TRACE-PCa: Predicting Prostate Cancer Progression from Longitudinal MRI During Active Surveillance
作者: Hongye Zeng, Shreeram Athreya, Dingyuan Dai, Steve Raman, Leonard Marks, William Speier, Corey Arnold
分类: cs.CV
发布日期: 2026-07-15
备注: 7 pages, 4 figures
💡 一句话要点
提出TRACE-PCa以解决前列腺癌监测中的病理进展预测问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 前列腺癌 主动监测 病理进展预测 多模态模型 时间注意力机制 MRI成像 临床应用 机器学习
📋 核心要点
- 现有的前列腺癌监测方法依赖于定期活检，导致许多情况下的无进展活检显得不必要，影响患者体验。
- 本研究提出了一种新的多模态模型，通过时间注意力机制和预训练的3D MRI模型，避免了病灶分割的复杂性。
- 实验结果表明，该方法在预测病理进展方面优于现有基线，且在负预测值高的同时提高了正预测值。
📝 摘要（中文）
主动监测（AS）是针对良性风险前列腺癌的首选策略，但现有方案依赖于定期活检，导致大多数情况下无进展且不必要。本研究提出了一种端到端的时间序列和多模态模型，用于在不进行病灶分割的情况下预测AS期间的病理进展。我们使用预训练的3D MRI基础模型对每次扫描进行编码，并引入时间注意力门以增强与进展相关的成像变化。经过验证，我们的方法在纵向AS队列中表现优于竞争基线，并与当前临床实践的放射科医生评估相当，显示出降低不必要活检的潜力。
🔬 方法详解
问题定义：本研究旨在解决在主动监测期间，如何有效预测前列腺癌的病理进展。现有方法通常依赖于单次成像或明确的病灶分割，限制了其捕捉纵向变化的能力，并排除了没有MRI可见病灶的患者。
核心思路：本研究提出了一种端到端的多模态模型，利用预训练的3D MRI基础模型对每次扫描进行编码，并通过时间注意力门来增强与病理进展相关的成像变化。这样的设计旨在提高模型对纵向变化的敏感性，避免了复杂的病灶分割过程。
技术框架：整体架构包括三个主要模块：首先，使用预训练的3D MRI模型对每次扫描进行特征提取；其次，引入时间注意力门以重校准多次扫描的特征；最后，将经过门控的成像表示与临床变量融合，估计病理进展的概率。
关键创新：本研究的核心创新在于引入时间注意力机制，能够有效放大与病理进展相关的成像变化，而不依赖于病灶的明确分割。这一方法在现有技术中是独特的，能够处理没有可见病灶的患者。
关键设计：在模型设计中，采用了预训练的3D卷积神经网络作为基础特征提取器，时间注意力门的设计使得模型能够动态调整特征权重。此外，模型的损失函数经过精心设计，以平衡正负样本的预测能力，确保高负预测值和高正预测值。
🖼️ 关键图片
📊 实验亮点
实验结果显示，TRACE-PCa在纵向AS队列中表现优于现有基线，尤其在负预测值方面保持高水平，同时正预测值显著提高，展示了其在减少不必要活检方面的潜力。具体性能数据表明，该方法与放射科医生的评估结果相当，验证了其临床应用的可行性。
🎯 应用场景
该研究的潜在应用领域包括前列腺癌的主动监测和个性化医疗。通过提高病理进展预测的准确性，能够有效减少不必要的活检，降低患者的心理和经济负担，推动临床实践的优化。未来，该方法有望扩展到其他类型的癌症监测中，提升整体医疗效率。
📄 摘要（原文）
Active surveillance (AS) is the preferred strategy for favorable-risk prostate cancer, yet current protocols rely on scheduled repeat biopsies, most of which reveal no progression and are unnecessary. Existing risk-stratification tools operate on single time-point imaging or depend on explicit lesion segmentation, limiting their ability to capture longitudinal change and excluding patients without an MRI-visible lesion. In this study, we propose an end-to-end temporal and multimodal model for predicting pathological progression during AS without lesion segmentation. We encode each serial scan with a pretrained 3D MRI foundation model and introduce a temporal attention gate that recalibrates the multi-visit features to amplify focal imaging changes associated with progression. The gated imaging representation is then fused with clinical variables in a multimodal framework to estimate the probability of progression. Validated on a longitudinal AS cohort, our approach consistently outperforms competing baselines and performs comparably to the radiologist assessment representing current clinical practice. It maintains high negative predictive value while achieving higher positive predictive value, demonstrating its potential to safely reduce unnecessary biopsies during surveillance.