ProstNFound+: A Prospective Study using Medical Foundation Models for Prostate Cancer Detection
作者: Paul F. R. Wilson, Mohamed Harmanani, Minh Nguyen Nhat To, Amoon Jamzad, Tarek Elghareb, Zhuoxin Guo, Adam Kinnaird, Brian Wodlinger, Purang Abolmaesumi, Parvin Mousavi
分类: eess.IV, cs.CV
发布日期: 2025-10-30
💡 一句话要点
ProstNFound+：利用医学基础模型进行前列腺癌检测的前瞻性研究
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 前列腺癌检测 医学基础模型 微超声 适配器调优 提示编码器
📋 核心要点
- 现有前列腺癌检测方法依赖专家经验，存在主观性强、可扩展性差等问题，亟需客观、高效的替代方案。
- ProstNFound+通过适配医学基础模型，并融入前列腺癌特异性生物标志物，实现对微超声图像的精准分析。
- 前瞻性研究表明，ProstNFound+具有良好的泛化能力，性能稳定，且结果与临床评分高度吻合。
📝 摘要（中文）
本研究旨在探索医学基础模型（FMs）在构建高性能诊断系统中的潜力，并首次在临床环境中测试其在前列腺微超声（μUS）图像前列腺癌（PCa）检测中的应用。我们提出了ProstNFound+，一个针对μUS图像PCa检测的FM改进模型，它结合了医学FM、适配器调优和一个定制的提示编码器，用于嵌入PCa特异性临床生物标志物。该模型生成癌症热图和临床显著PCa的风险评分。在多中心回顾性数据上训练后，该模型在一个新的临床站点采集的五年后前瞻性数据上进行了评估。模型预测结果与标准临床评分协议（PRI-MUS和PI-RADS）进行了比较。结果表明，ProstNFound+对前瞻性数据具有很强的泛化能力，与回顾性评估相比没有性能下降，并且与临床评分高度一致，生成的热图与活检确认的病灶一致。这些结果突出了其临床部署的潜力，为专家驱动的协议提供了一种可扩展且可解释的替代方案。
🔬 方法详解
问题定义：论文旨在解决前列腺癌微超声图像的自动检测问题。现有方法依赖于放射科医生的主观判断，耗时且容易出现误差，缺乏客观性和可重复性。此外，不同医疗中心的数据分布可能存在差异，导致模型泛化能力不足。
核心思路：论文的核心思路是利用医学基础模型强大的表征学习能力，通过适配器调优和提示编码器，将前列腺癌特异性临床生物标志物融入模型，从而提高检测精度和泛化能力。这种方法旨在减少对大量标注数据的依赖，并提高模型在不同临床环境中的适用性。
技术框架：ProstNFound+的整体框架包括三个主要模块：1) 医学基础模型：利用预训练的医学图像模型提取图像特征。2) 适配器调优：通过少量前列腺癌数据微调基础模型，使其适应特定任务。3) 提示编码器：将前列腺癌特异性临床生物标志物编码为提示信息，引导模型关注关键区域。模型输出癌症热图和风险评分。
关键创新：该论文的关键创新在于将医学基础模型应用于前列腺癌微超声图像检测，并结合适配器调优和提示编码器，有效利用了临床生物标志物。与传统方法相比，该方法具有更强的泛化能力和可解释性。
关键设计：提示编码器的设计是关键。具体来说，研究者选择与前列腺癌相关的临床生物标志物，并设计编码方式，将其融入到模型的输入中，从而引导模型关注与癌症相关的特征。适配器调优采用了一种轻量级的微调策略，避免了对基础模型的过度修改，从而保持了模型的泛化能力。损失函数的设计也至关重要，需要平衡检测精度和假阳性率。
🖼️ 关键图片
📊 实验亮点
ProstNFound+在前瞻性数据上表现出强大的泛化能力，与回顾性评估相比没有性能下降。模型预测结果与临床评分（PRI-MUS和PI-RADS）高度一致，生成的热图与活检确认的病灶一致，表明其具有临床部署的潜力。
🎯 应用场景
ProstNFound+有望应用于前列腺癌的早期筛查和诊断，辅助医生进行决策，提高诊断效率和准确性。该模型还可用于远程医疗，为缺乏专业医生的地区提供高质量的医疗服务。未来，该技术可以扩展到其他癌症的检测，具有广阔的应用前景。
📄 摘要（原文）
Purpose: Medical foundation models (FMs) offer a path to build high-performance diagnostic systems. However, their application to prostate cancer (PCa) detection from micro-ultrasound (μUS) remains untested in clinical settings. We present ProstNFound+, an adaptation of FMs for PCa detection from μUS, along with its first prospective validation. Methods: ProstNFound+ incorporates a medical FM, adapter tuning, and a custom prompt encoder that embeds PCa-specific clinical biomarkers. The model generates a cancer heatmap and a risk score for clinically significant PCa. Following training on multi-center retrospective data, the model is prospectively evaluated on data acquired five years later from a new clinical site. Model predictions are benchmarked against standard clinical scoring protocols (PRI-MUS and PI-RADS). Results: ProstNFound+ shows strong generalization to the prospective data, with no performance degradation compared to retrospective evaluation. It aligns closely with clinical scores and produces interpretable heatmaps consistent with biopsy-confirmed lesions. Conclusion: The results highlight its potential for clinical deployment, offering a scalable and interpretable alternative to expert-driven protocols.