论文部分内容阅读
目的：根据中国国家癌症登记研究所的数据,前列腺癌（prostate cancer,PCa）自2008年以来已成为最常见的男性泌尿恶性肿瘤。多模态磁共振成像（multiparametric magnetic resonance imaging,mp MRI）已成为检测临床有意义的前列腺癌（clinically significant PCa,cs PCa）的首选非侵入性检查技术。对于那些临床怀疑前列腺癌但前列腺mp MRI阴性（prostate imaging-reporting and data system,PIRADS≤2）的患者是否应该推迟活检?对mp MRI阴性患者进行分类的风险分层有助于降低不必要的系统活检。扩大盆腔淋巴结清扫（extended Pelvic lymph node dissection,e PLND）是目前公认最标准的明确前列腺癌淋巴结转移N分期的方法。并非所有PCa患者都具有相同的淋巴结转移风险。为了识别低淋巴结转移风险患者,进而安全避免不必要的e PLND,目前已经开发并验证了几种列线图来识别淋巴结转移。Briganti和MSKCC列线图在预测前列腺癌盆腔淋巴结转移中广泛用。然而,这些列线图通常是使用临床参数、活检数据开发的。影像组学特征可以提供有关癌症特性的重要信息,例如肿瘤形状、异质性、遗传改变和微环境,这可能反映了肿瘤的侵袭性。结合传统的临床因素与影像组学特征的模型有可能会帮助预测mp MRI阴性患者的活检结果和术前预测前列腺癌患者淋巴结转移。本研究的目的是探讨MRI影像组学分析在预测mp MRI阴性患者活检结果及PCa患者淋巴结转移方面的诊断价值。方法：收集330位于2016年1月至2018年12月期间接受3T mp MRI检查且不存在PI-RADSv2＞2类病变并在MRI检查后六个月内进行前列腺系统活检的患者。回顾纳入病人的年龄,前列腺特异性抗原（prostate specific antigen,PSA）,前列腺特异性抗原密度（prostate specific antigen density,PSAD）,是否存在既往前列腺活检阴性病史及PCa家族史。将活检阳性定义为在任何活检核心上的存在cs PCa,即Gleason评分≥3+4的病变。使用单因素分析进行临床特征预选（p＜0.05）。对同一患者的T2加权图像（T2-weighted Image,T2WI）和表观弥散系数（Apparent diffusion coefficient,ADC）图进行刚性配准,然后在T2WI上手动逐层勾画全前列腺ROI,形成VOI。从整个前列腺腺体的T2WI和ADC图中提取300个影像组学特征,并通过Z-score进行标准化。使用序列浮动前向选择算法（SFFS,Sequential Floating Forward Selection）进行特征选择。基于影像组学和临床特征使用支持向量机（Support Vector Machines,SVM）分类器进行模型训练以预测阴性前列腺活检结果。模型性能通过留一交叉验证（Leave-one-out cross-validation,LOOCV）进行验证。模型均通过曲线下面积（Area under the curve,AUC）、敏感度、特异度和阴性预测值进行评估。通过De Long测试比较不同模型的AUC。在预测前列腺癌患者淋巴结转移研究中,收集244例在2010年1月至2019年12月进行根治性前列腺切除术和扩大盆腔淋巴结清扫术并在术前六个月内进行3T mp MRI检查的患者。根据mp MRI检查日期将患者分为训练集（2010-2016）和测试集（2017-2019）。回顾纳入研究患者的查体、化验、活检病理结果及MRI图像,并提取相关特征。在训练集中,使用单因素逻辑回归分析进行临床特征预选（p＜0.1）。对同一患者的T2WI和ADC图进行刚性配准,在T2WI上手动逐层勾画前列腺标签病变ROI,形成VOI。从标签病变VOI的T2WI和ADC图中提取220个影像组学特征,并通过Z-score进行标准化。使用SFFS进行特征选择。基于影像组学和临床特征使用SVM分类器进行模型训练以预测盆腔淋巴结转移结果。模型性能在验证组进行验证。模型均通过AUC、敏感性、特异度和阴性预测值进行评估。通过De Long测试比较不同模型的AUC。结果：1.人口学资料统计及临床特征比较纳入330位患者的中位年龄为63岁（IQR 58-67）。在330位患者中,306名患者前列腺系统活检呈阴性,mp MRI对cs PCa的阴性预测值为92.7%。与活检阴性患者相比,活检证实cs PCa的患者年龄更大,PASD更高,前列腺体积（prostate volume,PV）更小（p＜0.05）。纳入244位患者的中位年龄为63岁（IQR 59-67）。分别有17例（10.6%）和14例（16.7%）盆腔淋巴结转移患者被纳入训练集和测试集。与无淋巴结转移的患者相比,淋巴结转移患者的PSA,PSAD,活检Gleason评分和阳性活检核心百分比、肿瘤MR分期及外周带受累的比例更高（p＜0.05）。2.模型的建立和评价在预测MR阴性患者活检结果的研究中,共有9个特征,包括6个影像组学和3个临床特征被纳入最终SVM模型中。与单独使用影像组学（AUC=0.679）或临床特征（AUC=0.705）构建的模型相比,综合机器学习模型（AUC=0.798）的AUC最高（p=0.006,0.011）。综合机器学习模型NPV为of 98.3%,高于基于PSAD＞0.15的风险评估的NPV93.9%。在预测前列腺癌患者淋巴结转移的研究中,在影像组学特征和预先选择的临床特征中,SFFS算法共筛选出11个特征纳入SVM模型,包括1个实验室检查特征,1个查体特征,3个MRI观察特征,3个活检相关特征及3个影像组学特征。在测试集中,与单独使用影像组学（AUC=0.6843）或临床特征（AUC=0.730）构建的模型相比,综合机器学习模型（AUC=0.915）的AUC最高（p=0.007,0.006）。在测试集中,本研究建立的综合模型的AUC达到0.915（95%CI:0.846-0.984）,优于现有的临床预测模型（AUC范围从0.698到0.724）（p＜0.05）。结论：影像组学特征可以帮助预测前列腺mp MRI阴性患者的活检结果及前列腺癌患者的淋巴结转移情况。基于影像组学特征和临床特征的综合模型具有预测mp MRI阴性患者活检结果及前列腺癌患者发生盆腔淋巴结转移的风险的潜能,可以用来评估哪些患者可以安全地避免前列腺系统活检或盆腔淋巴结清扫,从而指导前列腺癌的精准诊疗,安全的避免不必要的前列腺活检和淋巴结清扫。影像组学在前列腺癌精准诊疗方面具有很好的应用前景。