多參數(shù)MRI聯(lián)合影像組學(xué)在鑒別PI-RADS 4～5分前列腺病灶良惡性中的應(yīng)用分析

祝麗，孟婕，王歡歡，李丹燕

作者單位 南京大學(xué)醫(yī)學(xué)院附屬鼓樓醫(yī)院醫(yī)學(xué)影像科，南京 210009

0 引言

前列腺影像報告數(shù)據(jù)系統(tǒng)（prostate imaging reporting and data system, PI-RADS）在放射學(xué)界及泌尿外科學(xué)界已經(jīng)得到了廣泛認(rèn)可，在臨床和科研中廣泛應(yīng)用[1-2]。PI-RADS v2.1使用5分制，依據(jù)病灶在T2WI、彌散加權(quán)成像（diffusion weighted imaging,DWI）及動態(tài)對比增強(qiáng)（dynamic contrast enhanced,DCE）序列上的不同表現(xiàn)來評估臨床有意義癌可能性的高低[3-4]。其中4～5分提示病灶為臨床有意義癌的可能性很高，應(yīng)考慮穿刺活檢明確診斷[5]。但相關(guān)研究顯示，PI-RADS 4～5 分病灶活檢病理的診斷陽性率僅為59%[6]，另有研究表明PI-RADS 4分病灶和PI-RADS 5分病灶的活檢陽性率分別為22.1%和72.4%[7]。這些研究揭示了PI-RADS 評分與病理結(jié)果的不匹配，不準(zhǔn)確的評分常導(dǎo)致4～5 分病灶的過度治療，給患者及社會醫(yī)療都造成了不必要的負(fù)擔(dān)。例如非特異性肉芽腫性前列腺炎（nonspecific granulomatous prostatitis,NSGP）在影像上就常被誤診為前列腺癌[8]。因此，提高PI-RADS 4～5 分病灶的診斷準(zhǔn)確性對于臨床診療有著極其重要的指導(dǎo)意義。

影像組學(xué)是一種利用計算機(jī)，提取醫(yī)學(xué)影像學(xué)數(shù)據(jù)中的高通量特征，并篩選出其中有價值的影像學(xué)特征的技術(shù)方法，近年來已經(jīng)被廣泛應(yīng)用于臨床和科學(xué)研究中[9-11]?；诙鄥?shù)MRI（multiparametric MRI, mpMRI）的影像組學(xué)也已經(jīng)被應(yīng)用到前列腺癌的診斷及侵襲性評估中[12-15]。有研究顯示，基于T2WI 和表觀彌散系數(shù)（apparent diffusion coefficient,ADC）序列特征的影像組學(xué)可以有效鑒別前列腺癌和其他病變[16]。另有研究成功構(gòu)建機(jī)器學(xué)習(xí)模型用于評估PI-RADS 3 分病灶的良惡性[17-19]。但目前為止，針對PI-RADS 4～5 分前列腺病灶良惡性鑒別的相關(guān)影像學(xué)研究仍然較少。

本研究利用mpMRI 聯(lián)合影像組學(xué)，旨在構(gòu)建能夠有效區(qū)分PI-RADS 4～5 分前列腺病灶良惡性的模型，幫助提高診斷準(zhǔn)確性，為臨床診療提供更加有力的指導(dǎo)。

1 材料與方法

1.1 一般資料

本研究為回顧性研究，遵守《赫爾辛基宣言》，通過了南京鼓樓醫(yī)院醫(yī)學(xué)倫理委員會批準(zhǔn)，免除患者知情同意，批準(zhǔn)文號：2021-301-11。

收集2018 年1 月至2021 年6 月在我院行前列腺多參數(shù)MRI（multiparametric MRI, mpMRI）檢查后PI-RADS 評分為4～5 分患者的臨床及影像資料。入組標(biāo)準(zhǔn)：（1）患者在穿刺活檢或手術(shù)前接受mpMRI檢查，且檢查結(jié)果提示前列腺病灶為PI-RADS 4～5 分；（2）所有mpMRI 檢查均在同一臺3.0 T MRI 上完成；（3）穿刺活檢或手術(shù)后均經(jīng)病理證實，且病理結(jié)果與MRI 檢查之間間隔不超過2 個月。排除標(biāo)準(zhǔn)如下：（1）MRI 檢查前接受過任何形式的治療（包括化療、放療及手術(shù)治療）；（2）MRI 圖像偽影嚴(yán)重導(dǎo)致病灶顯示不清，影響數(shù)據(jù)分析；（3）病理數(shù)據(jù)或臨床數(shù)據(jù)缺失。根據(jù)良性病變?nèi)虢M患者年齡匹配隨機(jī)選擇惡性病例進(jìn)行分析。

