DOI: https://doi.org/10.1186/s41747-026-00695-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41910833
تاريخ النشر: 2026-03-30
المؤلف: Andrea Ponsiglione وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
في هذه الدراسة، تم تقييم فعالية نظام الذكاء الاصطناعي التجاري كأداة دعم قرار للكشف عن سرطان البروستاتا السريري المهم (csPCa). تم إجراء تحليل رجعي على 100 مريض خضعوا لتصوير بالرنين المغناطيسي متعدد المعلمات بسبب الشك السريري في سرطان البروستاتا، حيث تم مراجعة الصور بواسطة ستة قراء ذوي خبرات متفاوتة—اثنان من أطباء الأشعة الخبراء، واثنان من أطباء الأشعة الأساسيين، واثنان من المقيمين—مع وبدون مساعدة الذكاء الاصطناعي. كانت الدراسة تهدف إلى تقييم اتفاقيات القارئ الداخلي/الخارجي، وتأثير الذكاء الاصطناعي على تقييم csPCa، والأداء التشخيصي، ونسب الفائدة إلى الضرر.
كشفت النتائج عن انتشار بنسبة 26% لـ csPCa بين مجموعة المرضى، ولكن لم يتم ملاحظة أي تحسين كبير في اتفاقية القارئ الخارجي مع مساعدة الذكاء الاصطناعي (Fleiss κ 0.573 مقابل 0.584). أظهر المقيمون أكبر التغييرات في درجات PI-RADS عند مساعدتهم بالذكاء الاصطناعي (19 تغييرًا مقارنة بـ 9 و7 لأطباء الأشعة الأساسيين والخبراء، على التوالي). لم تظهر مقاييس الأداء التشخيصي، بما في ذلك المساحة تحت منحنى التشغيل الخاص بالمستقبل، أي اختلافات كبيرة بين القراءات المدعومة بالذكاء الاصطناعي (0.87) وغير المدعومة (0.86؛ p = 0.734). بينما كانت الحساسية أقل قليلاً مع الذكاء الاصطناعي عند عتبة PI-RADS ≥ 3 (0.87 مقابل 0.89)، ظلت الخصوصية والقيم التنبؤية قابلة للمقارنة. خلصت الدراسة إلى أن الذكاء الاصطناعي لم يعزز بشكل كبير دقة التشخيص عبر القراء ذوي الخبرات المتفاوتة، مما يشير إلى الحاجة لمزيد من البحث لتحسين دمج الذكاء الاصطناعي في الكشف عن سرطان البروستاتا.
مقدمة
تسلط المقدمة الضوء على الدور المهم لتصوير الرنين المغناطيسي للبروستاتا في تعزيز الكشف عن سرطان البروستاتا السريري المهم (csPCa) مع تقليل الخزعات غير الضرورية وتحديد الأورام الخاملة. على الرغم من هذه المزايا، تواجه التقنية تحديات مثل الخصوصية المعتدلة والتباين العالي بين القراء، والتي تتأثر بخبرة طبيب الأشعة وجودة صور الرنين المغناطيسي. ظهر اهتمام حديث في الذكاء الاصطناعي (AI) لتحليل الرنين المغناطيسي، وخاصة للكشف عن سرطان البروستاتا، حيث تسهل أدوات الذكاء الاصطناعي تقسيم البروستاتا وحساب الحجم تلقائيًا، مما يحسن حساب كثافة مستضد البروستاتا النوعي (PSA) مقارنة بالطرق التقليدية.
علاوة على ذلك، أظهرت تقارير الذكاء الاصطناعي المدفوعة هيكليًا أنها تعزز الوضوح والاتساق في التقارير. على الرغم من أن الكثير من الأدلة الحالية هي أدلة رجعية، فإن مبادرات مثل تحدي تصوير البروستاتا-سرطان الذكاء الاصطناعي (PI-CAI) قد أظهرت إمكانيات الذكاء الاصطناعي في الكشف عن سرطان البروستاتا عبر مجموعات بيانات وخبرات قراء متنوعة. ومع ذلك، تتناول الأدبيات الحالية بشكل أساسي الجدوى التقنية والسريرية لبرمجيات الذكاء الاصطناعي المعتمدة من CE لتصوير الرنين المغناطيسي للبروستاتا، مع تركيز محدود على تطبيقها كأداة دعم قرار متزامنة. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال تقييم فعالية نظام الذكاء الاصطناعي في مساعدة أطباء الأشعة ذوي مستويات الخبرة المتفاوتة في الكشف عن سرطان البروستاتا.
