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

肌肉侵犯性膀胱癌的新輔助免疫檢查點抑制劑策略，特別是在不適合 cisplatin-based chemotherapy 的族群，已成為膀胱保留決策的重要研究場域。PURE-01 試驗評估根除性膀胱切除前 3 個療程 pembrolizumab；本研究 AI-MIRACLE 則進一步探討人工智慧結合多參數 MRI 是否能預測病理反應。研究納入 112 位 PURE-01 患者，資料於義大利取得，並在美國進行集中分析；研究者分析治療前與治療後免疫治療 MRI。T2-weighted 影像訊號經標準化後，使用符合 Image Biomarker Standardization Initiative 的 pyCERR 進行 radiomics，並以 AI-BLADE toolbox/VGG19 擷取 deep features；DWI 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，用於預測 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，不論結合 radiomics 與 DCE-derived features，或使用 radiomics alone，預測 pMR 的 AUC 均達 0.96；shape-based radiomic model 預測 pCR 的 AUC 為 0.86。作者指出，這些模型優於以臨床預測因子建立的 benchmark models。整體而言，shape-based radiomics、DCE-derived features 與 deep features 可能作為新輔助 pembrolizumab 後非侵入性反應評估的 imaging biomarkers，進而協助根治性手術前膀胱保留管理決策。不過，本研究仍屬影像 AI 模型研究，樣本數 112 人，且摘要僅提及訓練與交叉驗證；臨床導入前仍需更大規模、前瞻性與外部驗證。

臨床意義

這篇研究的臨床價值在於把治療後 mpMRI 影像特徵連結到新輔助 pembrolizumab 後的病理反應，直接對準 MIBC 是否可能進入膀胱保留討論這個高風險決策。證據等級屬 112 人、多機構資料取得但以模型訓練與交叉驗證為主的影像 AI 研究；可提供新觀點與研究方向，尚不足以單獨改變治療決策。

重點整理

• 研究納入 112 位 PURE-01 患者，分析新輔助 pembrolizumab 前後的 MRI 以預測病理反應。
• 治療後 mpMRI 結合 radiomics 與 DCE-derived features 預測 pMR（ypT<2N0）的 AUC 為 0.96。
• 治療後 mpMRI 使用 radiomics alone 預測 pMR 的 AUC 同樣為 0.96。
• Shape-based radiomic model 預測 pCR（ypT0）的 AUC 為 0.86。
• 模型經訓練與交叉驗證，且作者指出其表現優於以臨床預測因子建立的 benchmark models。