1.2 MRI掃描方法

所有入組患者均在同一臺3.0 T掃描儀（uMR770,United Imaging, Shanghai, China）上接受檢查，配套使用12 通道體部線圈。掃描序列包括橫斷位T1WI（TR=720 ms，TE=13 ms），T2WI（TR=3400 ms，TE=95 ms）和DWI 序列（TR=5100 ms，TE=80 ms，b 值=50、1000、1500 s/mm2），F(xiàn)OV 為26 cm×22 cm，層厚為3 mm，層間距為0，層數(shù)為24。ADC圖由后處理軟件自動生成，全流程掃描時間約15 min。

1.3 mpMRI圖像及數(shù)據(jù)分析

本研究數(shù)據(jù)分析使用了T2WI、DWI（b值1500 s/mm2）和相應(yīng)ADC 序列。所有的MRI 圖像閱片由兩名經(jīng)驗豐富的影像科醫(yī)生（醫(yī)生1：7年前列腺MRI閱片經(jīng)驗；醫(yī)生2：10 年前列腺MRI 閱片經(jīng)驗）單獨進(jìn)行，兩位醫(yī)生根據(jù)最新PI-RADS v2.1 進(jìn)行診斷和給出評分（圖1）。當(dāng)兩名醫(yī)生意見不一致時，經(jīng)共同商議討論后最終決定病灶評分。若為多發(fā)病灶則記錄最大病灶，病灶PI-RADS 4～5 分且與病理提示病灶位置一致時入組。最終本組研究共有135 個病灶用于影像組學(xué)分析。

圖1 PI-RADS 評分5 分的前列腺外周帶病灶。1A：男，79 歲，tPSA 為8.06 ng/mL，T2WI提示兩側(cè)外周帶彌漫性低信號，DWI（b=1500 s/mm2）呈高信號，ADC圖顯示為低信號，ADC值為0.778×10-3 mm2/s，術(shù)后病理結(jié)果提示為NSGP；1B：男，72歲，tPSA 為4.44 ng/mL，T2WI可見左側(cè)外周帶彌漫性低信號，測量ADC 值為0.798×10-3 mm2/s，術(shù)后病理提示為炎癥；1C：男，70 歲，tPSA 為8.56 ng/mL，T2WI 可見右側(cè)外周帶彌漫性低信號，測量ADC值為0.612×10-3 mm2/s，術(shù)后病理提示前列腺癌。PI-RADS：前列腺影像報告數(shù)據(jù)系統(tǒng)；tPSA：總前列腺特異性抗原；DWI：彌散加權(quán)成像；ADC：表觀彌散系數(shù)；NSGP：非特異性肉芽腫性前列腺炎。Fig.1 PI-RADS 5 lesions located in peripheral zone.1A: A 79-year old man with a serum tPSA of 8.06 ng/mL, mpMRI shows bilateral mid peripheral zone lesion, the lesion shows restricted diffusion on ADC maps and DWI (b=1500 s/mm2) with ADC value of 0.778×10-3 mm2/s.Postoperative pathological diagnosis revealed NSGP.1B: A 72-year old man with a serum tPSA of 4.44 ng/mL,mpMRI shows left mid peripheral zone lesion with ADC value of 0.798×10-3 mm2/s.Postoperative pathological diagnosis revealed inflammation.1C: A 70-year old man with a serum tPSA of 8.56 ng/mL.mpMRI shows right mid peripheral zone lesion with ADC value of 0.612×10-3 mm2/s.Postoperative pathological diagnosis revealed prostate cancer.PI-RADS: prostate imaging reporting and data system; tPSA: total prostate specific antigen; mpMRI:multiparametric MRI; ADC: apparent diffusion coefficient; DWI: diffusion weighted imaging; NSGP: nonspecific granulomatous prostatitis.

