雙參數磁共振影像組學聯合PSAD在前列腺癌Gleason分級分組中的應用價值

[摘要]目的探討雙參數磁共振成像（biparametricmagneticresonanceimaging，bpMRI）影像組學聯合前列腺特異性抗原密度（prostate-specificantigendensity，PSAD）在低、高級別前列腺癌（prostatecarcinoma，PCa）中的診斷價值。方法回顧性分析2018年6月至2022年10月臺州市中心醫院經病理證實為PCa患者的臨床及影像資料。根據Gleason分級分組（Gleasongradegroup，GGG），將GGG≤2定義為低級別PCa，GGG>2定義為高級別PCa。按7∶3比例將不同級別的PCa患者隨機分為訓練組和測試組。基于T2加權成像（T2weightedimaging，T2WI）、表觀擴散系數（apparentdiffusioncoefficient，ADC）序列提取影像組學特征，采用最大相關最小冗余、最小絕對收縮和選擇算子進行特征選擇和降維，并進行5倍交叉驗證，保留最佳特征組合構建影像組學模型。通過受試者操作特征曲線（receiveroperatingcharacteristiccurve，ROC曲線）和Delong檢驗評估各模型的診斷性能。采用決策曲線分析（decisioncurveanalysis，DCA）評價模型的臨床效用。結果所有模型中，T2WI-ADC-PSAD聯合模型的診斷效能最高，在訓練組和測試組中的曲線下面積（areaunderthecurve，AUC）分別為0.882、0.772。Delong檢驗結果顯示，在訓練組中，T2WI-ADC-PSAD模型與T2WI模型的AUC比較差異無統計學意義（P>0.05），與其他模型的AUC比較差異均有統計學意義（P<0.05）。在測試組中，T2WI-ADC-PSAD模型與其他模型的AUC比較差異均無統計學意義（P>0.05）。DCA結果顯示，當閾值概率低于97%時，T2WI-ADC-PSAD模型可為臨床決策提供更高的凈效益。結論BpMRI影像組學聯合PSAD可提高對低、高級別PCa的診斷效能，并指導患者的治療決策。

[關鍵詞]雙參數磁共振成像；前列腺特異性抗原密度；影像組學；預測模型；Gleason分級分組

[中圖分類號]R737.25[文獻標識碼]A[DOI]10.3969/j.issn.1673-9701.2024.25.007

ApplicationvalueofbiparametricmagneticresonanceimagingradiomicscombinedwithPSADinGleasongradegroupofprostatecarcinoma

RENDabin1，WEIYuguo2，LIULiqiu1，XUZuliang1，WANGGuoyu1

1.DepartmentofRadiology，TaizhouCentralHospital（TaizhouUniversityHospital），Taizhou318000，Zhejiang，China;2.AdvancedAnalyticsCenter，GlobalMedicalService，GEHealthcare，Hangzhou310000，Zhejiang，China

