论文部分内容阅读
第一部分PI-RADS V2.1和V2.0对移行带有临床意义前列腺癌诊断效能的对照研究目的:比较基于前列腺多参数MRI（mpMRI）的影像报告与数据系统2.1版（PI-RADS V2.1）与2.0版（PI-RADS V2.0）对移行带（TZ）病变的评分一致性,探讨PI-RADS V2.1及PI-RADS V2.0对TZ有临床意义前列腺癌（csPCa）的诊断效能。方法:回顾性收集临床疑诊前列腺癌且行3.0T mpMRI检查的123例患者,所有患者病灶均位于前列腺TZ,且均以MRI-经直肠超声（TRUS）融合引导前列腺靶向活检（MRGB）获取组织病理学诊断。由2名不同年资医师根据PI-RADS V2.0和V2.1独立评估每个病灶的T2WI序列、DWI序列和DCE序列并完成PI-RADS总体评分。采用Kappa检验分析评估者间一致性,绘制受试者工作特性曲线（ROC）并计算曲线下面积（AUC）,采用McNemar和DeLong检验比较两版评分对csPCa的诊断效能。结果:本研究纳入的123例患者中,csPCa39例,无临床意义前列腺癌（ciPCa）10例,良性病变74例。两名医师应用PI-RADS V2.0和PI-RADS V2.1评分的Kappa值分别为0.590、0.654。对于低年资医师,PI-RADS V2.1诊断的灵敏度、特异度、准确度及AUC分别为94.9%、63.1%、73.2%以及0.918;PI-RADS V2.0诊断的灵敏度、特异度、准确度及AUC分别为97.4%、52.4%、66.7%以及0.901。对于高年资医师,PI-RADSV2.1诊断的灵敏度、特异度、准确度及AUC分别为94.9%、79.8%、84.6%以及0.948;PI-RADS V2.0诊断的灵敏度、特异度、准确度及AUC分别为87.2%、82.1%、83.7%以及0.949。两版评分系统检测移行带csPCa的灵敏度在两位医师中均没有显著差异（P＞0.05）。低年资医师使用PI-RADS V2.1的特异度、准确度和AUC有所提高（P＜0.05）。在低年资医师评为PI-RADS V2.1 3分病变占全部病变的29.3%（36/123）,其中非csPCa占77.8%（28/36）;高年资医师评为PI-RADS V2.1 3分病变占全部病变的17.9%（22/123）,其中非csPCa占72.7%（16/22）。结论:PI-RADSV2.1较V2.0版评分在不同阅片者间具有更高的一致性,且更有助于提高低年资医师对csPCa的诊断效能。但是,PI-RADS V2.1系统对3分病变的评分标准仍然存在模糊性,无法对“不确定性病变”进行进一步的风险分层。第二部分临床-影像组学联合模型预测PI-RADS 3分病变中有临床意义前列腺癌的初步研究目的:构建前列腺病变临床-影像组学预测模型,并验证其对PI-RADS V2.1 3分病变中csPCa的诊断效能。方法:回顾性收集170例行3.0T前列腺MRI检查并且经过组织病理学结果证实的患者。按照7:3的比例将患者随机分配至训练集和测试集。从每位患者的T2WI、DWI和ADC图像中提取以下特征:一阶灰度特征、形态特征、灰度共生矩阵（GLCM）、灰度游程长度矩阵（GLRLM）、灰度尺寸区域矩阵（GLSZM）、灰度相关矩阵（GLDM）、邻域灰度差矩阵（NGTDM）及小波特征。首先采用单因素回归分析筛选出与PI-RADS 3分病变中明显相关的临床特征。然后采用联合最大相关最小冗余（mRMR）和最小绝对收缩和选择算子（LASSO）的双特征选择方法对影像组学特征进行筛选和降维,得到预测偏差最小、与目标任务最相关的特征子集并计算影像组学评分（Radscore）。最后将临床特征及Radscore纳入多因素逻辑回归分析,建立3个预测模型:临床模型、影像组学模型以及临床-影像组学联合模型,以诺模图的形式将联合模型直观展示。绘制受试者工作特性曲线（ROC）并计算曲线下面积（AUC）来评估模型的预测效能,采用Delong检验比较临床、Radscore和临床-影像组学联合模型的诊断效能。在训练集中评估模型预测结果的病理符合率,绘制校准曲线,并在测试集中进行验证。最后通过决策曲线分析评价联合模型的临床应用价值。结果:本研究最终选取7个影像组学特征用于构建影像组学模型,得到Radscore。Radscore在csPCa患者和非csPCa患者之间有显著差异（训练集:P＜0.001;测试集:P=0.0035）。单因素和多因素逻辑回归分析显示年龄、PSA密度、直肠指检以及Radscore可作为鉴别csPCa的独立预测因子。临床模型测试集的灵敏度、特异度及准确度为0.48、0.92、0.79;影像组学模型的灵敏度、特异度及准确度为0.83、0.56、0.74;联合模型的的灵敏度、特异度及准确度为0.85、0.80、0.85。测试集联合模型预测 csPCa 的 AUC 为 0.85（95%CI:0.74～0.96）,高于临床模型（AUC=0.79,95%CI:0.66～0.92,P=0.034）和影像组学模型（AUC=0.74,95%CI:0.60～0.88,P＜0.001）。决策曲线分析表明,与单一的临床模型和影像组学模型相比,临床-影像组学模型能使患者获得更高的净收益,具备良好的临床实用性。结论:临床-影像组学模型能有效识别PI-RADS 3分病灶中的csPCa,从而对PI-RADS 3 分病灶进行精确的风险分层,有助于在提高 csPCa 检出率的同时减少不必要的活检。