摘要
目的：探讨多参数磁共振成像（ multiparametric magnetic resonance imaging，mp-MRI）上不同感兴趣区（regions of interest，ROI）的影像组学模型，以及结合影像组学、前列腺成像报告和数据系统(Prostate Imaging–Reporting and Data System, PI-RADS，PI-RADS）2.1评分、临床变量的综合模型在评估前列腺癌(prostate cancer, PCa)侵袭性方面的价值。 方法：收集我院两个医疗中心，2018年 5月到 2022年 9月经病理确诊为前列腺癌患者 245例，渝中院区 176例，其中低侵袭性组(Gleason评分≤3+4) 77例，高侵袭性组(Gleason评分≥4+3) 99例；江南院区 69例，其中低侵袭性组 33例，高侵袭性组 36例。所有患者均行多参数 MRI检查后，在 T2加权成像（T2-weighted imaging， T2WI）、多期动态增强（Dynamic contrast-enhanced, DCE）MRI、扩散加权成像(diffusion-weighted imaging, DWI)和表观扩散系数图(apparent diffusion coefficient ， ADC)上分割两种 ROI：前列腺区域（prostate gland, PG）和肿瘤病变区域（tumor region，TR）。评估与前列腺癌侵袭性相关的临床变量(总前列腺特异性抗原[total Prostate-specific antigen ， tPSA]水平、游离前列腺特异性抗原[free Prostate-specific antigen ， fPSA]与 tPSA比值[F/T]、前列腺特异性抗原密度[Prostate-specific antigen density ，PSAD]，肿瘤体积[Tumor volume， TV]与前列腺体积[prostate volume，PV]的比值[TV/PV])，并记录每位患者的 PI-RADS 2.1评分。使用逻辑回归算法作为机器学习算法，建立了多个前列腺癌侵袭性分层模型:影像组学模型(ModelPG、ModelTR和 Model PG+TR)、影像组学-PIRADS联合模型、影像组学-临床联合模型、PIRADS-临床联合模型和影像组学-PIRADS-临床综合模型。分别采用受试者操作特征（ROC）曲线下面积（AUC）和决策曲线分析比较各模型的诊断疗效和临床收益。结合影像组学评分（Radiomics score， Radscore）、PI-RADS 2.1评分、独立临床变量构建影像组学列线图。通过校准度、区分度和临床应用评价列线图性能。 结果：在三种影像组学模型中， ModelPG+TR取得了最好的 AUC值(AUC:ModelPG+TR，0.919；ModelPG ，0.887；ModelTR，0.874)。在联合模型中，影像组学-PIRADS-临床综合模型优于影像组学模型、影像组学-PIRADS联合模型、影像组学-临床联合模型和 PIRADS-临床联合模型(AUC:综合模型 0.954 ，影像组学模型 0.919 ，影像组学-PIRADS联合模型 0.921 ，影像组学-临床联合模型 0.919 ， PIRADS-临床联合模型 0.769)。列线图在评估前列腺癌侵袭性方面显示出了良好的性能（AUC 0.919）和校准效能。决策曲线分析显示，影像组学模型（ModelPG+TR）和影像组学-PIRADS-临床综合模型获得了最高的临床净收益。 结论：与仅基于前列腺区域或仅基于肿瘤区域的影像组学模型相比，结合了前列腺和肿瘤区域特征的影像组学模型可以更准确评估前列腺癌的侵袭性；结合了影像组学、PI-RADS 2.1评分、临床变量的综合模型可以进一步提高对前列腺癌侵袭性的评估性能。
NETL