摘要
目的：基于磁共振成像(Magneticresonanceimaging,MRI)的放射组学特征建立并验证机器学习(Machinelearning,ML)模型，预测前列腺病理免疫组织化学标志物P504s/P63的表达并实现前列腺癌(Prostatecancer,PCa)非侵袭性精准诊断。 方法：回顾性分析2016年6月至2021年2月期间患者的前列腺术前MRI影像以及病理资料。根据P504s/P63表达结果将患者分成3个组：标签0(不典型前列腺增生)、标签1(良性前列腺增生症)和标签2(PCa)。使用人工智能工具包(ArtificialIntelligenceKit,AK)手动分割T2加权成像(T2-weightedimaging,T2WI)、弥散加权成像(Diffusion-weightedimaging,DWI)及其衍生的表观扩散系数图像(Apparentdiffusioncoefficient,ADC)的三维容积兴趣区并提取放射组学特征。利用互信息算法进行特征选择和降维，分别建立随机森林（Randomforest,RF）、梯度增强决策树(Gradientboostingdecisiontree,GBDT)、逻辑回归(Logisticregression,LR)、自适应增强(Adaptiveboosting,Adaboost)和K近邻(K-nearestneighbors,KNN)五种ML模型并相互对比，得到预测P504s/P63表达状态的最优模型。模型的性能用曲线下面积(Theareaunderthecurve,AUC)和准确率等指标表示。 结果：本研究共纳入315例患者。每位患者MRI序列中总共提取了851个特征，其中贡献最大的32个特征均来自于T2WI，又以灰度游程矩阵特征和灰度共生矩阵特征占比最大。五种模型中RF模型总体性能最好（微平均AUC:0.920，宏平均AUC:0.870），对标签0、1和2的预测也最准确，准确率分别为0.831、0.831和0.932。T2WI、DWI和ADC三个序列合并建立的模型性能（微平均AUC:0.930，宏平均AUC:0.900）优于任何单序列所建立的模型，而在单序列模型中又以T2WI所建立的模型表现最优（微平均AUC:0.940，宏平均AUC:0.78）。 结论：基于合并序列（T2WI+DWI+ADC）建立的RF分类器模型可较好地评估前列腺的P504s/P63表达，从而无创、准确预测PCa。
NETL