AI-MIRACLE：人工智慧與多參數 MRI 預測接受根治性膀胱切除之肌層侵犯性膀胱癌病人對新輔助免疫治療的臨床結局

導讀：AI-MIRACLE：人工智慧與多參數 MRI 預測接受根治性膀胱切除之肌層侵犯性膀胱癌病人對新輔助免疫治療的臨床結局

肌層侵犯性膀胱癌（MIBC）的新輔助免疫治療正在累積資料，但臨床上最困難的是：治療後影像能否在根治性膀胱切除（RC）前可靠辨識病理反應，進而為保膀胱策略提供依據。AI-MIRACLE 以 PURE-01 試驗（NCT02736266）為基礎；PURE-01 評估 RC 前 3 個療程 pembrolizumab。本多機構研究在義大利取得資料、於美國集中分析，納入 112 位 PURE-01 病人，分析 ICI 治療前與治療後 MRI。方法上，T2-weighted 影像訊號經標準化後進行 radiomics（IBSI-compatible pyCERR）與 deep feature extraction（AI-BLADE toolbox, VGG19）；diffusion-weighted 與 dynamic contrast-enhanced MRI 則做 model-based analysis。研究以 elastic net、random forest 訓練並交叉驗證模型，預測病理主要反應 pMR（ypT<2N0 殘餘病灶）與病理完全反應 pCR（ypT0）。摘要未標明 primary endpoint，因此結果應解讀為核心模型表現，而非已分層的 confirmatory endpoint。ICI 後 mpMRI 使用 radiomics 加 DCE-derived features，或單用 radiomics，預測 pMR 的 AUC 皆為 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，但摘要未提供信賴區間、p 值或外部驗證結果。作者認為這些影像特徵可能作為非侵入性 biomarker，協助 definitive surgery 前評估反應；臨床上仍應視為模型開發與交叉驗證層級的初步證據。

臨床意義

這篇對泌尿腫瘤臨床的價值，在於把 ICI 後 mpMRI 與 radiomics/deep-feature pipeline 連結到 RC 標本的 pMR 與 pCR，直接回應新輔助 pembrolizumab 後如何評估保膀胱可能性的問題。證據等級屬多機構模型開發與交叉驗證研究，尚不是可改變標準治療的前瞻性決策證據。

重點整理

• AI-MIRACLE 納入 112 位 PURE-01 病人，分析 ICI 治療前與治療後 MRI；PURE-01 評估 RC 前 3 個療程 pembrolizumab。
• ICI 後 mpMRI 的 radiomics 加 DCE-derived features，或單用 radiomics，預測 pMR（ypT<2N0）的 AUC 皆為 0.96。
• Shape-based radiomic model 預測 pCR（ypT0）的 ROC AUC 為 0.86，不能解讀為 accuracy。
• 模型使用 elastic net 與 random forest 訓練並交叉驗證；摘要未報告外部驗證、信賴區間或 p 值。
• 作者提出此方法可能協助 definitive surgery 前的保膀胱管理評估，但目前仍屬待驗證的影像 biomarker。