1.4 病灶分割

入組的PI-RADS 4～5 分病灶以DICOM 格式導(dǎo)入工作站（IntelliSpace Discovery version 3.0, ISD,Philips Healthcare, Best, the Netherlands）后，醫(yī)生1 參照病理結(jié)果行逐層手動勾畫病灶全容積。邊界不清的病灶交由醫(yī)師2共同參與勾畫，確定勾畫邊界。勾畫時無需避開病灶內(nèi)的壞死、鈣化和出血，以真實反映腫瘤的異質(zhì)性。

1.5 影像組學(xué)分析

本研究中影像組學(xué)分析流程包括了特征提取、特征篩選、模型構(gòu)建和模型驗證（圖2）。

圖2 影像組學(xué)工作流程。LR：邏輯回歸；SVM：支持向量機(jī)；NB：樸樹貝葉斯。Fig.2 Flow chart of radiomics.LR: logistic regression; SVM: support vector machine; NB: naive Bayes.

1.5.1 特征提取

特征提取使用Pyradiomic 軟件，T2WI、DWI 及ADC 三種模態(tài)分別提取出960 個特征，包括一階統(tǒng)計特征、形狀特征、紋理特征、LoG特征和小波特征，共計2880 個特征。特征提取前使用Z-score 標(biāo)準(zhǔn)化對MRI圖像進(jìn)行標(biāo)準(zhǔn)化處理。隨機(jī)選取20個病例計算特征的組內(nèi)相關(guān)系數(shù)（intra-class correlation coefficient,ICC），用以評估觀察者間一致性，ICC＞0.75認(rèn)為可重復(fù)性較好，ICC≤0.75的特征則被剔除。

1.5.2 特征篩選

對訓(xùn)練集數(shù)據(jù)進(jìn)行篩選，剔除對分類器性能影響較小的影像組學(xué)特征，篩選出最優(yōu)特征子集（圖3）。具體分為三個步驟：一致性分析、Mann-WhitneyU檢驗和最小絕對收縮和選擇算子（least absolute shrinkage and selection operator, LASSO）回歸。首先對每個模態(tài)中提取的所有特征通過觀察者間ICC 系數(shù)（＞0.75的特征）保留；然后采用Mann-WhitneyU檢驗比較研究對象間組學(xué)特征的組間差異，保留P＜0.05 的特征；為了降低特征冗余，提高模型分類準(zhǔn)確性，最后通過LASSO 回歸算法和十折交叉驗證法進(jìn)行降維和進(jìn)一步組學(xué)特征篩選。

圖3 T2WI、DWI 及ADC 模態(tài)下分別使用LASSO 回歸對影像組學(xué)特征進(jìn)行篩選。3A～3C：LASSO 通過十折交叉驗證調(diào)節(jié)不同參數(shù)得到最佳懲罰系數(shù)λ（lambda）。以實現(xiàn)模型二項式偏差最小的λ值來選擇特征。用最小準(zhǔn)則和最小準(zhǔn)則的1個標(biāo)準(zhǔn)誤差（1-SE準(zhǔn)則）在最優(yōu)值處繪制垂線虛線。3D～3F：根據(jù)Log（λ）序列繪制了影像特征的拉索系數(shù)剖面圖，每條曲線代表一個特征的系數(shù)變化軌跡，橫坐標(biāo)表示參數(shù)，縱坐標(biāo)表示系數(shù)。DWI：彌散加權(quán)成像；ADC：表觀彌散系數(shù)；LASSO：最小絕對收縮和選擇算子；SE：標(biāo)準(zhǔn)誤差。Fig.3 Feature selection using the LASSO regression model on T2WI (3A, 3D),DWI (3B, 3E) and ADC (3C, 3F).3A-3C: Tuning parameters λ in the LASSO model used 10-fold cross-validation via minimum criteria.Dotted vertical lines are drawn at the optimal values with the minimum criteria and the 1 standard error of the minimum criteria (the 1-SE criteria).3D-3F: LASSO coefficient profiles of different features are produced against the log (λ) sequence.LASSO: least absolute shrinkage and selection operator; DWI: diffusion weighted imaging; ADC: apparent diffusion coefficient; SE: standard error.

