《Ultrasound in Medicine & Biology》：Prostate Cancer Detection on Micro-Ultrasound Raw Data Using a Deep Learning Neural Network
编辑推荐：
艾哈迈德·埃尔·卡法斯（Ahmed El Kaffas）|托德萨维特·蒂亚拉塔纳查伊（Thodsawit Tiyarattanachai）|米拉贝拉·鲁苏（Mirabela Rusu）|布莱恩·沃德林格（Brian Wodlinger）|理查德·E·范（Richard E. Fa
艾哈迈德·埃尔·卡法斯（Ahmed El Kaffas）|托德萨维特·蒂亚拉塔纳查伊（Thodsawit Tiyarattanachai）|米拉贝拉·鲁苏（Mirabela Rusu）|布莱恩·沃德林格（Brian Wodlinger）|理查德·E·范（Richard E. Fan）|迈克尔·利斯（Michael Liss）|丽贝卡·拉科-彭纳（Rebecca Rakow-Penner）|杰弗里·A·桑（Geoffrey A. Sonn）
摘要
背景
微超声（micro-US）是一种临床可用的新型高分辨率成像技术，用于指导前列腺活检。然而，在活检过程中对影像进行解读仍然是一个挑战。
目的
开发一个卷积神经网络（CNN），通过从原始微超声数据中提取的功率谱（PS）来区分良性前列腺组织与临床显著的前列腺癌（csPCa），最终目标是开发一种工具，以实现图像引导下的自动解读。
方法
回顾性收集了2013年至2016年间491名男性（平均年龄62岁，标准差8岁）在5个地点进行前列腺活检的微超声数据；为每个活检位置获取了相关的原始数据和前列腺特异性抗原（PSA）数据，并用这些数据生成了空间映射的功率谱（PS）。数据集在患者层面被分为训练集/验证集（80%）和备用测试集（20%）。每个前列腺位置的图像帧最多为12帧（总计6530帧单图像帧），每帧都对应一次活检。未对前列腺组织进行特别的分割处理。我们开发了一个名为PSNet的自定义CNN，用于在未分割的微超声数据中区分良性组织和临床显著的前列腺癌，其性能与传统基于B模式图像训练的CNN进行了比较。活检组织病理学结果作为临床标准标签。使用接收者操作特征曲线下面积（ROC-AUC）来评估所有模型；同时计算了敏感性、特异性、精确度和F1分数；95%的置信区间以括号形式表示。
结果
对于单帧级别的性能，未结合PSA的PSNet的ROC-AUC为82%（0.77, 0.85），敏感性为0.73（0.66, 0.80），特异性为0.74（0.71, 0.77）。结合PSA后，ROC-AUC提高到85%（0.83, 0.88），敏感性为0.72（0.65, 0.79），特异性为0.82（0.80, 0.84）。对于患者级别的性能，通过汇总单帧预测得到，未结合PSA和结合PSA的模型分别实现了85%（0.77, 0.92）和91%（0.85, 0.97）的ROC-AUC，敏感性分别为0.74（0.70, 0.79）和0.70（0.65, 0.75），特异性分别为0.88（0.76, 0.84）和0.99（0.98, 1.00）。
结论
在这项初步研究中，我们表明深度学习能够捕捉原始微超声数据中的独特组织声学特性，从而帮助识别前列腺癌，而无需对前列腺进行分割；并且通过PSA测量可以增强这些组织特性的诊断价值，从而提高特异性。我们的方法可以进一步用于指导靶向前列腺活检。
引言
前列腺癌是美国男性第二大癌症死亡原因[1]。前列腺癌的诊断是通过经直肠超声（TRUS）引导的活检来完成的。然而，尽管许多前列腺癌在B模式超声下表现为低回声，但检测率较低。因此，TRUS通常用于指导10-12个核心系统的采样，而不是识别出需要靶向采样的癌灶。为了弥补TRUS的不足，基于其明显优于传统TRUS的优势，越来越多地采用了MRI[2]。MRI引导的活检方法提高了临床显著前列腺癌（csPCa）的检测率，并减少了惰性肿瘤的过度检测[3]。然而，MRI费用较高，普及程度不够，会漏诊3%-13%的癌症，并且图像采集和解读的质量存在较大差异[[4], [5], [6]]。
