第一部分 基于T2W-MRI图像纹理构建的影像组学模型对临床显著性前列腺癌的诊断效能探讨目的:基于T2W-MRI图像纹理构建一个影像组学模型,探讨该影像组学模型术前对临床显著性前列腺癌(prostate cancer,PCa)的诊断效能。材料和方法:回顾性分析苏州大学附属第二医院2014年12月至2017年3月因临床泌尿系症状或PSA升高行前列腺3.0T常规MRI、DWI及DCE-MRI序列扫描并在TRUS引导下行前列腺系统穿刺活检,最终获得病理诊断结果的381例患者资料,其中良性前列腺疾病199例,PCa 182例(GS<7分40例,GS≥7分142例)。纳入病例均采用同一 MRI设备,所评价序列均符合PI-RADS V2对扫描参数的要求,将获得的每例前列腺T2WI图像导入A.K软件,使用3种预处理技术来提高图像纹理的识别度,对预处理后的图像进行定量分析。依据最终病理诊断结果,将纳入病例分为临床显著性PCa组和非临床显著性PCa组(包括:非临床显著性癌和良性病变)。在每例预处理后T2WI图像勾画病灶三维全体积ROI,病灶的部位和大小,以DWI、ADC图和DCE-MRI序列图像为参考,沿病灶轮廓手动逐层勾画,多层融合得到病灶的三维ROI。本文随机选取40例患者,通过评价T2W-MRI图像的影像组学特征提取的一致性来评估观察者分割病灶的一致性,即:由观察者A两次独自提取影像组学特征,评估两次间的一致性,观察者B独自提取影像组学特征,再评估两位观察者(观察者B与观察者A第一次)间的一致性。利用组内相关系数评价观察者A(两次之间)、观察者A(第一次)与观察者B间影像组学特征提取的一致性,ICC大于0.75表示一致性良好。首先,将所有病例按6:4的比例随机分成训练组和测试组。基于T2W-MRI勾画的训练组每例病灶ROI体素,通过灰度共生矩阵(GLCM)、灰度游程矩阵(RLM)、灰度直方图特征和形态特征四种方法提取出计算机衍生特征,采用ANOVA、Mann-Whitney U检验、Spearman相关性检验和LASSO算法逐步进行特征选择,确定最佳特征集。运用逻辑回归分析对临床显著性PCa最有诊断价值的特征,训练并测试一个对临床显著性PCa组与非临床显著性PCa组进行分类的逻辑回归分类器,得到一个可用于诊断临床显著性PCa的影像组学模型。采用ROC曲线评价影像组学模型鉴别临床显著性PCa组和非显著性PCa组病变的诊断效能,通过曲线下面积对影像组学模型诊断临床显著性PCa的最大效能进行分析,在约登指数最大的条件下取临界值,计算其诊断临床显著性PCa的敏感度、特异度和准确度。结果:381例入组前列腺疾病患者中良性者199例;PCa者共182例,其中GS<7分者40例(非显著性PCa),GS ≥ 7分者142例。针对随机选取的40例T2W-MRI预处理后图像,观察者A两次影像组学特征提取的ICC范围为0.83～0.96,观察者A(第一次)和观察者B两者间特征提取的ICC范围为0.76～0.93。观察者内及观察者间组学特征提取一致性良好。由观察者A完成剩余病例(341例)图像的处理(病灶三维全体积ROI勾画、提取影像组学特征、构建影像组学模型)。经上述多种特征提取方法共获得396个影像组学特征,经多步特征选择方法,最终降维至10个非零系数最佳诊断特征,包括灰度直方图特征(Skewness)、GLCM(GLCM entropy、Difference entropy、Haralick correlation)、RLM(Short-run high grey-level emphasis、Long-run high grey-level emphasis、High grey-level run emphasis)和形态学特征(Large area emphasis、Intensity variability、Low intensity emphasis)。最佳诊断特征经逻辑回归分析得到的影像组学模型对临床显著性PCa具有较高的诊断效能,训练组AUC值为0.957,测试组AUC值为0.908。在约登指数最大的条件下取临界值,对临床显著性PCa的诊断效能,训练组敏感度、特异度和准确度分别为0.872、0.933和0.908;测试组敏感度、特异度和准确度分别为0.854、0.827和0.836。结论:本研究表明基于T2W-MRI图像所提取的影像组学特征在观察者内及观察者间均具有良好的一致性,经训练并测试所构建的影像组学模型对临床显著性PCa具有较高的诊断效能,可作为临床术前诊断临床显著性PCa的辅助方法。