《Seminars in Ultrasound, CT and MRI》：MR ProGradeNet A Multi-Resolution Deep Learning Framework for Automated Prostate Cancer Grading from MRI
编辑推荐：
前列腺癌多参数MRI分级框架MR-ProGradeNet通过A-HASH预处理统一扫描差异，FRDF模块融合血管纹理与语义特征，ProMMGrader分类模块处理不确定性，在公共数据集上准确率达97.5%，AUC 0.999，显著优于传统CNN和现有方法。
Kranti Vithal Ghag | Jayashree Jagdale | Madhura Vyawahare
计算机工程系，SVKMs Dwarkadas J Sanghvi 工程学院，Vile Parle，孟买，400056，印度
摘要
前列腺癌仍然是男性癌症相关发病率的主要原因，对其侵袭性的准确分级对于优化治疗策略至关重要。虽然多参数磁共振成像（mpMRI）通过非侵入性方式可视化解剖结构和功能组织的对比度，彻底改变了前列腺癌的诊断方法，但当前的自动化分级框架仍存在显著局限性，这些问题包括不同扫描仪之间的差异、肿瘤微结构的建模不足以及临床可靠性不够。本研究提出了MR-ProGradeNet（多分辨率前列腺分级网络），这是一种新颖的深度学习架构，通过三个协同工作的模块系统地解决了这些问题。首先，A-HASH预处理模块利用学习到的直方图归一化和专门针对前列腺的UNet分割技术，统一了不同模态下的强度分布和空间表示，确保了输入数据的扫描仪无关性。其次，FRDF（分形放射组学深度融合）模块通过对分形维度增强型DCE MRI和EfficientNet编码的T2/ADC模态进行双路径处理，捕捉到了精细的血管生成纹理和高层次的语义信息，并通过门控注意力机制将两者融合在一起。最后，ProMMGrader分类模块结合了跨模态的标签分布学习和基于置信度的集成方法，以反映Gleason分级的不确定性并降低误分类风险。在公开的PROSTATEx数据集上的全面评估显示，MR-ProGradeNet的准确率达到97.5%，F1分数为0.974，AUC为0.999，显著优于传统的卷积神经网络（CNN）和最先进的前列腺分级方法。这项工作代表了在基于AI的mpMRI分析领域的一项临床实用且可解释的进展，能够在实际的多中心环境中提高诊断的信心和可重复性。
部分摘录
引言
前列腺癌是全球男性中第二常见的恶性肿瘤，其发病率、进展和死亡率在不同个体之间存在显著差异，这些差异受年龄、种族、遗传倾向和环境因素的综合影响1。磁共振成像（MRI），尤其是多参数磁共振成像（mpMRI），已成为一种无创、无辐射且信息量丰富的前列腺癌诊断、风险分层和治疗规划工具。
文献综述
通过深度学习（DL）和混合机器学习（ML）模型，前列腺癌的MRI分级领域取得了革命性进展。随着多参数磁共振成像（mpMRI）在临床应用中的日益普及，近期文献重点关注了用于Gleason评分分级、肿瘤分割和组织生物标志物映射的模型。2024年和2025年发表在Springer、IEEE、MDPI、ACS等顶级期刊上的研究强调了可解释AI和多体素光谱整合的重要性。
提出的方法
为了推进基于多参数磁共振成像（mpMRI）的自动化前列腺癌分级，我们提出了MR-ProGradeNet，这是一个全面的端到端框架，旨在解决预处理过程中的变异性、组织异质性和分级不确定性等问题。
结果与讨论
本节对MR-ProGradeNet在多中心mpMRI数据集上的自动Gleason分级性能进行了定量和定性评估，包括准确性、不确定性校准、模态贡献以及可解释性等方面，并将其与最先进的基线方法进行了比较。
结论
本研究提出了MR-ProGradeNet，这是一个统一且临床稳健的深度学习框架，专为使用多参数磁共振成像进行前列腺癌的自动化分级而设计。鉴于现有模型的局限性，尤其是它们对扫描仪诱导变化的敏感性、缺乏对血管纹理的识别能力以及对诊断不确定性的建模不足，本研究提出了一种模块化解决方案，能够对前列腺mpMRI数据进行协调、 contextualization（此处“contextualization”可能有误，应为“contextualization”或“interpretation”）和解释，从而在临床层面提高分级的准确性。
作者贡献说明
Madhura Vyawahare：研究工作、资金获取、正式分析、数据整理、概念构思。
Kranti Vithal Ghag：初稿撰写、数据可视化、验证、监督、软件开发。审稿与编辑、资源协调、项目管理、方法论设计。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的研究结果。
