同一套读前列腺 MRI 的 AI，放到 12 个国家 20 座城市的数据里，和「标准诊断」给出同样判断的比例是 83.0% 到 87.9%，达到了研究事先定好的门槛。再往下看一层，参与评估的 25 家中心里，有 28% 的中心 AUC 不到 0.80，另有 32% 的中心在 0.90 以上。
所以这套系统能不能替你手里的报告把关，取决于你拍片的医院图像质量怎么样，而不取决于论文摘要里的平均数。拿一个平均数代表每家医院，就是以偏概全。
这项研究发表在 2026 年 10 月的《Radiology》，名字叫 SCARLET-1，由荷兰 Radboud 大学医学中心牵头，联合 PI-CAI、ProCAncer-I、COMFORT、STHLM3-MRI、PRIME 五个国际协作组完成。
为什么读片这项工作先交给 AI
欧洲、英国和美国的指南都把前列腺 MRI 放在穿刺之前：先拍片，再决定要不要穿、往哪里穿。这一步做得准，能省掉一部分穿刺，也能少漏掉需要治疗的癌。
读片用的是 PI-RADS 第 2.1 版，一套半定量的评分规则，1 到 5 分对应临床显著癌的可能性。规则写得细，真正读准需要大量经验，不同医生之间的评分一致性一直不算高，过度诊断也由此而来。
另一头是人手。有经验的前列腺 MRI 阅片医生全球都缺，而影像检查量年年在涨。读片这项工作负荷重、规则明确、输入是标准化的图像，正好是 AI 最先被拿来试的地方。
这项研究把 AI 放到了哪些人身上
研究回顾了 2012 年 1 月到 2024 年 10 月的 22 445 次前列腺 MRI 检查，来自 21 252 名男性，年龄中位数 66 岁，四分位区间 60 到 71 岁。
其中 20 471 次检查用于训练和内部测试，来自 14 个国家 26 座城市。真正用来检验的是另外 1974 名患者，分布在 12 个国家 20 座城市，这部分数据 AI 在训练阶段完全没有见过。
外部检验的三批人来自三项已经完成的临床研究：PRIME 是因为怀疑前列腺癌来就诊的人，属于临床诊断场景；STHLM3-MRI 和 IP1-PROSTAGRAM 是从人群里筛出来的人，属于筛查场景。
这两类人群的区别不只是名字。来门诊的人往往已经有 PSA 升高或者直肠指检异常，患癌比例高；人群筛查里绝大多数人其实没有病。同一套 AI 在这两类人群里要找的目标有多稀少，差得很远，研究因此分开报告。
AI 要找的目标是 Gleason 分级分组 ≥2 的癌，也就是临床上真正需要处理的一类。分级分组 1 的癌生长慢、转移少，很多人终身不需要治疗，把它挑出来反而可能造成过度诊断。
「可互换」和「比医生更准」差在哪
这项研究的主要终点落在一致率上：AI 的判断，有多大比例和「标准诊断」相同。准确率并非它要回答的问题。
标准诊断的定义写得很具体。有穿刺或手术病理的，以泌尿病理专家的诊断为准；没有病理的，以至少两位泌尿影像专家的会诊意见为准，而且这两位专家可以查病史、可以互相商量。研究方案里还写明，临床诊断场景用 PI-RADS ≥3 作为判定界，筛查场景用 ≥4。
两个场景用不同的界值，道理在患病比例上。来门诊的人里本来就有相当比例是真有癌，界值放低一点，宁可多穿几针也别漏；人群筛查里真有临床显著癌的只占少数，界值放低会把大量没病的人送上穿刺台，所以要把界值提到 ≥4。
一致率的结果是：PRIME 83.0%（395/476，校正 95% 置信区间 78.8% 到 87.0%），STHLM3-MRI 87.9%（974/1108，85.6% 到 90.3%），IP1-PROSTAGRAM 87.7%（342/390，83.6% 到 91.5%）。三批人都达到了预设的可互换标准。
这里的门槛参照的是一位平均水平的放射科医生和标准诊断的一致程度，容差 0.05。也就是说，这项研究问的是「AI 和一位普通放射科医生谁来读，结论差别大不大」，而不是「AI 比医生强多少」。
衡量辨识能力的指标是 AUC，三批人分别是 0.86（0.83 到 0.90）、0.89（0.86 到 0.92）、0.84（0.70 到 0.95）。第三批的置信区间最宽，因为 IP1-PROSTAGRAM 的人数最少，只有 390 人进入主要终点的计算。
AUC 0.86 的含义是：随机抽一个有临床显著癌的人和一个没有的人，AI 给前者打的分更高，这种情况出现的概率是 86%。这个水平够用来排序和分流，离「拿它直接下诊断」还有距离。
一致率这个指标也要往回读一层。83.0% 就是 476 例里有 81 例，AI 和标准诊断给出了不同的判断。这 81 例里哪些是 AI 多报、哪些是漏掉，摘要没有拆开写，而两种错的代价完全不同：多报换来的是一次本可以不做的穿刺，漏掉换来的可能是一年之后更晚期的诊断。评价一款读片 AI，这两类错误要分开算。
