前列腺癌仍然是全球男性面临的主要健康问题，及时诊断对于确保有效治疗至关重要。在MRI扫描中对前列腺癌（PCa）病灶进行精确分割，是评估肿瘤范围、指导活检和支持治疗决策的关键步骤。尽管磁共振成像（MRI）已被证明在可视化前列腺结构方面非常有效，但手动分割仍然耗时且容易出现差异性。近年来，深度学习的进步使自动化方法成为可能，但在处理多模态数据和跨机构泛化方面仍存在挑战。为此，研究人员开发了PCaSAM模型，该模型利用多模态MRI图像和基础模型的能力，提高了前列腺癌分割的准确性和临床实用性。
通过多模态集成改进分割
多模态MRI——包括T2加权（T2W）、扩散加权成像（DWI）和表观扩散系数（ADC）扫描——提供了前列腺的互补视图。每种模态都提供不同的信息：T2W图像突出解剖结构，DWI揭示组织扩散模式，而ADC则量化扩散，从而提供细胞密度的洞察。整合这些视图对于全面描述病灶至关重要。然而，传统模型往往难以有效地融合这些数据类型。PCaSAM通过结合MedSAM（一种基于Transformer架构的医学基础模型）的能力以及定制的多模态特征融合和提示生成模块，解决了这一问题。
PCaSAM模型通过一个采用注意力机制的多模态融合模块（MFM），从每种模态中提取并合并相关特征，从而提高分割精度。在此过程中，它保留了每种图像类型的特异性，同时创建了一个针对分割任务优化的统一表示。此外，PCaSAM还包括一个提示生成模块（PGM），以取代手动边界框输入，实现完全自动化的分割。通过保留MedSAM图像编码器、提示编码器和掩码解码器的固定参数，PCaSAM以更少的可训练参数实现了强大的泛化能力。
在临床数据集中的性能和泛化能力
PCaSAM在包含1,431个病例的多中心数据集上进行了训练和评估，这些数据来自公共和私人来源。内部数据集用于训练和测试，而外部数据集则评估了模型的泛化能力。与基于卷积和Transformer的专业模型相比，PCaSAM始终优于其竞争对手。在内部数据集中，它实现了最高的Dice相似性系数（DSCs），显著提高了分割精度。与仅依赖卷积层或需要手动提示的模型不同，PCaSAM在各种成像协议和患者群体中表现出稳健性。
在外部验证中，由于领域偏移，性能通常会下降，但PCaSAM在准确性上的损失最小，保持了高度的一致性。这种稳定性对于临床部署至关重要，因为在临床环境中，数据异质性很常见。此外，视觉检查证实，PCaSAM在处理具有弱肿瘤边界或不同成像条件的复杂病例时表现优于对比模型。其在数据集中的标准偏差较低，突显了其可靠性。
PCaSAM还展示了卓越的训练效率。它仅有1,248万个可训练参数，约为U-Net的36%，在五个周期内实现了更快的收敛，并在训练期间需要更少的视频内存。这种效率使其能够在计算资源有限的环境中使用，非常适合实际应用。
通过PI-RADS评分增强临床决策支持
除了分割外，PCaSAM还通过改进前列腺影像报告和数据系统（PI-RADS）评分来支持临床决策，这对确定癌症严重程度和治疗路径至关重要。通过将预测的病灶掩码整合到PI-RADS评分流程中，PCaSAM有助于聚焦于相关肿瘤区域。这种方法使用基于ResNet50的分类器在两个包含高怀疑度前列腺癌病例的外部数据集上进行了评估。
测试了三种配置：一种使用原始多模态MRI图像，另一种结合PCaSAM生成的掩码，第三种使用专家绘制的掩码。添加PCaSAM掩码后，PI-RADS评分为3至5的平均AUC增加了8.3%至8.9%，接近专家水平的表现。这些发现表明，精确分割可以显著增强下游分类任务，并为将AI工具整合到放射学工作流程中提供了途径。值得注意的是，PCaSAM的自动化特性减少了对手动标注的需求，使放射科医生能够专注于解释和诊断。
PCaSAM通过有效结合多模态MRI数据和医学基础模型的泛化能力，在前列腺癌成像方面取得了重大进展。其架构整合了基于注意力的融合和自动化提示生成，克服了前列腺癌分割中的长期挑战。通过超越专业模型并在多样化数据集中保持性能，PCaSAM证明了其临床应用的准备就绪。此外，其对PI-RADS评分的改进突显了其支持放射科医生做出及时准确决策的潜力。凭借高效的训练需求和稳健的性能，PCaSAM将成为精准肿瘤学中的宝贵工具，简化工作流程并改善患者预后。
(全文结束)
