摘要
目的： 本研究将多种临床因素相结合，用于诊断临床有意义前列腺癌(clinically significant prostate cancer,csPCa)的可行性。 方法： 回顾性分析2021.01-2021.12在嘉兴市第一医院行前列腺mpMRI的505名患者，患者信息完整，包括年龄(≤60岁，60-80岁，＞80岁)、前列腺特异抗原(Prostate specific antigen,PSA)(≤4ng/ml,4-10ng/ml，＞10ng/ml)和穿刺病理结果，其中131名患者包括前列腺健康指数(Prostate health index，PHI)检查。国际泌尿病理学会(International Society of Urological Pathology,ISUP)分级大于2的病例被分类为csPCa,国际泌尿病理学会ISUP分级等于1或无前列腺癌证据的病例被分类为non-csPCa。mpMRI的诊断由经验丰富的放射科医师根据前列腺影像报告和数据系统(Prostate Imaging-Reporting and Data System,PIRADS)(PIRADS≤2,PIRADS=3,PIRADS＞3)进行。mpMRI图像由自制的人工智能(Articifial intelligence,AI)算法进行处理，AI结果为阳性或阴性csPCa。建立了两个逻辑回归模型，以病理结果作为因变量，即传统模型和AI模型。含有PHI值的病例，以病理结果作为因变量，建立四个逻辑回归模型，以病理结果作为因变量，即传统模型、AI模型、PHI模型和全模型。使用上述模型的预测概率来测试模型的预测效果。进行DeLong检验以比较上述模型的受试者工作特征曲线(Receiver operation characteristic,ROC)曲线下的面积(Area under the curve,AUC)之间的差异。 结果： 共纳入505名患者，其中280例诊断为csPCa,225例为non-csPCa，中位年龄为72.0[67.0,76.0]岁，中位PSA值为13.0[7.46,27.5]ng/ml。在年龄、PSA、PIRADS评分和AI结果方面，csPCa组与non-csPCa组之间存在统计学上的显著差异(P＜0.001)。在多元回归模型中，所有变量均与csPCa独立相关，与传统模型(R2=0.361)和AI模型(R2=0.474)进行方差分析(Analysis of Variance,ANOVA)，显示统计学上具有显著差异(F=63.695，P＜0.001)。传统模型的ROC曲线下面积为0.782(95％CI：0.742-0.823)，小于AI模型的ROC曲线下面积(具有统计学意义的0.849[95％CI：0.815-0.883],P＜0.001)。而在131例含有PHI值的病例中，62例诊断为csPCa,69例non-csPCa。csPCa组和non-csPCa组在年龄、PSA、PIRADS评分、AI结果和PHI值上均有统计学意义(P≤0.001)。在多变量回归模型中，所有变量均与csPCa独立相关。将传统模型(R2=0.389)、AI模型(R2=0.566)和PHI模型(R2=0.515)与全模型(R2=0.626)进行方差分析，差异均有统计学意义(P＜0.05)。全模型(0.921[95％CI：0.871-0.972])的AUC显著高于传统模型(P=0.001)、AI模型(P＜0.001)和PHI模型(P=0.014)。 结论： 结合年龄、PSA、PHI、PIRADS评分和AI-mpMRI等多种因素，可以提高csPCa的诊断准确率。
NETL