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局

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局

肌肉侵犯性膀胱癌（MIBC）在新輔助治療後，如何於根除性膀胱切除前更精準判讀治療反應，是膀胱保留策略能否安全推進的核心問題。PURE-01 試驗曾評估 cisplatin-based chemotherapy 不適合患者於根除性膀胱切除前接受 3 個療程 pembrolizumab；本研究 AI-MIRACLE 進一步以人工智慧結合多參數 MRI，探索影像是否能預測病理反應。這是一項國際、多機構研究，資料取得在義大利，集中分析於美國；納入 112 位 PURE-01 患者，分析治療前與治療後 ICI MRI。研究團隊將 T2-weighted signal intensities 標準化，用於 radiomics（Image Biomarker Standardization Initiative-compatible pyCERR）與 deep feature extraction（AI-BLADE toolbox using VGG19）；DW 與 DCE MRI 則進行 model-based analysis。監督式機器學習演算法包括 elastic net 與 random forest，經訓練與交叉驗證，用來預測 pathological major response（pMR：ypT<2N0 residual disease）與 pathological complete response（pCR：ypT0）。主要結果顯示，使用治療後 mpMRI 的模型，無論結合 radiomics 與 DCE-derived features，或僅使用 radiomics，預測 pMR 的 AUC 皆達 0.96；shape-based radiomic model 預測 pCR 的 area under the receiver operating characteristic curve 為 0.86。這些模型表現優於以臨床預測因子為基準的 benchmark models。作者認為，shape-based radiomics、DCE-derived features 與 deep features 可能成為非侵入性影像 biomarkers，用於預測 MIBC 對新輔助 pembrolizumab 的反應，並可能協助根除性手術前的膀胱保留決策。不過，這仍是模型開發與交叉驗證研究，樣本數為 112，abstract 未提供外部驗證、信賴區間或長期 oncologic outcomes，因此臨床應視為假設生成，尚不能單獨改變治療決策。

臨床意義

這篇文章的臨床價值在於把「治療後 mpMRI + AI」推向 MIBC 新輔助免疫治療反應評估，直接對接膀胱保留決策這個高風險臨床問題。其證據等級為多機構模型開發與交叉驗證研究，來自 112 位 PURE-01 患者；可作為設計前瞻性驗證與保留膀胱策略試驗的依據，但不應單獨取代病理評估或標準手術決策。

重點整理

• 本研究納入 112 位 PURE-01 患者，分析新輔助 ICI 治療前與治療後 MRI，以預測 pMR（ypT<2N0）與 pCR（ypT0）。
• 治療後 mpMRI 模型使用 radiomics 加 DCE-derived features，或僅使用 radiomics，預測 pMR 的 AUC 皆為 0.96。
• Shape-based radiomic model 預測 pCR 的 area under the receiver operating characteristic curve 為 0.86。
• 模型表現優於以臨床預測因子建立的 benchmark models，但 abstract 未提供外部驗證或長期 oncologic outcomes。
• 研究支持影像 biomarkers 可作為膀胱保留決策的候選工具，但目前仍屬需前瞻驗證的假設生成證據。