[Abstract]ObjectiveToinvestigatethediagnosticvalueofbiparametricmagneticresonanceimaging（bpMRI）radiomicscombinedwithprostate-specificantigendensity（PSAD）inpredictinglow-gradeandhigh-gradeprostatecarcinoma（PCa）.MethodsTheclinicalandimagingdataofpatientswithPCaconfirmedbypathologyinTaizhouCentralHospitalfromJune2018toOctober2022wereretrospectivelyanalyzed.AccordingtoGleasongradegroup（GGG），GGG≤2wasdefinedaslow-gradePCa，andGGG>2wasdefinedashigh-gradePCa.PCapatientswithdifferentgradeswererandomlydividedintotraininggroupandtestgroupaccordingtoaratioof7∶3.RadiomicsfeatureswereextractedbasedonT2weightedimaging（T2WI）andapparentdiffusioncoefficient（ADC）sequences.Featureselectionanddimensionalityreductionwerecarriedoutusingmaximumrelevanceminimumredundancy，leastabsoluteshrinkageandselectionoperator，and5-foldcrossvalidationwasperformedtoretainthebestradiomicsfeatures.Receiveroperatingcharacteristic（ROC）curveandDelong’stestwereusedtoevaluatetheperformanceofeachmodel.Decisioncurveanalysis（DCA）wasusedtoevaluatetheclinicalutilityofthemodel.ResultsAmongallthemodels，T2WI-ADC-PSADcombinedmodelhadthebestdiagnosticefficiency，theareaunderthecurve（AUC）intraininggroupandtestgroupwere0.882，0.772，respectively.Delong’stestshowedthatintraininggroup，therewasnosignificantdifferenceinAUCbetweenT2WI-ADC-PSADmodelandT2WImodel（P>0.05），butthereweresignificantdifferencesbetweenT2WI-ADC-PSADmodelandothermodels（P<0.05）.IntestgrouptherewerenosignificantdifferencesinAUCbetweenT2WI-ADC-PSADmodelandothermodels（P>0.05）.TheDCAshowedthattheT2WI-ADC-PSADmodelprovidedahighernetbenefitforclinicaldecision-makingwhenthethresholdprobabilitywaslessthan97%.ConclusionBpMRIradiomicscombinedwithPSADcanimprovethediagnosticefficiencyoflow-gradeandhigh-gradePCa，andguidethetreatmentdecisionofpatients.

[Keywords]Biparametricmagneticresonanceimaging;Prostate-specificantigendensity;Radiomics;Predictionmodel;Gleasongradegroup

前列腺癌（prostatecarcinoma，PCa）是男性第二大常見癌癥，發病率在全球范圍內呈上升趨勢[1-2]。Gleason評分（Gleasonscore，GS）是反映PCa侵襲性的重要指標。2014年，國際泌尿病理協會提出Gleason分級分組（Gleasongradegroup，GGG），分別為GGG1（GS≤6）、GGG2（GS3+4）、GGG3（GS4+3）、GGG4（GS3+5、4+4、5+3）和GGG5（GS=9）[3]。雖然GS4+3和GS3+4總分同為7分，但在臨床治療策略及預后方面存在不同[4]。GS依賴于經直腸超聲引導下活檢，是一種有創檢查，可導致一系列并發癥[5]。影像組學通過將醫學圖像轉化為高維數據反映腫瘤的組織病理學特征，實現對腫瘤的定量評估[6-7]。目前，影像組學已廣泛應用于PCa的診斷、侵襲性評估、生化復發預測和轉移等[8-12]。前列腺特異性抗原（prostate-specificantigen，PSA）是PCa的腫瘤標志物，但其特異性較差。與PSA相比，前列腺特異性抗原密度（prostate-specificantigendensity，PSAD）對PCa的篩查和診斷具有更高的特異性[13]。本研究旨在探討雙參數磁共振成像（biparametricmagneticresonanceimaging，bpMRI）影像組學聯合PSAD在術前無創性診斷低級別（GGG≤2）和高級別（GGG>2）PCa的效能。

1資料與方法

1.1一般資料

回顧性分析2018年6月至2022年10月臺州市中心醫院經病理證實為PCa患者的臨床資料。納入標準：①使用相同的3.0T磁共振成像（magneticresonanceimaging，MRI）掃描儀，掃描序列和參數一致；②MRI圖像清晰；③MRI檢查后2周內行超聲引導下穿刺或根治性切除術，并獲得GS。排除標準：①MRI檢查前行超聲引導下穿刺、手術或其他治療；②圖像質量差；③臨床資料不完整。本研究經臺州市中心醫院倫理委員會批準[倫理審批號：（研）2023-09-02]，免除知情同意。

