同一套 AI 读前列腺 MRI，为什么换家医院就不准

同一套 AI 换到另一家医院，判读准头会往下掉，原因主要有两个：这家医院送去做 MRI 的病人构成和别处不一样，还有图像质量不达标。模型本身没有改动，不同医院之间差的是送去检查的人群和成像条件。

这个判断来自《放射学》2026 年 10 月 13 日在线发表的 SCARLET-1 研究。研究用 22,445 次前列腺 MRI 检查、21,252 名男性的数据，考察一套 AI 系统在 46 座城市、22 个国家的表现。整体成绩和放射科医生读片相当，拆到单家医院，最好的一档 AUC 在 0.90 以上，最差的三家只有 0.60 到 0.70。

这项研究把 AI 放到哪些地方去考

纳入的都是临床怀疑前列腺癌的成年男性，检查时间从 2012 年 1 月到 2024 年 10 月，中位年龄 66 岁，中位 PSA 7 ng/mL。其中 20,471 次检查用于训练和内部测试，来自 26 座城市、14 个国家；另外 1974 人留作外部测试，来自 20 座城市、12 个国家。

外部测试挂在三项已有的试验上。PRIME 是诊断场景，476 人，有临床意义癌的比例 30%；STHLM3-MRI 是瑞典的人群筛查，1108 人，比例 17%；IP1-PROSTAGRAM 是英国的人群筛查，390 人，比例只有 4%。同一套 AI，在这三种患病率差了将近八倍的场合各考一次。

研究要找的目标是 Gleason 分级分组 2 级及以上的癌，也就是 Gleason 评分 3+4 及以上。这条线划在这里有道理：1 级的癌生长慢、转移风险低，指南里大多走主动监测；2 级往上才需要考虑手术或放疗。AI 报出 1 级的病灶，按这项研究的终点定义不算命中。

这里的「标准诊疗诊断」指的是各试验按原方案走完流程得到的结论：放射科医生读片给出 PI-RADS 分级，按分级决定要不要穿刺，穿刺出来的病理定级别。AI 对照的是这一整条路径的结果，不是单独某位医生的某一次判读。

主要终点测的是能不能互换：把 AI 的判读和标准诊疗给出的诊断对一遍，算一致率，再和一名「平均放射科医生」的预期一致率比较。这个设计的意思是，AI 要想进流程，至少得做到和现有读片一样可靠。

整体成绩：一致率高出 13 到 15 个百分点

三个外部队列的 AUC 分别是 0.86（95% CI 0.83–0.90）、0.89（0.86–0.92）和 0.84（0.70–0.95）。AUC 这个指标的含义是：随机挑一名有临床意义癌的人和一名没有的人，AI 给前者打的分更高，这种情况出现的概率。0.5 等于瞎猜，1.0 等于每次都排对。

一致率这一项，PRIME 里 AI 是 83.0%（395/476），推导出的平均放射科医生是 67.4%（321/476），差 15.5 个百分点（95% CI 10.0–20.5）。STHLM3-MRI 是 87.9%（974/1108）对 74.6%，差 13.3 个百分点。IP1-PROSTAGRAM 是 87.7%（342/390）对 72.8%，差 14.9 个百分点。三个队列都达到了预先设定的可互换标准。

用来对照的医生数字并非同期真人读片得来，而是从 PI-CAI 观察者研究里统计推导出的「平均放射科医生」。原文自己在局限里写明，这个推导值可能偏乐观，也就是说真实世界里医生的平均水平未必有 67.4% 这么高。所以这 15.5 个百分点不能直接读成「AI 比医生强 15 个点」。

换一家医院，差距有多大

内部测试拆成两块：4 家三级医院的标准化数据，AUC 0.92（0.90–0.94）；22 座城市拼起来的异质数据，AUC 0.84（0.82–0.87）。光这两个数就差了 0.08。

再拆到单家中心，25 家里有 32%（8 家）落在 0.90 到 1.00，40%（10 家）落在 0.80 到 0.90，16%（4 家）落在 0.70 到 0.80，还有 12%（3 家）只有 0.60 到 0.70。异质性检验给出 Cochran Q=130.7、I²=81.6%，说明这种高低差不是抽样波动能解释的。

下图取自原文 Fig. 2，每一行是一家中心，红点是该中心的 AUC，横线是 95% 置信区间。广州、河内、安卡拉三家在 0.95 以上，瓦伦西亚和维尔纽斯两家在 0.60 附近。拿任何一家的成绩代表这套 AI 的水平，都是以偏概全。

为什么病人构成能把 AUC 压下去

作者顺藤摸瓜去查了表现最低的几家中心，看到的是病例构成严重偏斜：92% 以上的 MRI 检查被报为阳性，有的中心几乎每一例都报阳性，20% 到 68% 的患者最终诊断是 Gleason 1 级。

AUC 衡量的是区分两组人的能力，算这个数要靠阳性和阴性两边都有足够人数。一家中心几乎人人报阳性，AI 要分开的两组在影像上本来就长得像，能腾挪的空间被压掉了大半。更麻烦的是 1 级癌：它在 MRI 上同样可以表现为弥散受限的低信号灶，看上去和 2 级癌差别不大，可按终点定义它算阴性，AI 把它圈出来就记成假阳性。

表现最高的几家中心正好相反。有的阳性率低到 15%，有的 29% 到 39% 的病例是 Gleason 4 到 5 级的高级别癌。前者阴性样本充足，后者病灶明显，两种偏斜都让题目变容易。