为什么同一套 AI 换一家医院就不灵
年龄、风险分层、肿瘤位置、族裔这四个维度，AI 的 AUC 差异平均只有 0.02。按肤色和年龄分组比较，这套系统没有表现出明显偏向。
把数据按中心拆开，情况就变了。25 家中心里，28% 的中心 AUC 不到 0.80，32% 的中心达到 0.90 以上。按图像质量分层，AUC 落在 0.78 到 0.88 之间。
图像质量为什么能左右一套算法，要从前列腺癌在 MRI 上凭什么被看见说起。
按 PI-RADS v2.1 的规则，外周带的病灶以弥散加权成像为主导序列判读，过渡带以 T2 加权为主导。弥散加权看的是水分子在组织里扩散受不受限：高级别癌细胞排列密、腺管结构被破坏、细胞外的空隙变小，水分子动不开，表观扩散系数随之降低。这块低信号区域，就是放射科医生和 AI 共同要找的目标。
弥散加权恰恰是整套前列腺 MRI 里最脆弱的序列。肠道气体、患者的轻微移动、磁场不均匀、b 值怎么选、线圈放在什么位置，任何一项没做好，图像就变形或者发糊，低扩散系数的区域和伪影混在一起。放射科医生遇到这种片子会在报告里写明质量受限，AI 不会主动拒答，它照样输出一个数字。
还有一层原因在算法本身。AI 学到的是特定扫描协议下的图像长什么样，换一台机器、换一套参数，输入就偏离了它训练时见过的分布，判断随之变得不稳。专门给前列腺 MRI 图像质量打分的 PI-QUAL 评分系统 2024 年更新到第二版，正是为了把这个变量管起来。
研究按图像质量分层后 AUC 的落差，支持上面这条解释。不过论文没有把每家中心的差异逐项拆到具体的扫描参数上，所以哪一项贡献最大，目前还不清楚。
两年前的同类研究已经给过提示
同一个团队 2024 年 7 月在《Lancet Oncology》发表过 PI-CAI 研究，用 9129 名患者的 10 207 次检查做了两场比较，结论分成两半。
和 62 位放射科医生比，AI 赢了：在 400 例配对检查里，AI 的 AUROC 是 0.91（95% 置信区间 0.87 到 0.94），62 位医生按 PI-RADS v2.1 读片的 AUROC 是 0.86（0.83 到 0.89）。
和多学科常规诊疗的实际读片结果比，AI 没有赢：在全部 1000 例里，同等敏感度 96.1% 的条件下，AI 的特异度是 68.9%，常规诊疗是 69.0%，预设的非劣效检验没有通过。
两场比较差在哪里？单个医生读片时手里只有图像；多学科常规诊疗里，读片的人能看到 PSA、指检结果、既往穿刺史，拿不准还能找同事商量。少掉的部分，是图像之外的信息。
这也解释了 SCARLET-1 为什么把终点换成「和标准诊断的一致率」，不再追求「比医生更准」。前一项研究已经说明，只给图像的 AI 顶不过带着病史的诊疗流程。
拿到一份 AI 辅助的 MRI 报告，看哪几项
国内已经有医院在前列腺 MRI 的流程里接入了辅助诊断软件。如果你的报告里出现了 AI 给出的评分或者可疑区域标注，有三点可以问。
一是这次检查的图像质量如何。质量受限的片子，医生和 AI 的判断都要打折，必要时重做一次，比在糊片子上争论强。
二是最终签字的是谁。目前各国指南和监管的口径一致：AI 的输出是给医生参考的材料，诊断由医生负责。
三是下一步靠什么定。前列腺癌的确诊依赖穿刺病理，MRI 和 AI 的作用是帮着判断要不要穿刺、往哪里穿刺，不能替代病理。
这项研究还不能回答什么
这是一项回顾性外部验证研究，用的是已经完成的试验数据，不是把 AI 放进门诊真实流程里的前瞻性试验。
研究也没有回答用了这套 AI 之后患者的结局会不会改变：穿刺做得更少了吗？漏掉的癌更少了吗？过度诊断降下来了吗？这些要靠前瞻性研究来答，论文作者自己也写明还需要进一步验证。
外部检验的三批数据虽然来自 12 个国家，但三项原始研究各有各的入组标准，人群构成并不等于某一个国家的真实就诊人群。
综合这几项结果，这项研究把一个常被忽略的问题摆到了明面上：一套算法的表现不是一个固定的数，它随着医院、机器和扫描协议变动。评价任何一款医疗 AI，光看论文给的平均数不够，还要看它在表现最差的中心能做到什么程度。
参考来源
· Saha A, et al. Radiology 2026;321(1):e262081 (SCARLET-1)
· Saha A, et al. Lancet Oncol 2024;25:879-887 (PI-CAI)
· de Rooij M, et al. Eur Radiol 2024;34:7068-7079 (PI-QUAL version 2)
· Turkbey B, et al. Eur Urol 2019;76:340-351 (PI-RADS version 2.1)
AI 辅助整理，作者审核；内容仅供参考，具体诊疗请遵医嘱。
热门跟贴