1.2bpMRI采集

使用3.0TMRI掃描儀（西門子醫療保健，德國），采用18通道腹部線圈，取平臥位，頭部向前，患者在檢查前充盈膀胱，掃描中心線與恥骨聯合平齊。掃描序列包括軸位T2加權成像（T2weightedimaging，T2WI）和彌散加權成像（diffusionweightedimaging，DWI），基于DWI自動生成表觀擴散系數（apparentdiffusioncoefficient，ADC）。MRI掃描參數見表1。

1.3臨床資料

收集患者的臨床資料，包括年齡、PSA；測量前列腺體積（prostatevolume，PV）3次取平均值，計算PSAD。PSAD定義為：PSAD=PSA/PV。

1.4病理分析

所有病理結果均來自靶向穿刺、12針系統穿刺和根治性前列腺切除術后標本。穿刺方法為經直腸超聲引導下經會陰12針飽和前列腺穿刺活檢。每根活檢針長度均不小于1.5cm，并標記具體位置。由一位具有10年以上工作經驗的泌尿生殖病理醫生對病理標本進行評估，并獲得GS。

1.5繪制感興趣體積

將MRI圖像導入ITK-SNAP軟件（3.6.0版）。在不了解患者臨床信息和病理結果的情況下，由具有5年泌尿放射診斷經驗的醫生A在T2WI和ADC圖上手動勾畫感興趣體積（volumeofinterest，VOI），共勾畫3層。VOI邊界距病灶邊緣1～2mm，盡量避開尿道、出血、壞死、鈣化及鄰近非腫瘤組織。所有VOI均由具有10年以上泌尿放射診斷經驗的醫生B進行驗證，若醫生B對VOI的勾畫存疑，則醫生B與醫生A協商或由醫生B對醫生A的勾畫進行修改。若患者存在多個病變且GS不同時，取GS最高且直徑最大的病灶勾畫。

1.6特征提取與選擇

使用Python3.5.6中的Pyradiomics軟件包提取影像組學特征。使用最大相關最小冗余、最小絕對收縮和選擇算子進行特征選擇和降維，并進行5倍交叉驗證，以保留最佳特征組合。采用組內相關系數（interclasscorrelationcoefficient，ICC）評估影像組學特征提取的觀察者內和觀察者間可重復性。

1.7Logistic回歸模型構建

按照7∶3的比例將所有患者隨機分為訓練組和測試組。基于提取的最佳特征組合，采用Logistic回歸分析構建T2WI和ADC單序列影像組學模型。將PSAD作為獨立的臨床特征進行單因素Logistic回歸分析。最后通過多因素Logistic回歸分析構建T2WI-ADC和T2WI-ADC-PSAD兩個聯合模型。

1.8統計學方法

采用SPSS27.0和R3.5.1軟件進行統計學分析。采用Kolmogorov-Smirnov檢驗行正態性檢驗，非正態分布的計量資料以中位數（四分位數間距）[M（Q1，Q3）]表示，組間比較采用Mann-WhitneyU檢驗。采用受試者操作特征曲線（receiveroperatingcharacteristiccurve，ROC曲線）評價模型的性能，計算模型的準確性、敏感度、特異性和曲線下面積（areaunderthecurve，AUC）。采用Delong檢驗比較AUC之間的差異。采用決策曲線分析（decisioncurveanalysis，DCA）評價模型的臨床效用。P<0.05為差異有統計學意義。

2結果

2.1一般資料

本研究共納入179例PCa患者，低級別PCa患者68例，高級別PCa患者111例。低級別PCa患者的PSA、PSAD水平顯著低于高級別PCa患者（P<0.05），見表2。按照7∶3比例隨機分配，訓練組患者125例，測試組患者54例。不同級別PCa患者的年齡、PSA、PV和PSAD在訓練組和測試組間比較差異均無統計學意義（P>0.05），見表3。