الطرق
في هذه الدراسة الرجعية، تنازل مجلس المراجعة المؤسسية عن متطلبات الموافقة المستنيرة، مما سمح بتحليل البيانات التي تم جمعها مسبقًا. تم توضيح المنهجية المستخدمة في الشكل 1، الذي يوفر تمثيلًا بصريًا لتصميم الدراسة ونهجها. يسهل هذا الإطار فهمًا شاملاً لمعايير البحث والبيانات المستخدمة في التحليل.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج المستمدة من التجارب أو التحليلات التي تم إجراؤها. يسلط الضوء على النتائج الرئيسية، بما في ذلك الأهمية الإحصائية، والاتجاهات الملحوظة، وأي علاقات تم تحديدها ضمن البيانات. عادةً ما يتم توضيح النتائج من خلال الجداول أو الرسوم البيانية أو الأشكال التي توفر تمثيلًا بصريًا للبيانات، مما يسمح بتفسير أسهل للنتائج.
بالإضافة إلى ذلك، قد يناقش القسم تداعيات النتائج فيما يتعلق بالفرضيات المطروحة في بداية الدراسة. من الضروري ملاحظة أي نتائج غير متوقعة أو شذوذ ظهرت خلال البحث، حيث يمكن أن توفر هذه رؤى قيمة للدراسات المستقبلية. بشكل عام، تسهم النتائج في الفهم الأوسع للموضوع وقد تقترح طرقًا لمزيد من التحقيق.
المناقشة
في هذه الدراسة، قمنا بتقييم تأثير نظام الذكاء الاصطناعي المعتمد من CE كقارئ متزامن لتصوير الرنين المغناطيسي للبروستاتا بين أطباء الأشعة ذوي مستويات الخبرة المتفاوتة. كانت المجموعة تتكون من 100 مريض، بمتوسط عمر 67 عامًا ومتوسط مستوى PSA يبلغ 8.7 نانوغرام/مل. كانت نسبة انتشار سرطان البروستاتا السريري المهم (csPCa) 26%، بينما تم الكشف عن أي سرطان بروستاتا في 38% من الحالات. وجدت الدراسة أن اتفاقية القارئ الداخلي لدرجات PI-RADS كانت تقريبًا مثالية بغض النظر عن مساعدة الذكاء الاصطناعي، بينما كانت اتفاقية القارئ الخارجي معتدلة إلى كبيرة. من الجدير بالذكر أن مساعدة الذكاء الاصطناعي لم تغير بشكل كبير درجات PI-RADS ولكنها زادت من درجات الاحتمالية لـ csPCa بين القراء الأقل خبرة، مما يشير إلى أن الذكاء الاصطناعي قد يؤثر على تقييماتهم أكثر من تقييمات الخبراء.
لم تظهر مقاييس الأداء التشخيصي، بما في ذلك المساحة تحت منحنى التشغيل الخاص بالمستقبل (AUROC)، أي اختلافات كبيرة بين القراءات المدعومة بالذكاء الاصطناعي وغير المدعومة (0.86 مقابل 0.87). كما قيمت الدراسة أربع استراتيجيات لتوصية الخزعة، كاشفة أن رفع عتبة PI-RADS حسّن من انتقائية الدرجة ونسب تجنب الخزعة الانتقائية. بينما قدم الذكاء الاصطناعي فوائد متواضعة في هذه المجالات، خاصة للقراء الأقل خبرة، ظلت دقة التشخيص العامة قابلة للمقارنة عبر مستويات الخبرة. تشمل قيود الدراسة تصميمها الرجعي وطبيعتها أحادية المركز، مما قد يؤثر على إمكانية تعميم النتائج. تشير النتائج إلى أنه بينما يمكن أن يعزز الذكاء الاصطناعي بعض جوانب عملية التشخيص، فإن دمجه في الممارسة السريرية يتطلب اعتبارًا دقيقًا لديناميات التفاعل بين البشر والذكاء الاصطناعي والتحيزات المحتملة. هناك حاجة لمزيد من البحث لتحسين دور الذكاء الاصطناعي في مسارات التشخيص المدفوعة بالرنين المغناطيسي.
DOI: https://doi.org/10.1186/s41747-026-00695-1
PMID: https://pubmed.ncbi.nlm.nih.gov/41910833
Publication Date: 2026-03-30
Author(s): Andrea Ponsiglione et al.
