雙參數(shù)磁共振影像組學聯(lián)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(shù)磁共振成像（biparametricmagneticresonanceimaging，bpMRI）影像組學聯(lián)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(yī)院經(jīng)病理證實為PCa患者的臨床及影像資料。根據(jù)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(shù)（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(lián)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(tǒng)計學意義（P>0.05），與其他模型的AUC比較差異均有統(tǒng)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(tǒng)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(lián)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(shù)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(fā)病率在全球范圍內(nèi)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(xié)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(jīng)直腸超聲引導下活檢，是一種有創(chuàng)檢查，可導致一系列并發(fā)癥[5]。影像組學通過將醫(yī)學圖像轉(zhuǎn)化為高維數(shù)據(jù)反映腫瘤的組織病理學特征，實現(xiàn)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(fā)預測和轉(zhuǎn)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(shù)磁共振成像（biparametricmagneticresonanceimaging，bpMRI）影像組學聯(lián)合PSAD在術前無創(chuàng)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(yī)院經(jīng)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(shù)一致；②MRI圖像清晰；③MRI檢查后2周內(nèi)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(zhì)量差；③臨床資料不完整。本研究經(jīng)臺州市中心醫(yī)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(yī)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(lián)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(shù)（apparentdiffusioncoefficient，ADC）。MRI掃描參數(shù)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(tǒng)穿刺和根治性前列腺切除術后標本。穿刺方法為經(jīng)直腸超聲引導下經(jīng)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(jīng)驗的泌尿生殖病理醫(yī)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(jīng)驗的醫(yī)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(jīng)驗的醫(yī)生B進行驗證，若醫(yī)生B對VOI的勾畫存疑，則醫(yī)生B與醫(yī)生A協(xié)商或由醫(yī)生B對醫(yī)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(nèi)相關系數(shù)（interclasscorrelationcoefficient，ICC）評估影像組學特征提取的觀察者內(nèi)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?；谔崛〉淖罴烟卣鹘M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(lián)合模型。

1.8統(tǒng)計學方法

采用SPSS27.0和R3.5.1軟件進行統(tǒng)計學分析。采用Kolmogorov-Smirnov檢驗行正態(tài)性檢驗，非正態(tài)分布的計量資料以中位數(shù)（四分位數(shù)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(tǒng)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(tǒng)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(shù)。降維后分別獲得6、6、7個最優(yōu)特征參數(shù)，將最優(yōu)特征參數(shù)聯(lián)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(lián)合模型。所有模型中，T2WI-ADC-PSAD聯(lián)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(tǒng)計學意義（P=0.129），與其他模型比較差異有統(tǒng)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(tǒng)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(yī)學圖像轉(zhuǎn)化為高維數(shù)據(jù)來反映腫瘤的組織病理學特征，實現(xiàn)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(lián)合PSAD開發(fā)建立Logistic回歸模型以診斷不同級別PCa，結果顯示T2WI-ADC-PSAD聯(lián)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(chuàng)性標志物[14]。Gong等[15]研究發(fā)現(xiàn)ADC模型預測GS≤7和GS>7PCa的診斷效能最佳，優(yōu)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(huán)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(zhì)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(xiàn)更好。

既往研究報道，ADC-T2WI聯(lián)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(lián)合模型并未提高診斷性能。劉金濤等[16]研究發(fā)現(xiàn)T2WI-ADC聯(lián)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(lián)合模型中T2WI及ADC特征參數(shù)占比不同。本研究中聯(lián)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(shù)在該模型中的占比較大，對聯(lián)合模型的貢獻大。相反，在劉金濤等[16]研究中，12個特征參數(shù)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(shù)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(guī)序列。與多參數(shù)磁共振成像（multiparametricMRI，mpMRI）相比，bpMRI排除了動態(tài)增強掃描，可減少掃描和VOI勾畫時間，減輕患者經(jīng)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(yōu)于基于mpMRI的前列腺影像報告和數(shù)據(jù)系統(tǒng)（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(lián)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(fā)現(xiàn)臨床資料中PSAD的表現(xiàn)最好，可有效幫助臨床醫(yī)生對雙灰區(qū)患者做出活檢決策。Lee等[19]認為活檢前bpMRI聯(lián)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(yōu)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(lián)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(shù)據(jù)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(wěn)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(yōu)劣勢尚不明確，未來需要進一步研究以尋找更精準、穩(wěn)定的機器學習算法。

綜上所述，bpMRI影像組學可無創(chuàng)性診斷低、高級別PCa。各序列特征參數(shù)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(yī)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(yī)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，F(xiàn)RANZL，etal.DenovoradiomicsapproachusingimageaugmentationandfeaturesfromT1mappingtopredictGleasonscoresinprostatecancer[J].InvestRadiol，2021，56（10）：661–668.