2.2模型構建及性能評價

從T2WI、ADC和T2WI-ADC序列中分別提取出1316、1316和2632個特征參數。降維后分別獲得6、6、7個最優特征參數，將最優特征參數聯合并構建影像組學模型，分別為T2WI、ADC和T2WI-ADC模型。單因素Logistic回歸分析顯示，PSAD是GS分級的獨立預測因素，將PSAD與影像組學結合，構建T2WI-ADC-PSAD聯合模型。所有模型中，T2WI-ADC-PSAD聯合模型的診斷效能最高，在訓練組和測試組中的AUC分別為0.882、0.772，見表4、圖1。Delong檢驗結果顯示，在訓練組中，T2WI-ADC-PSAD模型與T2WI模型的AUC比較差異無統計學意義（P=0.129），與其他模型比較差異有統計學意義（ADC：P=0.012；T2WI-ADC：P=0.004；PSAD：P=0.014）。在測試組中，T2WI-ADC-PSAD模型與其他模型的AUC比較差異均無統計學意義（T2WI：P=0.228；ADC：P=0.439；T2WI-ADC：P=0.231；PSAD：P=0.331）。DCA結果顯示，當閾值概率低于97%時，T2WI-ADC-PSAD模型為臨床決策提供更高的凈效益，見圖2。

3討論

影像組學通過將醫學圖像轉化為高維數據來反映腫瘤的組織病理學特征，實現對腫瘤的定量評估，為腫瘤診斷、侵襲性及預后評估提供新思路。本研究基于影像組學聯合PSAD開發建立Logistic回歸模型以診斷不同級別PCa，結果顯示T2WI-ADC-PSAD聯合模型的準確度、特異性和AUC均高于其他模型，表明影像組學和PSAD相結合具有更好的分類能力，可指導PCa的風險分層，為臨床治療決策提供幫助。

研究顯示，MRI影像組學可預測PCa的侵襲性，且影像組學特征可作為預測PCaGS分級的無創性標志物[14]。Gong等[15]研究發現ADC模型預測GS≤7和GS>7PCa的診斷效能最佳，優于T2WI模型。本研究結果與之相似，在測試組中，ADC模型的診斷性能高于T2WI模型，分析原因：T2WI序列主要反映解剖價值，而ADC序列主要反映微循環中水分子的擴散信息，對病變組織的病理變化有更好的表達，能更好地反映腫瘤的異質性。另外，在ADC圖像的分割過程中，可更準確地勾畫腫瘤輪廓，使ADC模型在預測PCa侵襲性方面表現更好。

既往研究報道，ADC-T2WI聯合模型的診斷效能要高于單一序列[15-16]。遺憾的是，本研究中這一聯合模型并未提高診斷性能。劉金濤等[16]研究發現T2WI-ADC聯合模型的診斷性能高于ADC模型，與本研究結果不同，可能是因為聯合模型中T2WI及ADC特征參數占比不同。本研究中聯合模型的7個影像組學特征有4個來自T2WI序列，3個來自ADC序列，T2WI特征參數在該模型中的占比較大，對聯合模型的貢獻大。相反，在劉金濤等[16]研究中，12個特征參數中有7個來自ADC序列。因此，推斷組合模型中各序列的特征參數占比不同，可能影響診斷性能。T2WI和ADC序列是前列腺MRI掃描的常規序列。與多參數磁共振成像（multiparametricMRI，mpMRI）相比，bpMRI排除了動態增強掃描，可減少掃描和VOI勾畫時間，減輕患者經濟負擔，提高患者耐受性。此外，既往研究表明基于bpMRI的影像組學預測PCaGS分級的性能優于基于mpMRI的前列腺影像報告和數據系統（prostateimagingreportinganddatasystem，PI-RADS）的視覺評估[17]。因此，基于bpMRI影像組學在臨床具有更廣泛的應用性和實用性。