为了解决TRUS和MRI的局限性，引入了一种新型的微超声成像工具（ExactVu，Exact Imaging，加拿大马克汉姆公司）。该系统的工作频率为29 MHz，与传统TRUS的6-12 MHz相比，提供了显著更高的分辨率[7,8]。微超声提高了癌症的检测率并实现了实时靶向活检[8,9]。早期结果表明，微超声可以作为MRI方法的有用补充[10,11]或可行的替代方案[[12], [13], [14]]。为了指导解读，开发了基于微超声的前列腺风险识别（PRI-MUS）诊断标准[15]；初步报告显示，经验丰富的用户使用PRI-MUS区分良性和高级别癌症（Gleason评分≥7）时的ROC-AUC达到了75%[15]。此外，微超声的解读仍高度依赖于操作者[12]。因此，为了优化微超声的好处，特别是随着用户数量的增加（截至本文发布时已有150个微超声系统安装，并发表了37篇同行评审的论文），改进和标准化超声解读至关重要。
在TRUS上应用人工智能具有巨大的潜力，可以通过识别可疑区域和指导活检来解决图像解读中的挑战。深度学习（DL）已被广泛用于TRUs中前列腺腺体的分割，一些研究也用于前列腺癌的检测[[16], [17], [18]]。还开发了通过原始超声数据测量组织声学特性的US组织特征化（UTC）方法，以改进TRUs数据中前列腺组织特征的检测和描述[19]。尽管具有潜在优势，但DL尚未被直接用于挖掘传统TRUs或微超声数据的原始形式。这项初步工作的直接目标是将DL应用于原始微超声数据，以区分良性和临床显著的前列腺癌。我们的未来目标是进一步开发并将这种方法集成到实时成像中，以改进图像解读并指导靶向前列腺活检。
章节片段
方法
**数据集。** 所有数据最初是通过Exact Imaging（加拿大马克汉姆公司）在2013年至2016年间在美国和加拿大的数据采集点（5个地点，ClinicalTrials.gov协议NCT02079025）进行的一项经IRB批准的研究和方案获得的。数据经过匿名处理后共享给我们的团队进行进一步处理和开发。原始研究招募了需要进行前列腺活检的男性患者[15]；所有患者在29 MHz微超声检查前都签署了同意书
结果
**最终模型设计概述。** 我们使用了一个包含491名男性患者（中位年龄63岁，标准差8岁）的微超声原始数据集，这些患者因怀疑患有前列腺癌而接受了活检。每个患者最多获得了12个原始数据文件，代表了系统的活检位置。如图1所示，数据分为80%的训练集和20%的备用测试集。训练集包含5220张患者图像（4520张良性图像 vs. 700张Gleason评分≥7的图像；其中80%的
讨论
我们开发了一个端到端的试点算法，使用经直肠微超声的原始数据来区分良性和临床显著的前列腺癌。我们的基于DL的算法在未分割的微超声原始数据中区分良性和临床显著前列腺癌时的AUC为82%；当考虑患者PSA作为模型特征时，AUC提高到了85%，这激发了未来将此类生物标志物与通过人工智能获取的空间信息结合以影响活检工作的研究
结论
在这项研究中，我们证明了在不进行分割的情况下，将DL方法应用于原始经直肠微超声数据可以区分良性组织和临床显著的前列腺癌，并且通过PSA测量可以增强这些组织特性的诊断价值，从而提高特异性。成功将这种方法集成到实时微超声成像中将在改进和标准化癌症检测及指导靶向前列腺活检方面发挥关键作用。
数据可用性声明
本文使用的所有数据均由Exact Imaging（ClinicalTrials.gov协议NCT02079025）获取，可以通过直接联系Exact Imaging获得。
利益冲突
布莱恩·沃德林格（Brian Wodlinger）是Exact Imaging的员工，他提供了数据获取和阅读的支持，但他并未影响我们的技术发展。其他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报告的工作。
致谢
我们想感谢Randy AuCoin和Beth Rogozinski分别通过Exact Imaging和Oncoustics为此项工作提供了便利和支持。