1.5.3 影像組學(xué)模型的建立和驗證

本研究分別使用邏輯回歸（logistic regression,LR）、支持向量機(jī)（support vector machine, SVM）和樸樹貝葉斯（naive Bayes, NB）三種不同的方法來進(jìn)行模型訓(xùn)練，并使用受試者工作特征（receiver operating characteristic, ROC）曲線的曲線下面積（area under the curve, AUC）來評估不同分類器的性能，選出最佳分類器。最終利用篩選后的特征建立Radscore。

1.6 統(tǒng)計學(xué)分析

本研究的統(tǒng)計分析均在Rstudio（version 4.1.3,2022; The R Foundation for Statistical Computing,Vienna, Austria）上進(jìn)行。符合正態(tài)分布的計量資料使用平均數(shù)±標(biāo)準(zhǔn)差表示。采用獨立樣本t檢驗比較兩組間連續(xù)變量的差異，采用卡方檢驗比較兩組間分類變量的差異。采用Mann-WhitneyU檢驗比較研究對象間組學(xué)特征的組間差異。使用ROC曲線評價模型的診斷效能，并計算AUC、敏感度、特異度和準(zhǔn)確度。P＜0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 臨床特征

135例患者病例被納入本研究（表1），病理證實為良性病變共64例（47.41%），其中非特異性肉芽腫性前列腺炎21個，間質(zhì)慢性炎31個，間質(zhì)慢性炎伴急性活動7個，急性前列腺炎2個，增生2個，腺病1個。根據(jù)年齡匹配隨機(jī)選擇惡性病例71例（52.59%），最終組織病理結(jié)果均為腺癌。將入組數(shù)據(jù)按7∶3的比例隨機(jī)分為訓(xùn)練集95例、測試集40例。兩組之間ADC值和總前列腺特異性抗原（total Prostate specific antigen,tPSA）值差異有統(tǒng)計學(xué)意義（P＜0.001、0.028）。

表1 一般資料Tab.1 Characteristics of all patients

2.2 影像組學(xué)特征提取、篩選

本研究從T2WI、DWI 及ADC 三種模態(tài)分別提取出960 個特征，共計2880 個特征。通過一致性分析，Mann-WhitneyU檢驗和LASSO 回歸算法篩選后，最終保留8個特征：ADC模態(tài)2個特征，DWI模態(tài)2 個特征，T2WI 模態(tài)4 個特征用于構(gòu)建分類模型，其中包括一階特征3 個，形狀特征2 個，直方圖特征1個，小波特征6個（表2）。

表2 MRI不同模態(tài)鑒別PI-RADS 4～5分前列腺病變的組學(xué)特征Tab 2 Radiomic feature selection results

2.3 基于不同分類器單模態(tài)影像組學(xué)模型診斷效能

本研究分別使用LR、SVM 和NB 三種不同的方法來進(jìn)行模型訓(xùn)練，結(jié)果顯示LR 模型優(yōu)于其他兩種模型（圖4）。基于不同分類器的單模態(tài)影像組學(xué)模型在訓(xùn)練集、測試集中的結(jié)果顯示ADC 單模態(tài)基于LR分類器在PI-RADS 4～5分前列腺病變的良惡性鑒別診斷中展現(xiàn)了最優(yōu)的診斷效能（訓(xùn)練集：0.831，測試集：0.825）。

圖4 基于T2WI（4A、4D）、DWI（4B、4E）及ADC（4C、4F）模態(tài)不同分類器模型鑒別PI-RADS 4～5 分病變良惡性的ROC 曲線圖。4A～4C：訓(xùn)練集；4D～4F：測試集。DWI：彌散加權(quán)成像，ADC：表觀彌散系數(shù)；PI-RADS：前列腺影像報告數(shù)據(jù)系統(tǒng)；ROC：受試者工作特征。Fig.4 ROC curves of different models based on T2WI (4A, 4D), DWI(4B, 4E), and ADC (4C, 4F) in predicting malignancy of PI-RADS 4-5 lesions.4A-4C: Training set; 4D-4F: Test set.ROC: receiver operating characteristic; DWI: diffusion weighted imaging; ADC: apparent diffusion coefficient; PI-RADS: prostate lesions prostate imaging reporting and data system.