第二部分 联合影像组学&临床因素构建的复合模型对临床显著性前列腺癌的诊断价值探讨目的:第一部分研究获得了基于前列腺T2W-MRI图像的临床显著性PCa诊断的影像组学模型,第二部分研究建立临床因素模型,将影像组学模型与临床因素联合,构建诊断临床显著性PCa的影像组学&临床复合模型。比较复合模型与影像组学模型、临床因素模型三者间的诊断效能与临床净获益的差异,探讨复合(影像组学&临床因素)模型对临床显著性PCa的诊断价值。材料和方法:回顾性分析苏州大学附属第二医院2014年12月至2017年3月因临床泌尿系症状或PSA升高行前列腺3.0T常规MRI、DWI及DCE-MRI序列扫描并作TRUS引导下前列腺系统穿刺活检,最终获得病理诊断结果的381例患者的临床和影像学资料,纳入病例均信息完整,其中良性前列腺疾病199例,PCa182例(GS<7分40例,GS≥7分142例)。依据最终病理诊断结果,将纳入病例分为临床显著性PCa组和非临床显著性PCa组(非临床显著性癌和良性病变)。本部分研究以下述PCa诊断相关的临床因素为观察指标,包括:年龄、前列腺体积(PV)、血清PSA(包括tPSA和fPSA)、f/t PSA、PSAD。将所有病例按6:4的比例随机分成训练组和测试组。经单因素、多因素逻辑回归分析获得对诊断临床显著性PCa有统计学意义的临床因素,再通过逻辑回归分析得到诊断临床显著性PCa的临床因素模型。本研究的第一部分获得了基于T2W-MRI图像所提取的诊断临床显著性PCa的影像组学模型,将第一部分获得的影像组学模型与临床因素模型中的临床因素运用逻辑回归分析,得到诊断临床显著性PCa的影像组学&临床复合模型。以上三个模型均在训练组中构建,并在相应测试组中进行模型测试。采用ROC曲线评价临床因素模型、影像组学模型和影像组学&临床复合模型三者鉴别临床显著性PCa组和非显著性PCa组的诊断效能,通过曲线下面积对三个模型诊断临床显著性PCa的最大效能进行分析,在约登指数最大的条件下取临界值,计算各模型诊断临床显著性PCa的敏感度、特异度和准确度。构建临床因素模型和影像组学&临床复合模型的nomogram图,以辅助医师运用上述特征进行临床决策。绘制临床因素模型、影像组学模型和影像组学&临床复合模型的决策曲线,通过在测试组中量化分析不同阈值概率下的临床净获益,以确定三个模型的临床实用性与应用价值。结果:本部分研究采集与PCa诊断相关的临床因素,包括年龄、PV、血清PSA(包括tPSA和fPSA)、f/t PSA、PSAD。经单因素逻辑回归分析显示,年龄、PV、tPSA、fPSA、PSADS对诊断临床显著性PCa具有统计学意义。多因素逻辑回归分析显示年龄、tPSA、fPSA具有统计学意义(P<0.05),这三个临床因素可以作为诊断临床显著性PCa的独立预测因子。在测试组中,临床因素模型诊断临床显著性PCa的AUC值、准确度、敏感度和特异度分别为:0.842、0.790、0.646和0.856;影像组学模型的AUC值、准确度、敏感度和特异度分别为:0.908、0.836、0.854和0.827;影像组学&临床复合模型的AUC值、准确度、敏感度和特异度分别为:0.932、0.875、0.854和0.885。在测试组中,影像组学&临床复合模型和影像组学模型的AUC值均高于临床因素模型,且存在统计学差异(P<0.05);影像组学&临床复合模型的AUC值略高于影像组学模型,但P值为0.47,高于0.05,没有统计学差异。分别获得临床因素模型和影像组学&临床复合模型的nomogram图和临床因素模型、影像组学模型和影像组学&临床复合模型的决策曲线。在测试组中量化分析不同阈值概率下的临床净获益显示,当诊断临床显著性PCa的阈值概率为10-70%时,运用影像组学模型和影像组学&临床复合模型比临床因素模型诊断临床显著性PCa获益更多,且在10-30%时表现最佳。结论:本部分研究表明基于前列腺T2W-MRI图像的影像组学特征可增加PCa相关的临床危险因素诊断临床显著性PCa的价值;联合影像组学特征和临床因素的nomogram图为临床医生诊断临床显著性PCa提供一种定量、直观的方法;影像组学&临床复合模型在诊断临床显著性PCa中具有较好的诊断效能和临床净获益;因此,影像组学&临床复合模型有助于术前临床显著性PCa的诊断评价,随着研究的深入,有望成为有效的、临床适用的诊断新方法。