摘要
目的：基于前列腺多参数MRI上肿瘤本身及其肿瘤周围的感兴趣体积（Volumeofinterest，VOI），通过机器学习技术评估不同影像组学模型在前列腺癌（Prostatecancer，PCa）风险分层中的诊断价值；并结合瘤内、瘤周影像组学模型与临床模型（Clinicalmodel，CM）开发一个综合Nomogram模型，以精准检测与鉴别低风险/低Gleason分级组（Low-Gleasongradegroup，L-GGG）和高风险/高Gleason分级组（High-Gleasongradegroup，H-GGG）的PCa患者群体。 材料和方法：回顾性纳入207例前列腺系统穿刺活检或根治性前列腺切除术后病理确诊的PCa患者。其中，H-GGG患者125例、L-GGG患者82例，研究对象按7∶3的比例随机分为训练队列和测试队列。在小视野压脂T2WI、DWI和ADC图像上，手工分割出5类涵盖病灶不同范围的VOI模型，并进行特征提取和多重特征筛选；选择最佳特征子集和分类器逻辑回归，通过五折交叉验证分别构建6个放射组学模型：原始肿瘤体积（ITV）、肿瘤边界内缩2mm的中央肿瘤区域（CTV）、肿瘤边界外部2mm区域（PTV2）、肿瘤边界内外各2mm即跨越肿瘤交界4mm区域（PTT）、肿瘤边界外部4mm区域（PTV4）以及瘤内联合瘤周模型（ITV+PTV2）。此外，通过单因素和多因素logistic分析筛选临床预测因子构建CM，并结合瘤内（ITV）、瘤周（PTV2）影像组学模型和CM构建临床-影像组学Nomogram模型。利用受试者工作特征曲线下面积（Areaundercurve，AUC）及其95%置信区间（Confidenceinterval，CI）评估各模型的整体效能，通过DeLong检验计算模型间的AUC改善是否具有统计学差异。此外，运用准确性（Accuracy，Acc）、敏感性（Sensitivity，Sen）、特异性（Specificity，Spe）、阳性预测值（Positivepredictivevalue，PPV）和阴性预测值（Negativepredictivevalue，NPV）等诊断性指标，以及列线图、临床校准曲线和决策曲线分析等统计学工具进一步比较和分析了各模型的预测性能和临床效益。 结果：1.综合Nomogram模型在所有模型中表现最佳（测试集AUC=0.924，95CI%：0.861-0.988），优于CM（测试集AUC=0.879，95CI%：0.795-0.964）、ITV（测试集AUC=0.839，95CI%：0.739-0.940）及PTV2（（测试集AUC=0.847，95%CI：0.748-0.948），经Delong检验，所有P值均＜0.05；其Acc（0.857）、Spe（0.965）、PPV（0.963）在验证队列中最高。2.PTT（测试集AUC=0.879，95%CI：0.791-0.968）与ITV+PTV2（测试集AUC=0.879，95%CI:0.795-0.964）的诊断效能相当；ITV与PTV2诊断效能相似（P均＞0.05）；在所有影像组学模型中，PTT与ITV+PTV2的预测性能最佳。3.Nomogram模型的AUC高于ITV+PTV2，但两者无显著差异（P＞0.05）。4.PTV2在验证队列中的表现优于PTV4，其AUC、Acc、Sen、Spe、PPV、NPV、F1评分均高于PTV4。5.PSA和PI-RADS评分是构成CM的独立预测因子，在训练集中，ITV+PTV2的AUC高于CM（0.905vs0.877）；在测试集中，两者AUC相当，但CM的AUC高于ITV和PTV2。6.在特征分析中，ADC图像特征、直方图特征和纹理特征表现出较高的特征重要性；其中，ADC_firstorder_10Percentile在ITV、PTV2和PTT中均获最高权重。 结论：1.综合Nomogram模型能够精准识别和区分H-GGG和L-GGG患者，其有助于提升单一模型ITV、PTV2与CM的预测效能，并有望成为术前预测PCa高低风险群体的高精度工具。2.跨越肿瘤周围（PTT）与瘤内联合瘤周（ITV+PTV2）放射组学的诊断效能相当，单一瘤内（ITV）与瘤周（PTV2）放射组学的预测性能相似，瘤内及瘤周区域均值得关注。3.PTT表现非常出色，可能会为探索最佳瘤周范围或理解肿瘤周围区域的特征重要性，提供有价值的补充信息。4.ADC_firstorder_10Percentile特征或许代表了一种可用于PCa侵袭性评估的新型生物标志物。影像组学或人工智能将在前列腺疾病的诊断分层、预后分析等领域发挥更关键的作用。
NETL