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（MIBC）在不適合 cisplatin-based chemotherapy 的患者中，曾以新輔助 immune-checkpoint inhibitors（ICIs）進行測試；PURE-01 trial（NCT02736266）評估根除性膀胱切除（RC）前 3 個療程 pembrolizumab。本研究 AI-MIRACLE 聚焦一個臨床上很實際的問題：能否用治療前後的多參數 MRI 搭配 AI，非侵入性預測病理反應，進而協助治療後、手術前的管理討論。研究為國際、多機構研究，資料取得在義大利，集中分析在美國；在 112 位 PURE-01 患者中分析 pre- and post-ICI MRI。方法上，T2-weighted 影像訊號先標準化，再進行 radiomics（IBSI-compatible pyCERR）與 deep feature extraction（AI-BLADE toolbox using VGG19）；diffusion-weighted 與 dynamic contrast-enhanced MRI 則做 model-based analysis。監督式機器學習演算法包含 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 post-ICI mpMRI 的模型，無論結合 radiomics 與 DCE-derived features，或僅用 radiomics，預測 pMR 的 AUC 均達 0.96；shape-based radiomic model 預測 pCR 的 area under the receiver operating characteristic curve 為 0.86。這些模型表現優於基於 clinical predictors 的 benchmark models。作者認為 shape-based radiomics、DCE-derived features 與 deep features 可能成為預測 MIBC 對新輔助 pembrolizumab 反應的非侵入性影像 biomarker，並可能在 definitive surgery 前協助 bladder-preserving management decisions。需注意，摘要僅描述模型訓練與交叉驗證，未提供外部驗證、校準表現或臨床決策試驗結果，因此目前仍屬需前瞻驗證的假設生成證據。

臨床意義

這篇對泌尿腫瘤臨床的價值，在於把 post-treatment mpMRI 轉化為可能的病理反應預測工具，特別是新輔助 pembrolizumab 後是否達 pMR 或 pCR 的判讀。證據等級屬於基於臨床試驗隊列影像資料的 AI/radiomics 預測模型研究，且摘要僅載明交叉驗證；可作為未來膀胱保留策略研究的重要基礎，但目前仍不能單獨用來決定免除根除性膀胱切除。

重點整理

• 本研究分析 112 位 PURE-01 患者的 pre- and post-ICI MRI，預測新輔助 pembrolizumab 後的病理反應。
• post-ICI mpMRI 結合 radiomics 與 DCE-derived features，或單用 radiomics，預測 pMR（ypT<2N0）的 AUC 均為 0.96。
• shape-based radiomic model 預測 pCR（ypT0）的 area under the receiver operating characteristic curve 為 0.86。
• 模型表現優於基於 clinical predictors 的 benchmark models，但摘要僅描述交叉驗證，尚未提供外部驗證。
• 作者提出此影像方法可能協助手術前 bladder-preserving management 討論，但目前不應視為可直接改變治療路徑的證據。