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 的病人中，新輔助免疫檢查點抑制劑是重要研究方向；PURE-01 試驗（NCT02736266）評估根除性膀胱切除（RC）前給予三個療程 pembrolizumab。本研究 AI-MIRACLE 進一步探討多參數 MRI（mpMRI）結合人工智慧，能否在新輔助免疫治療後預測病理反應。這是一項國際、多機構研究，影像資料取得於義大利，中央分析於美國進行；112 位 PURE-01 病人的 ICI 前與 ICI 後 MRI 被納入分析。研究者將 T2-weighted 影像訊號標準化，用於 radiomics（IBSI-compatible pyCERR）與 deep feature extraction（AI-BLADE toolbox using VGG19）；diffusion-weighted 與 dynamic contrast-enhanced MRI 則接受 model-based analysis。模型以 supervised machine learning（elastic net、random forest）訓練並交叉驗證，預測 pathological major response（pMR：ypT<2N0 residual disease）與 pathological complete response（pCR：ypT0）。主要結果顯示，使用 ICI 後 mpMRI 的模型，不論結合 radiomics 與 DCE-derived features，或單用 radiomics，預測 pMR 的 AUC 皆為 0.96；shape-based radiomic model 預測 pCR 的 ROC AUC 為 0.86。作者並指出這些影像模型優於以臨床因子建立的 benchmark models，但 abstract 未提供差值、信賴區間或 p 值。整體而言，shape-based radiomics、DCE-derived features 與 deep features 可能作為非侵入性影像生物標記，在根除性手術前協助評估新輔助 pembrolizumab 後反應，進而提供 bladder-preserving 決策參考；但這仍是模型研究，且 abstract 僅描述交叉驗證，臨床採用前仍需前瞻性驗證。

臨床意義

這篇最貼近泌尿腫瘤臨床：若能前瞻驗證，治療後 mpMRI radiomics 可能在根除性膀胱切除前提供非侵入性反應評估，協助討論膀胱保留策略。證據等級仍屬多機構模型研究與交叉驗證，尚不足以單獨改變治療決策。

重點整理

• 研究納入 112 位 PURE-01 病人，分析 ICI 前與 ICI 後 MRI，以預測 pMR（ypT<2N0）與 pCR（ypT0）。
• ICI 後 mpMRI 中，radiomics 加 DCE-derived features 或 radiomics 單獨模型，預測 pMR 的 AUC 皆為 0.96。
• Shape-based radiomic model 預測 pCR 的 ROC AUC 為 0.86。
• 模型使用 elastic net 與 random forest 訓練並交叉驗證；abstract 未提供外部驗證、CI 或 p 值。
• 研究聚焦新輔助 pembrolizumab 後的非侵入性反應評估，可作為膀胱保留策略的假設生成依據。