Hu等[18]將臨床指標和ADC值聯合構建列線圖以預測PI-RADS3分且PSA<10ng/ml患者中PCa的患病概率，結果發現臨床資料中PSAD的表現最好，可有效幫助臨床醫生對雙灰區患者做出活檢決策。Lee等[19]認為活檢前bpMRI聯合PSAD分析有助于識別GS=7分或更高級別的PCa。本研究中，T2WI-ADC-PSAD模型的診斷性能明顯優于其他模型，DCA結果顯示，當閾值概率低于97%時，T2WI-ADC-PSAD模型可為臨床決策提供更高的凈獲益，表明影像組學聯合PSAD可提升高級別PCa的檢出率，有望為臨床治療決策提供幫助。DCA顯示有一小段曲線低于None線，筆者認為可歸因于隨機噪聲引起，可忽略不計。

本研究仍有局限性。首先，這是一項回顧性研究，在群體選擇中可能存在偏倚。其次，這是一項單中心研究，模型沒有通過外部數據進行驗證。第三，不同閱片者手工勾畫VOI存在差異，可能會影響影像組學特征的穩定性，盡管通過ICC>0.8進行特征選擇來解決這個問題，但未來仍需要應用自動化、準確的腫瘤分割方法。最后，本研究僅采用單一的機器學習算法，相比于其他算法的優劣勢尚不明確，未來需要進一步研究以尋找更精準、穩定的機器學習算法。

綜上所述，bpMRI影像組學可無創性診斷低、高級別PCa。各序列特征參數在組合模型中所占比例的不同可能會導致模型性能的差異。bpMRI影像組學與PSAD相結合可進一步提高診斷效能，幫助臨床醫生做出治療決策。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

[1] SIEGELRL，MILLERKD，WAGLENS，etal.Cancerstatistics，2023[J].CACancerJClin，2023，73（1）：17–48.

[2] 李星，曾曉勇.中國前列腺癌流行病學研究進展[J].腫瘤防治研究，?;2021，48（1）：98–102.

[3] EPSTEINJI，EGEVADL，AMINMB，etal.The2014InternationalSocietyofUrologicalPathology（ISUP）consensusconferenceonGleasongradingofprostaticcarcinoma：Definitionofgradingpatternsandproposalforanewgradingsystem[J].AmJSurgPathol，2016，40（2）：244–252.

[4] KANECJ，EGGENERSE，&nbsp;SHINDELAW，etal.Variabilityinoutcomesforpatientswithintermediate-riskprostatecancer（Gleasonscore7，InternationalSocietyofUrologicalPathologyGleasongroup2-3）andimplicationsforriskstratification：Asystematicreview[J].EurUrolFocus，2017，3（4-5）：487–497.

[5] PARKSY，OHYT，JUNGDC，etal.Diffusion-weightedimagingpredictsupgradingofGleasonscoreinbiopsy-provenlowgradeprostatecancers[J].BJUInt，2017，119（1）：57–66.

[6] LAMBINP，RIOS-VELAZQUEZE，LEIJENAARR，etal.Radiomics：Extractingmoreinformationfrommedicalimagesusingadvancedfeatureanalysis[J].EurJCancer，2012，48（4）：441–446.

[7] GILLIESRJ，KINAHANPE，HRICAKH.Radiomics：Imagesaremorethanpictures，theyaredata[J].Radiology，2016，278（2）：563–577.

[8] 李天平，駱訓容，羅明芳，等.基于MRI的機器學習模型預測PI-RADS3病變的良惡性及侵襲性[J].國際醫學放射學雜志，2021，44（6）：638–643.

[9] QIY，ZHANGS，WEIJ，etal.MultiparametricMRI-basedradiomicsforprostatecancerscreeningwithPSAin4-10ng/mltoreduceunnecessarybiopsies[J].JMagnResonImaging，2020，51（6）：1890–1899.

[10] MAKOWSKIMR，BRESSEMKK，FRANZL，etal.DenovoradiomicsapproachusingimageaugmentationandfeaturesfromT1mappingtopredictGleasonscoresinprostatecancer[J].InvestRadiol，2021，56（10）：661–668.