2.4 多模態(tài)影像組學(xué)建模特征

將篩選后的12個組學(xué)特征納入構(gòu)建多模態(tài)影像組學(xué)模型，經(jīng)過LASSO 回歸后保留個8 特征，包括：2 個為基于ADC 模態(tài)的特征log.sigma.3.0.mm.3D_firstorder_MeanAbsoluteDeviation和wavelet.HHL_glrlm_RunEntropy；2 個為基于DWI 模態(tài)的特征original_firstorder_Skewness 和wavelet.LLH_glcm_Idn；4 個為基于T2WI 模態(tài)的特征original_shape_Elongation、wavelet.LLH_glcm_Correlation、wavelet.LLH_glrlm_RunEntropy和wavelet.LLL_glszm_GrayLevelVariance。

使用線性公式[式（1）]計算每位患者的影像組學(xué)分?jǐn)?shù)（radiomics score, Radscore）。

2.5 模型診斷效能及臨床應(yīng)用

訓(xùn)練集與測試集中影像組學(xué)分?jǐn)?shù)在良惡性兩組患者中呈現(xiàn)出明顯的分布差異（圖5）。

圖5 影像組學(xué)分?jǐn)?shù)（Radscore）區(qū)分PI-RADS 4～5分前列腺病灶良惡性的瀑布圖。5A：訓(xùn)練集；5B：測試集。PI-RADS：前列腺影像報告數(shù)據(jù)系統(tǒng)。Fig.5 Waterfall plots of the distribution of radiomics score (Radscore) of each patient.5A: training set; 5B: test set.PI-RADS: prostate lesions prostate imaging reporting and data system.

以影像組學(xué)分?jǐn)?shù)和ADC 值為基礎(chǔ)構(gòu)建諾模圖（圖6），訓(xùn)練集中結(jié)果顯示，諾模圖的鑒別診斷效能（AUC=0.952）高于mpMRI 組學(xué)（AUC=0.942）和ADC 值（AUC=0.870）。而在驗證集中，mpMRI 組學(xué)的鑒別診斷效能（AUC=0.850）高于諾模圖（AUC=0.842）和ADC 值（AUC=0.772）（圖7）。臨床決策曲線分析（clinical decision curve, DCA）提示當(dāng)風(fēng)險閾值大于43%時使用mpMRI 影像組學(xué)聯(lián)合ADC 值的諾模圖預(yù)測良惡性比使用ADC值效益更高（圖8）。

圖6 鑒別PI-RADS 4～5 分前列腺病灶良惡性的諾模圖。圖7 不同模型鑒別PI-RADS 4～5 分前列腺病灶良惡性ROC 曲線。7A：訓(xùn)練集；7B：測試集。圖8 模型鑒別PI-RADS 4～5 分前列腺病灶良惡性的臨床決策曲線。PI-RADS：前列腺影像報告數(shù)據(jù)系統(tǒng)；ADC：表觀彌散系數(shù)；Radscore：影像組學(xué)分?jǐn)?shù)；ROC：受試者工作特征；Integration：聯(lián)合模型（多模態(tài)影像組學(xué)聯(lián)合傳統(tǒng)參數(shù)ADC 值）；Multi-Modality：多模態(tài)影像組學(xué)模型[T2WI、彌散加權(quán)成像（DWI）、ADC三種模態(tài)]。Fig.6 Nomogram of the combined model in predicting malignancy of PI-RADS 4-5 lesions.Fig.7 Receiver operating characteristic (ROC) curve of different models in predicting malignancy of PI-RADS 4-5 lesions.Fig.8 Decision curve of radiomics nomogram and ADC value in predicting malignancy of PI-RADS 4-5 lesions.PI-RADS: prostate lesions prostate imaging reporting and data system; ADC: apparent diffusion coefficient; Radscore: radiomics score; Integration: the model combined radiomics and ADC value; Multi-Modality: the model based on mpMRI [T2WI, diffusion weighted imaging (DWI) and ADC].