Primary Topic: AI in cancer detection
Overview
In this study, the effectiveness of a commercial artificial intelligence (AI) system as a decision-support tool for detecting clinically significant prostate cancer (csPCa) was evaluated. A retrospective analysis was conducted on 100 patients who underwent multiparametric MRI due to clinical suspicion of PCa, with scans reviewed by six readers of varying expertise—two expert radiologists, two basic radiologists, and two residents—both with and without AI assistance. The study aimed to assess intra-/inter-reader agreements, the impact of AI on csPCa scoring, diagnostic performance, and benefit-to-harm ratios.
The findings revealed a 26% prevalence of csPCa among the patient population, but no significant improvement in inter-reader agreement was observed with AI assistance (Fleiss κ 0.573 vs. 0.584). Residents exhibited the most substantial changes in PI-RADS scores when aided by AI (19 changes compared to 9 and 7 for basic and expert radiologists, respectively). Diagnostic performance metrics, including the area under the receiver operating characteristic curve, showed no significant differences between AI-assisted (0.87) and unassisted readings (0.86; p = 0.734). While sensitivity was slightly lower with AI at a PI-RADS ≥ 3 threshold (0.87 vs. 0.89), specificity and predictive values remained comparable. The study concluded that AI did not significantly enhance diagnostic accuracy across readers of varying expertise, indicating a need for further research to optimize AI integration in prostate cancer detection.
Introduction
The introduction highlights the significant role of prostate MRI in enhancing the detection of clinically significant prostate cancer (csPCa) while reducing unnecessary biopsies and the identification of indolent tumors. Despite these advantages, the technique faces challenges such as moderate specificity and high inter-reader variability, which are influenced by the experience of the radiologist and the quality of the MRI scans. Recent interest in artificial intelligence (AI) for MRI analysis has emerged, particularly for prostate cancer detection, with AI tools facilitating automatic prostate segmentation and volumetry, thereby improving the calculation of prostate-specific antigen (PSA) density compared to traditional methods.
Furthermore, AI-driven structured report generation has been shown to enhance clarity and consistency in reporting. Although much of the existing evidence is retrospective, initiatives like the prostate imaging-cancer AI (PI-CAI) challenge have illustrated AI’s potential in PCa detection across diverse datasets and reader expertise. However, current literature primarily addresses the technical and clinical feasibility of CE-certified AI software for prostate MRI, with limited focus on its application as a concurrent decision-support tool. This study aims to fill this gap by evaluating the effectiveness of an AI system in assisting radiologists with varying expertise levels in the detection of prostate cancer.
Methods
In this retrospective study, the institutional review board waived the requirement for informed consent, allowing for the analysis of previously collected data. The methodology employed is outlined in Figure 1, which provides a visual representation of the study’s design and approach. This framework facilitates a comprehensive understanding of the research parameters and the data utilized in the analysis.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments or analyses. It highlights key outcomes, including statistical significance, observed trends, and any correlations identified within the data. The results are typically illustrated through tables, graphs, or figures that provide a visual representation of the data, allowing for easier interpretation of the findings.
Additionally, the section may discuss the implications of the results in relation to the hypotheses posed at the outset of the study. It is essential to note any unexpected outcomes or anomalies that emerged during the research, as these can provide valuable insights for future studies. Overall, the results contribute to the broader understanding of the topic and may suggest avenues for further investigation.
Discussion
In this study, we assessed the impact of a CE-marked AI system as a concurrent reader for prostate MRI among radiologists with varying levels of experience. The cohort consisted of 100 patients, with a median age of 67 years and a median PSA level of 8.7 ng/mL. The prevalence of clinically significant prostate cancer (csPCa) was 26%, while any prostate cancer was detected in 38% of cases. The study found that intra-reader agreement for PI-RADS scores was almost perfect regardless of AI assistance, while inter-reader agreement was moderate to substantial. Notably, AI assistance did not significantly alter PI-RADS scores but did increase the likelihood scores for csPCa among less experienced readers, suggesting that AI may influence their assessments more than those of experts.
Diagnostic performance metrics, including the area under the receiver operating characteristic curve (AUROC), showed no significant differences between AI-assisted and unassisted readings (0.86 vs. 0.87). The study also evaluated four biopsy recommendation strategies, revealing that raising the PI-RADS threshold improved grade selectivity and selective biopsy avoidance ratios. While AI provided modest benefits in these areas, particularly for less experienced readers, the overall diagnostic accuracy remained comparable across expertise levels. Limitations of the study include its retrospective design and single-center nature, which may affect generalizability. The findings indicate that while AI can enhance certain aspects of the diagnostic process, its integration into clinical practice requires careful consideration of human-AI interaction dynamics and potential biases. Further research is necessary to optimize AI’s role in MRI-driven diagnostic pathways.