影像组学联合临床指标预测PI-RADS V2.13分病变中有临床意义前列腺癌

作者：金鹏飞; 杨丽勤; 包婕; 王希明^*

来源：临床放射学杂志, 2022, 41(12): 2274-2280.

DOI：10.13437/j.cnki.jcr.2022.12.024

• 影像组学
• 有临床意义前列腺癌
• PI-RADS 3分
• 诺模图

目的 构建并验证临床-影像组学模型对前列腺影像报告和数据系统(PI-RADS) 3分病变中有临床意义前列腺癌(csPCa)的预测效能。方法 回顾性搜集170例PI-RADS 3分病变患者的MRI图像。按照7∶3的比例将患者随机分配至训练集和测试集。提取每个病灶轴位T2WI、DWI和ADC图像的影像组学特征。首先采用单因素回归分析筛选出与PI-RADS 3分病变明显相关的临床特征。然后采用最小冗余最大相关(mRMR)和最小绝对收缩和选择算法(LASSO)对影像组学特征进行筛选和降维，并计算影像组学评分(Radscore)。最后将临床特征及Radscore纳入多因素逻辑回归分析，建立3个预测模型：临床模型、影像组学模型以及临床-影像组学联合模型，并以诺模图的形式将联合模型直观展示。Delong检验比较联合模型与临床模型和影像组学模型的诊断效能。结果 最终选取7个影像组学特征用于构建影像组学模型。Radscore在csPCa患者和非csPCa患者之间有显著差异(训练集：P<0.001;测试集：P=0.0035)。多因素分析显示Radscore、年龄、前列腺特异性抗原密度(PSAD)和直肠指检(DRE)阳性可作为鉴别csPCa的独立预测因子。测试集联合模型预测csPCa的曲线下面积(AUC)为0.85 (95%CI:0.74～0.96),高于临床模型(AUC=0.79,95%CI:0.66～0.92,P=0.034)和影像组学模型(AUC=0.74,95%CI:0.60～0.88,P<0.001)。决策曲线分析(DCA)表明临床-影像组学模型能使患者获得更高的净收益。结论 临床-影像组学模型能有效识别PI-RADS 3分病变中的csPCa,从而避免不必要的活检，提高患者的生存质量。

• 单位
  苏州大学附属第一医院