3 討論

本研究通過比較傳統(tǒng)參數(shù)（ADC 值、PSA）及影像組學(xué)在鑒別PI-RADS 4～5 分前列腺病灶良惡性中的表現(xiàn)，旨在構(gòu)建更加有效的臨床診斷模型。研究結(jié)果表明傳統(tǒng)參數(shù)和影像組學(xué)特征都可以幫助鑒別診斷，但傳統(tǒng)參數(shù)與影像組學(xué)二者聯(lián)合的模型較單一模型診斷效能更高（訓(xùn)練集、測試集中的AUC分別為0.952、0.842）。

3.1 傳統(tǒng)參數(shù)在PI-RADS 4～5分前列腺良惡性病灶之間的差異分析

PSA檢查是臨床篩查前列腺癌最常用的實驗室指標(biāo)，但特異性較低[20]。DJAVAN 等[21]的研究顯示tPSA鑒別前列腺癌和良性前列腺增生的敏感度僅為19%，提示僅依據(jù)tPSA篩查前列腺癌遠(yuǎn)遠(yuǎn)不夠。但PSA仍然是一個很好的參考，不少研究表明PI-RADS v2.1聯(lián)合PSA 密度（PSA density, PSAD）可以有效提高診斷效能[22-23]。本研究結(jié)果顯示良性病變組的tPSA 水平[（12.02±9.11） ng/mL]略低于惡性病變組[（15.68±10.09） ng/mL]，但后續(xù)統(tǒng)計結(jié)果提示tPSA 診斷前列腺病變良惡性效能并不高（AUC=0.636），因此我們?nèi)孕枰剿鞲佑行У呐R床指標(biāo)。

目前PI-RADS v2.1 指南中對于外周帶病灶的評分主要依據(jù)高b值DWI圖像和其對應(yīng)ADC圖上的表現(xiàn)[3]，ADC值尚未被納入?yún)⒖肌５珢盒阅[瘤由于組織內(nèi)水分子擴(kuò)散受限，ADC 值常低于良性病變[24-25]。多個研究表明ADC 值與Gleason 評分呈負(fù)相關(guān)[26-28]，提示ADC值可以幫助前列腺病灶的良惡性判斷。本研究結(jié)果也證實了A D C值在兩組之間有顯著差異，這與既往研究結(jié)果類似。

3.2 影像組學(xué)在鑒別PI-RADS 4～5分前列腺病灶良惡性中的優(yōu)勢

影像組學(xué)運用大量自動化數(shù)據(jù)和特征化算法，可以將醫(yī)學(xué)圖像轉(zhuǎn)變成海量數(shù)據(jù)，從中發(fā)掘出肉眼難以發(fā)現(xiàn)的病變特點，進(jìn)一步定量分析腫瘤的異質(zhì)性，提供更多信息用以幫助腫瘤的早期診斷及療效監(jiān)測[9,29]。本研究中，我們嘗試了三種不同的算法：LR、SVM 和NB，結(jié)果顯示基于LR算法構(gòu)建的模型展現(xiàn)了最佳診斷效能，這一結(jié)果與CHRISTODOULOU 等[30]之前的研究相符。

