AI-MIRACLE：人工智慧與多參數 MRI 預測接受根除性膀胱切除之肌肉侵犯性膀胱癌患者對新輔助免疫治療的臨床結果

導讀：AI-MIRACLE：人工智慧與多參數 MRI 預測接受根除性膀胱切除之肌肉侵犯性膀胱癌患者對新輔助免疫治療的臨床結果

肌肉侵犯性膀胱癌的新輔助免疫檢查點抑制劑，特別是在不適合 cisplatin 化療的族群，已成為重要研究方向；但治療後如何非侵入性判斷病理反應，仍是臨床決策的難題。AI-MIRACLE 是一項國際多機構影像 AI 研究，使用 PURE-01 試驗中 112 位接受根除性膀胱切除患者的資料；PURE-01 評估的是術前三個療程 pembrolizumab。研究納入治療前與治療後免疫治療 MRI，影像資料於義大利取得、於美國集中分析。T2-weighted 訊號強度經標準化後，用於 radiomics 與 deep feature extraction；diffusion-weighted 與 dynamic contrast-enhanced MRI 則進行 model-based analysis。研究以 elastic net 與 random forest 等監督式機器學習演算法，經訓練與交叉驗證，預測 pathological major response，定義為 ypT<2N0 residual disease，以及 pathological complete response，定義為 ypT0。主要結果顯示，使用治療後 mpMRI 的模型，不論結合 radiomics 與 DCE-derived features，或僅使用 radiomics，預測 pMR 的 AUC 均為 0.96；shape-based radiomic model 預測 pCR 的 AUC 為 0.86。這些模型表現優於以臨床預測因子建立的 benchmark models。作者認為，shape-based radiomics、DCE-derived features 與 deep features 可能成為 MIBC 新輔助 pembrolizumab 後反應評估的非侵入性影像生物標記，未來或可輔助根除手術前的保膀胱決策。不過，這仍是 112 位 PURE-01 患者中的影像模型研究，且 abstract 僅描述訓練與交叉驗證，尚不能視為已可直接改變治療策略的前瞻性驗證證據。

臨床意義

這篇的臨床價值在於把「新輔助免疫治療後能否安全考慮保膀胱」這個高風險問題，轉化為可量化的 mpMRI radiomics 預測工具。證據等級仍屬 PURE-01 內 112 人影像模型與交叉驗證研究，適合啟發臨床試驗設計與多專科討論，尚不足以單獨取代根除性膀胱切除決策。

重點整理

• 研究納入 PURE-01 中 112 位 MIBC 患者，分析新輔助 pembrolizumab 前後 MRI。
• pMR 定義為 ypT<2N0 residual disease；pCR 定義為 ypT0，兩者不可混用。
• 治療後 mpMRI radiomics 加 DCE-derived features 或 radiomics alone，預測 pMR 的 AUC 均為 0.96。
• shape-based radiomic model 預測 pCR 的 AUC 為 0.86。
• 模型以 elastic net、random forest 訓練並交叉驗證，尚屬需前瞻外部驗證的影像 AI 證據。