同一套模型在这两类中心拿到的分数，从 0.60 一直排到 0.95 以上，算法一行代码都没改，改变的是送到它面前的人群。一家医院把什么人送进磁共振间，很大程度上决定了这套 AI 在这家医院能拿到多少分。

图像质量差一档，AUC 掉 0.10

把外部队列合并后按亚组拆，年龄、种族、癌灶位置、风险分层各组之间大同小异，AUC 从 0.82 到 0.87，平均差异只有 0.02。唯一拉开明显差距的是图像质量。

研究用 PI-QUAL 第 2 版给每次检查的成像质量单独打分。1 分（不合格）这一组 AUC 是 0.78（0.68–0.87），3 分（最佳）这一组是 0.88（0.85–0.91），相差 0.10。

这个差距有解剖学上的来由。前列腺 MRI 判读主要看三样：T2 加权像看腺体结构和病灶轮廓，高 b 值弥散加权像看细胞密集程度，ADC 图量化水分子扩散受限的程度。高级别前列腺癌细胞排列紧密、腺腔消失，水分子动不开，所以在高 b 值上发亮、在 ADC 图上发暗。直肠里的气体和蠕动会在相邻的前列腺后部留下伪影，患者动一下会让 ADC 图出现模糊，b 值设置不当会把对比度拉平。这几样一旦出现，病灶和正常腺体之间的信号差别就被噪声盖住，放射科医生和 AI 面对的是同一张质量不够的图像。

年龄、种族这些患者属性上几乎看不出差别，图像质量这一项却差了 0.10，影响判读的是成像条件。

阈值定在哪，决定漏掉多少

主分析用的是一个预先设定的工作点：72% 敏感度配 88% 特异度。实测下来三个队列的敏感度在 73% 到 76%，特异度在 88% 到 90%。

敏感度 73% 的实际含义是，每 100 例真正的 2 级及以上癌，这一关会放过 27 例左右。特异度 88% 的含义是，每 100 名没有临床意义癌的人，有 12 人会被指向进一步检查。把工作点往高敏感度方向挪，敏感度能提到 90%，代价是特异度掉到 58%，也就是每 100 名没病的人里有 42 人要多走一趟穿刺。

同一个工作点放到患病率不同的人群里，给病人的意义完全不同。按 72% 敏感度、88% 特异度推算，在有临床意义癌占 30% 的诊断人群里，被 AI 指向阳性的人大约七成确有 2 级以上的癌；放到患病率只有 4% 的筛查人群，这个比例掉到两成上下，也就是每 5 个被叫去做进一步检查的人里，有 4 个最后查下来没有需要处理的癌。筛查场合把阈值收紧一些，省下的就是这些人的穿刺。

原文明确写着，这个工作点是为了检验可互换性而统一设定的，并不打算直接拿去临床用。作者的意见是：诊断场景下漏诊的代价更高，应当偏向高敏感度；患病率只有 4% 到 17% 的人群筛查，减少不必要的穿刺更重要，可以偏向高特异度。阈值该定在哪不能一概而论，它是跟着使用场景走的设计选择，不是这套软件的固有属性。

这项研究能说明什么，不能说明什么

能说明的是：这套 AI 在 12 个国家、20 座城市的外部数据上，与标准诊疗诊断的一致率达到了预设的互换标准，而且在年龄、种族、癌灶位置、风险分层之间表现稳定。对一个要在不同国家落地的影像软件来说，这是必要的一步。

不能由它推出的结论有这么几条。

• 这是回顾性研究。外部测试集用的是连续病例，训练集和内部测试集是便利样本，不是按统一方案前瞻收集的。

• 存在部分验证偏倚。三项试验的参考标准不一致，组织病理主要来自 MRI 阳性或风险较高的患者，多数 MRI 阴性的人没有做穿刺，也没有系统随访确认确实无病。所以 AI 和放射科医生各自真实的漏诊率都算不出来。

• 医生一侧是统计推导值，可能高估了医生的平均水平，这条前面已经提过。

• 部分亚组人数偏少。IP1-PROSTAGRAM 只有 390 人、15 例阳性，所以它的 95% 置信区间宽到 0.70 至 0.95，这个区间几乎容得下从「勉强可用」到「相当不错」的全部可能。

• 这项研究没有回答用了 AI 之后患者结局是否更好。一致率高不等于确诊更早、治疗更对、死亡更少，那需要前瞻性随机试验。

目前前列腺 MRI 报告仍由放射科医生出具，这类软件在流程里的位置是辅助，不是替代。这项研究也没有涉及中国境内已上市的具体产品。

对患者而言，更有用的是图像质量这一条。检查做得标准，人读和机器读都更可靠；检查前按要求排空直肠、检查中保持不动，不是走过场。

对准备引进这类软件的医院而言，研究给出的提示是本地验证和持续监测。厂家在几家大中心验证出来的成绩，换到病人构成不同的医院未必能复制，25 家中心的成绩从 0.60 排到 0.95 以上，由来就在这里。

PSA 升高、排尿困难、血尿这些情况，该走的还是泌尿外科的常规流程：复查 PSA、评估是否需要 MRI、再由医生判断要不要穿刺。AI 读得准不准，改变不了这条路径的顺序。

参考来源

Saha A, et al. Radiology 2026 (SCARLET-1)

AI 辅助整理，作者审核；内容仅供参考，具体诊疗请遵医嘱。