摘要
背景和目的 原发性前列腺癌(primaryprostatecancer,PCa)是男性第二大常见的癌症，PCa的生物学特征包括Gleason评分(Gleasonscore,GS)、包膜外侵犯(extracapsularextension,ECE)和脉管侵犯(vascularinvasion,VI)等，这些生物学特征与肿瘤的侵袭潜能息息相关。基于正电子发射型计算机断层显像（positronemissiontomography,PET）的影像组学特征可以预测PCa的生物学特征。然而，预测PCa生物学特性的最佳阈值尚不清楚。本研究旨在比较基于18F-PSMA-1007PET的影像组学特征在不同阈值下对PCa多种生物学特征的预测性能。 材料与方法 本研究共纳入173例已完成术前18F-PSMA-1007PET检查的PCa患者。回顾性收集病人的临床及影像学资料。以30%、40%、50%和60%的最大标准化摄取值（maximumstandardizeduptakevalue,SUVmax）为阈值，半自动绘制PET中前列腺病变的感兴趣区域(volumesofinterest,VOI)，并分别提取影像组学特征。所有的VOI都由两位有经验的医生进行半自动勾画，使用组间相关系数（intra-classcorrelationcoefficient，ICC）评价观察者间的一致性。ICC＞0.75则表示特征较稳定。采用支持向量机(supportvectormachine,SVM)建立GS预测模型。为了进一步评估所选特征的性能，研究使用了相同特征的模型预测其他PCa的生物学特征，包括ECE和VI。研究构建PSA模型分别预测前列腺癌的生物学特性，将最优影像组学特征与PSA水平相结合构建组合模型，并且比较PSA模型和组合模型的预测性能。采用受试者工作特征曲线下面积（areaunderthereceiveroperatingcurve,AUC）和混淆矩阵衍生指标评估不同阈值模型的性能。采用绝对净重新分类指数（netreclassificationimprovement，NRI）来衡量模型的增量效益。 结果 相较于其他阈值模型,50%SUVmax模型对于预测GS表现出最好的预测性能，在训练队列和测试队列中AUC分别是0.82（95%CI，0.74-0.88）和0.80（95%CI，0.66-0.90）。相对应组合模型的AUC值在训练队列中为0.81（95%CI，0.73-0.90），在测试队列中为0.81（95%CI，0.68-0.93）。40%SUVmax模型对于ECE的预测表现出最好的预测性能，在训练队列及测试队列中的AUC分别为0.77（95%CI，0.68-0.84），0.77（95%CI,0.63-0.88）。相对应的组合模型在训练和测试队列中的AUC值分别为0.76（95%CI，0.67-0.84）和0.78（95%CI，0.65-0.91）。50%SUVmax模型的对于VI的预测性能最佳，在训练队列及测试队列中AUC分别为0.74（95%CI，0.65-0.82）和0.74（95%CI，0.56-0.82）。相对应的组合模型在训练队列和测试队列的AUC分别为0.72（95%CI，0.60-0.85）和0.76（95%CI，0.60-0.93）。Delong检验显示，组合模型和PSA模型的AUC值无显著性差异（P＞0.05）。而NRI则表明，除在测试队列中预测GS外（P=0.405），在PSA模型中增加最优影像组学特征可以提高GS、ECE及VI的预测性能（P＜0.05）。 结论 基于18F-1007-PSMAPET的影像组学特征在40%-50%SUVmax为阈值时所构建的模型对PCa多种生物学特性的评估具有最佳预测性能。且与单PSA模型相比，影像组学特征在预测前列腺癌的多种生物学特征上可以提供一定的帮助。
NETL