在單模態(tài)MRI 影像組學(xué)模型分析中，我們發(fā)現(xiàn)基于ADC 的模型診斷效能表現(xiàn)最佳。多模態(tài)MRI（T2WI、DWI、ADC）影像組學(xué)和傳統(tǒng)參數(shù)（ADC 值）的聯(lián)合模型擁有更出色的診斷效能（訓(xùn)練集AUC=0.952，驗證集AUC=0.842），且明顯優(yōu)于單模態(tài)MRI影像組學(xué)模型和單純ADC值。LI等[31]之前的研究也有類似結(jié)論，他們的研究結(jié)果顯示臨床-影像組學(xué)聯(lián)合模型（AUC=0.98）預(yù)測前列腺病灶良惡性的效能比單一臨床模型（AUC=0.79）更高。他們研究中的臨床-影像組學(xué)聯(lián)合模型（AUC=0.98）的診斷效能也優(yōu)于本研究的聯(lián)合模型，這可能是由于他們的研究中納入了更為精細(xì)的臨床參數(shù)，包括年齡、前列腺體積（prostate volume, PV）和不同類型血清PSA（包括tPSA、游離態(tài)PSA、游離態(tài)PSA 與tPSA 比值及PSAD），因此具有更高的診斷效能。此外，本研究針對PI-RADS 4～5 分的病灶，范圍更窄，鑒別診斷難度更高，不同的樣本范圍可能也是導(dǎo)致結(jié)果差異的原因。WO?NICKI等[32]的研究也表明臨床-影像組學(xué)聯(lián)合模型的對前列腺癌診斷效能更高，他們創(chuàng)建的模型綜合了PI-RADS、PSAD、直腸指檢（digital rectal examination, DRE）和影像組學(xué)，預(yù)測效能（AUC=0.889）介于LI 等的研究和本研究之間，這可能是由于他們使用的臨床參數(shù)少于LI 等的研究，但又多于本研究。除了構(gòu)建診斷模型，本研究還提供了放射組學(xué)列線圖，方便臨床醫(yī)生更簡單、直觀地評估PI-RADS 4～5病變的良惡性。

值得一提的是，本研究所收集的良性病例中有21 例（32.81%）病理證實為NSGP。NSGP 是一種少見的自限性炎性病變，目前認(rèn)為其發(fā)病原因可能是繼發(fā)于非特異性感染、前列腺穿刺或梗阻后激發(fā)的自身免疫功能紊亂等，其臨床表現(xiàn)及影像學(xué)檢查表現(xiàn)都可與前列腺癌類似，給臨床診斷造成很大的困難[8,33]。也有不少針對前列腺癌和NSGP 鑒別診斷的文章[34]，LEE 等[35]的研究表明肉芽腫性前列腺炎（granulomatous prostatitis, GP）病灶的平均ADC 值為（702±79）×10-6mm/s2，這與本研究的結(jié)果大致相仿（746±116）×10-6mm/s2。本研究所構(gòu)建的機(jī)器學(xué)習(xí)模型可以有效區(qū)分前列腺良性病灶和前列腺癌，這其中也包括了NSGP。但本次研究樣本限制在PI-RADS 4～5 分病灶，不足以覆蓋各類良性病變，因此還需要在更大樣本量中進(jìn)行驗證。

3.3 本研究的局限性

本研究存在以下局限性：首先，作為一項單中心的回顧性研究，樣本量有限，仍需要在未來更大樣本量的多中心研究中進(jìn)行驗證；其次，本研究的病理結(jié)果來自手術(shù)和穿刺活檢兩種途徑，實際勾畫的病灶與病理病灶有可能存在偏差，而穿刺活檢的病理樣本由于取材的局限性也可能造成一定偏差。在今后的研究中，我們將進(jìn)一步擴(kuò)大樣本量，招募前列腺根治術(shù)后有完整大病理切片的患者進(jìn)一步驗證。

4 總結(jié)

綜合多模態(tài)MRI（T2WI、DWI、ADC）影像組學(xué)和傳統(tǒng)參數(shù)的模型能有效幫助鑒別PI-RADS 4～5 分病灶的良惡性，且其預(yù)測效能優(yōu)于基于單模態(tài)MRI模型或傳統(tǒng)參數(shù)，有望為前列腺病變的診斷和治療提供更加精準(zhǔn)的輔助。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻(xiàn)聲明：李丹燕設(shè)計本研究的方案，對稿件重要內(nèi)容進(jìn)行了修改，獲得了2022 年度南京鼓樓醫(yī)院臨床研究專項資金項目資助；祝麗起草和撰寫稿件，獲取、分析和解釋本研究的數(shù)據(jù)，對稿件重要內(nèi)容進(jìn)行了修改；孟婕及王歡歡獲取、分析和解釋本研究的數(shù)據(jù)，對稿件重要內(nèi)容進(jìn)行了修改。全體作者都同意發(fā)表最后的修改稿，同意對本研究的所有方面負(fù)責(zé)，確保本研究的準(zhǔn)確性和誠信。