 = 89.1%，95% CI 88.2%-89.9%）。值得注意的是，基于MRI-PTPCa与多参数MRI联合使用，在非侵入性诊断和分级方面，其表现与病理评估不相上下。MRI-PTPCa有望成为一种新型的非侵入性前列腺癌诊断和分级工具。

在可解释性方面，研究团队将影像、前列腺根治术大切片、人工智能可视化热图与量化特征进行了对照分析，以从放射学、病理学和血液学的角度解释MRI-PTPCa模型的优越性能。

结果表明，MRI-PTPCa得分与真实的格里森分级之间存在显著正相关。基于类别激活映射（Class Activation Mapping，CAM）的注意力热图突出了对预测结果做出贡献的关键区域和范围。

此外，T2WI、DWI和ADC在前列腺癌的诊断和分级中的贡献性也通过量化分析，证明了它们与PI-RADS专家共识的高度一致性。MRI-PTPCa的融合特征与前列腺肿瘤中的细胞强度、形态和纹理信息显著相关（p<0.01），进一步验证了影像学与病理学关联的可行性。MRI-PTPCa中的多参数MRI特征在前列腺癌的病理表型中具有显著性，包括非前列腺癌、前列腺癌和临床显著前列腺癌。基础模型的编码特征还与tPSA、fPSA和f/t PSA呈现显著相关性，为前列腺癌的分子层面信息提供了有力支持。

综上所述，研究团队开发并验证了一个基于多中心真实临床数据的用于前列腺癌高效、准确且无创诊断和分级的影像-病理基础模型。研究展示了AI结合MRI如何定量反映前列腺肿瘤的病理特征，进一步增强了AI基础模型在临床实践中用于癌症高效、准确且无创诊断和分级的能力。