MRI纹理分析联合机器学习模型对前列腺腺泡癌Gleason分级的预测价值

作者：邢朋毅; 孟英豪; 马超; 宋涛; 阳青松; 陆建平^*

来源：生物医学工程与临床, 2022, 26(02): 174-180.

DOI：10.13339/j.cnki.sglc.20220218.015

• 磁共振成像(MRI)
• 影像组学
• 前列腺癌
• 分类

目的 探讨利用前列腺腺泡癌MRI纹理分析对前列腺腺泡癌Gleason评分(GS)高危组(GS≥4+3分)与低危组(GS≤3+4分)进行预测的价值。方法 选择前列腺根治全切术后病理诊断为前列腺腺泡癌的148例患者，年龄43～90岁，平均年龄61.18岁；其中高危(GS≥4+3分)80例，低危(GS≤3+4分)68例；血清前列腺特异抗原(PSA)为0.70～161.92 ng/mL, PSA中位数7.16 ng/mL；前列腺体积(PV)为13.42～174.81 cm3，平均PV 45.32 cm3；前列腺病灶体积为0.26～122.70 cm3，病灶体积中位数2.71 cm3；病灶位置外周带(PZ)69例，交界地带13例，移行带(TZ)66例。患者均行高分辨率横轴面T2加权成像(T2WI)和横轴扩散加权成像(DWI)扫描(b值=1 500 s/mm2)。利用ITKSNAP软件勾画三维(3D)病灶，从MRI图像中提取T2WI和表观扩散系数(ADC)图像的影像组学纹理特征，依次采用Mann-Whitney U检验，最小冗余和最大相关算法(MRMR)筛选可预测前列腺癌高低危组的纹理特征子集，然后用单变量分析所选纹理特征与两组之间的关联性，并对单个所选纹理特征的诊断效能进行评估。随后基于筛选出的相对重要特征，采用随机森林(RF)分类器构建预测模型，对预测模型进行受试者工作特性曲线分析，评估模型的效能，并计算模型的灵敏度、特异度、准确度、阳性预测值和阴性预测值。最后采用留组交叉验证法(LGOCV)评估模型的可靠性。结果 148例待预测病例中Gleason评分为：3+3分42例，3+4分26例，4+3分21例，4+4分27例，4+5分19例，5+4分8例，5+5分5例。高危组病灶PZ 37例，交界地带13例，TZ 30例；病灶体积1.55～13.30 cm3，病灶体积中位数4.00 cm3。低危组病灶PZ 32例，交界地带0例，TZ 36例；病灶体积0.95～3.95 cm3，病灶体积中位数1.60 cm3。筛选出10个相对重要的纹理特征在高低危组间具有显著差异，其中T2＿wavelet＿HHL＿glszm＿GrayLevelNonUniformity、T2＿log＿sigma＿2＿0＿mm＿3D＿glszm＿GrayLevelNonUniformityNormalized、ADC＿wavelet＿HLH＿glszm＿LargeAreaHighGrayLevelEmphasis预测高低危组前列腺腺泡癌的曲线下面积(AUC)分别达到了0.73、0.72、0.71。最后基于筛选出的10个纹理特征联合构建RF分类器预测模型，模型的准确度、灵敏度、特异度及AUC分别为0.70、0.63、0.77、0.76，阳性预测值和阴性预测值分别为0.75、0.65。结论 基于双参数MRI纹理特征分析联合机器学习模型对高危和低危前列腺腺泡癌的预测具有临床应用价值。

• 单位
  中国人民解放军第二军医大学