摘要
背景与目的：Ki67表达与格林森分级分组（Gleasongradinggroup,GGG）均为前列腺癌（Prostatecancer,PCa）侵袭性判定的重要指标，两者联合是长期预后评估的最佳组合。本研究旨在探寻一种基于磁共振（Magneticresonance,MR）影像组学的机器学习模型，以期准确预测PCa的Ki67表达和GGG，实现病理指标的无创预测，为临床提供更全面的信息。 材料和方法：回顾性纳入经病理证实为PCa患者122例，术前MRI及病理资料（Ki67与GGG）完整清晰。MRI序列包括脂肪抑制T2加权成像（T2-weightedimaging,T2WI）、弥散加权成像（Diffusionweightedimaging,DWI）与表观扩散系数（Apparentdiffusioncoefficient,ADC）。使用人工智能工具包(ArtificialIntelligenceKit,AK)软件手动分割病灶感兴趣区，并提取影像组学特征。基于上述序列和不同算法（逻辑回归（Logisticregression,LR）、支持向量机（Supportvectormachine,SVM）、随机森林（Randomforest,RF）和K近邻（K-nearestneighbor,KNN））构建预测Ki67和GGG的机器学习模型。分别使用递归特征消除（Recursivefeatureelimination,RFE）、合成少数过采样技术（Syntheticminorityoversamplingtechnique,SMOTE）和5折交叉验证法去除冗余特征、解决数据不平衡问题及验证模型。采用受试者工作特征曲线（Receiveroperatingcharacteristic,ROC）评价不同模型的预测性能，并显示最佳模型特征的详细组合及权重最高的特征。采用Spearman检验分析Ki67和GGG的相关性，探索同时预测Ki67和GGG的最佳模型，计算其准确性，并对比分析两联合模型的特征组成。 结果：预测Ki67表达性能最佳的机器学习模型为LR_ADC+T2（曲线下面积（Theareaunderthecurve,AUC）=0.8882,灵敏度=0.7636,特异度=0.8657），其中特征ADC_kompet-LHH_firstorder_Maximum权重最高。SVM_DWI+T2（AUC=0.9248,灵敏度=0.8588,特异度=0.7838）预测GGG性能最佳，特征DWI_waveletHLL_glcm_SumAverage权重最高。Ki67和GGG呈正相关（r=0.382，P＜0.001）。LR_ADC+DWI（准确率=0.6230）为同时预测Ki67和GGG准确性最高的模型，最佳组合模型序列来源及比例一致且小波特征及纹理特征比例均较高，但特征类型相似性较低。 结论：本文所构建的基于MRI影像组学机器学习模型能准确预测PCa的Ki67表达和GGG，实现了病理指标的无创预测，以识别惰性与侵袭性PCa。
NETL