膀胱癌(BCa)是泌尿系统最常见的恶性肿瘤，其发病率在全球恶性肿瘤中排名第十。根据肿瘤对膀胱壁的内在侵袭程度，BCa被分为非肌肉浸润性BCa(NMIBC)和肌肉浸润性BCa(MIBC)。约75%的BCa肿瘤为NMIBC，侵袭性低，5年总生存率为90%，其治疗方法为经尿道切除膀胱肿瘤(TURBT)，并选择性地辅以膀胱内化疗。相比之下，MIBC的标准化治疗是根治性膀胱切除术、放疗、化疗或联合治疗。MIBC的准确术前诊断对于治疗方法的选择和患者的预后至关重要。

磁共振成像(MRI)是一种非侵入性的检查方法，具有较高的软组织对比度，对于BCa的术前分期具有显著的优势。2018年提出的膀胱成像-报告和数据系统(VI-RADS)采用T2加权成像(T2WI)、弥散加权成像(DWI)和动态对比增强MRI(DCE-MRI)等多种序列，提供1至5分来区分BCa的浸润程度。VI-RADS被认为能有效区分MIBC和NMIBC，具有较高的诊断准确性和良好的阅片员间一致性[11]。有研究提出了与VI-RADS相结合的MIBC评估诊断方法，提高了MIBC的诊断准确性。然而，VI-RADS有其局限性。在Wang等学者的研究中，VI-RADS评分为3的MIBC的诊断准确率为0.667。Maha等学者的一项多中心研究指出，对于VI-RADS评分为2或3的肿瘤，第一次TURBT后的侵袭风险分别为0.218和0.458。一些研究提出，VI-RADS结合图像特征或结合肿瘤与膀胱壁接触的长度可以共同诊断MIBC，弥补VI-RADS 2或3分的肿瘤诊断准确性的不足。然而，这些研究是用单中心数据进行的，而放射组学方法需要放射科医生介入，对病变进行轮廓分析或提取手工制作的成像特征。对于VI-RADS 2或3级的肿瘤，其诊断准确性仍有待进一步完善和提高。

作为一种新兴的机器学习技术，深度学习(DL)已被应用于BCa的医学影像分析，为MIBC提供了一种自动化的精确评估。Zhang等学者报道了基于多中心数据的CT图像的DL分析的MIBC预测。他们使用接收器操作特征曲线(ROC)对内部和外部验证集的曲线下面积(AUC)分别达到了0.861和0.791。提供高软组织对比度的MRI在临床实践中已被普遍用于MIBC评估，并可能取得比CT更高的性能。

近日，发表在EuropeanRadiology杂志的一项研究提出了一种基于T2WI的预测MIBC的DL方法，并将该模型的性能与VI-RADS进行了比较，为提高放射科医生的诊断准确性及诊断信心提供了参考依据，并为临床的术前无创风险分层提供了技术支持。

共有215个肿瘤(129个用于培训，31个用于内部验证，中心1;55个用于外部验证，中心2)被纳入研究。MIBC通过病理检查得到确认。VI-RADS评分由两组放射科医生(读者1和读者2)独立提供。在训练集中构建了一个深度卷积神经网络，并在内部和外部验证集中进行了验证。同时进行ROC分析以评估MIBC诊断的性能。

DL模型、读者1和读者2的AUCs如下：在内部验证集中，分别为0.963、0.843和0.852;在外部验证集中，分别为0.861、0.808和0.876。在外部验证集中，DL模型在VI-RADS 2或3分的肿瘤中的准确率高于放射科医生的准确率：对于读者1，0.886 vs. 0.600，p = 0.006;对于读者2，0.879 vs. 0.636，p = 0.021。DL方法的平均处理时间(两个验证集分别为38秒和43秒)比读者短得多，两个验证集都减少了100多秒。

本研究开发并验证了一种基于T2WI的诊断MIBC的DL方法。本项研究所提出的DL模型与使用VI-RADS的放射科医生相比，具有相对较好的诊断准确性，且数据处理时间较短，并在外部验证集中具有良好的通用性。这些优点表明，研究所提出的方法在诊断MIBC方面具有良好的临床诊断前景。