文献速递泌尿生殖技术与安全US

基于联合B型经直肠超声与超声造影的影像组学机器学习提高前列腺外周带前列腺癌检出

Machine learning based on radiomics features combing B-mode transrectal ultrasound and contrast-enhanced ultrasound to improve peripheral zone prostate cancer detection.
PubMed 文献 · Abdom Radiol (NY) · 2023-10-05

前瞻性纳入166例外周带前列腺病变患者,提取B型经直肠超声与超声造影的影像组学特征并结合临床危险因素构建5种机器学习模型。联合模型在验证集中AUC达0.89,优于B型影像组学模型(AUC 0.79)、超声造影影像组学模型(AUC 0.78)、B型联合超声造影影像组学模型(AUC 0.83)及危险因素模型(AUC 0.84)。年龄、PSAD、tPSA和RT为独立预测因子。

要点

  • 联合模型在验证集AUC 0.89,优于单一影像组学模型与危险因素模型。
  • 验证集中联合模型的敏感度0.80、特异度0.83、准确率0.82。
  • 年龄、PSAD、tPSA、RT为鉴别外周带良恶性病变的独立预测因子。

核心结论

  • 包含B型超声与超声造影影像组学特征及危险因素的联合模型是外周带前列腺癌检测的有前景的诊断工具,可能有助于临床决策。

研究设计与样本

  • 前瞻性研究,2021年1月至2022年8月纳入176例住院患者,最终166例外周带前列腺病变(72例良性、94例恶性)构成研究组。
  • 使用Aixplorer超声扫描仪(SuperSonic Imagine,法国普罗旺斯地区艾克斯)配备SE 12-3经直肠探头行B型超声和超声造影检查,造影剂为SonoVue 2.4 mL团注后5 mL生理盐水冲管,机械指数0.04,连续扫描120秒。
  • 以靶向穿刺活检病理为参考标准,系统12针穿刺后对可疑病灶加穿1–2针。
  • 从B型超声与超声造影图像中提取3306个影像组学特征,采用五折交叉验证,以基于L1的模型筛选特征,构建5种逻辑回归模型。
  • 超声造影时间-强度曲线用SonoLiver软件分析,拟合优度大于75%的曲线纳入,记录IMAX、RT、TTP、MTT。

关键影像表现/征象

  • 可疑病灶大多为低回声病灶,少数为等回声或混合回声病灶。
  • 超声造影选择达峰时间(TTP)时刻的图像分割感兴趣区,因该时刻图像反映微血管密度最丰富的切面。
  • 在超声造影图像上「Cluster Shade」和「Zone Entropy」、在常规超声图像上「Zone Entropy」和「Dependence Non Uniformity Normalized」是前列腺癌识别中相对重要的特征。
  • 「Cluster Shade」在前列腺癌中高于良性肿瘤;「Zone Entropy」值越高提示纹理模式异质性越大,可作为前列腺癌预测因子。

诊断标准与关键数值

  • 验证集中联合模型AUC 0.89,敏感度0.80、特异度0.83、准确率0.82。
  • 验证集中B型影像组学模型AUC 0.79(95%CI 0.71–0.88),超声造影影像组学模型AUC 0.78(95%CI 0.70–0.87),B型联合超声造影影像组学模型AUC 0.83(95%CI 0.76–0.91)。
  • 验证集中危险因素模型敏感度0.69、特异度0.77、准确率0.74、AUC 0.84。
  • 训练集中B型、超声造影、B型联合超声造影影像组学模型AUC分别为0.94(95%CI 0.89–0.98)、0.87(95%CI 0.81–0.94)、0.97(95%CI 0.95–1.0)。
  • 列线图包含年龄、tPSA、PSAD、RT和Rad-score,训练集AUC 0.91(95%CI 0.85–0.97)、验证集AUC 0.89(95%CI 0.83–0.96),准确率分别为0.84和0.82。

临床应用与阅片要点

  • 联合模型在风险阈值概率大于40%的较宽范围内可增加净获益。
  • 作者认为联合模型可能有助于临床决策,但原文结论未给出具体阅片操作建议。
  • 常规B型经直肠超声诊断前列腺癌的敏感度和阳性预测值分别约为11–35%和27–57%。

局限性

  • 原文未报告局限性。
全文中译11 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Abdom Radiol (NY). 2023 Oct 5;49(1):141–50. doi: 10.1007/s00261-023-04050-5

引言

前列腺癌(PCa)是泌尿系统最常被诊断的癌症,也是全球男性中第二常被诊断的恶性肿瘤[1]。2020年,全球约有1,414,259例新诊断的PCa病例,占375,304例癌症相关死亡。尽管中国PCa的发病率和死亡率相对较低,但由于人口基数大,中国占全球新发病例的8.2%和PCa相关死亡的13.6%,凸显了加强对PCa关注的迫切需求[2, 3]。20世纪80年代,John McNeal描述了前列腺的四个不同区域:外周带(PZ)、中央带、移行带和前纤维肌肉基质,70–80%的前列腺癌起源于PZ[4, 5]。诊断工具通常包括直肠指检(DRE)、前列腺特异性抗原(PSA)、多参数磁共振成像(mpMRI)、经直肠超声(TRUS)和前列腺活检[6]。DRE始终作为常规初级保健检查的一部分,可能导致大量假阳性,从而引发不必要的侵入性诊断方法[7]。PSA,包括总PSA(tPSA)和游离PSA(fPSA),是临床筛查中最广泛使用的程序,但特异性较低[8]。MpMRI在患者选择和局灶治疗指导方面显示出有希望的进展[9]。然而,仍存在对其高成本、因例如金属植入物存在而导致的可用性有限,以及尽管有公认的前列腺影像报告和数据系统(PI-RADS)但报告可靠性不一致的担忧,该系统本身也存在问题,即学习曲线慢和操作者间差异大[9, 10]。TRUS具有成本效益、实用、安全且广泛可用,尤其在PZ的评估中发挥重要作用[11, 12]。然而,PCa在常规B型TRUS上可表现为低回声、等回声或高回声,由于病变回声性的异质性而受限,导致其对PCa诊断的价值有限,敏感性和阳性预测值分别约为11–35%和27–57%[11–13]。影像引导活检仍是标准诊断方法,使用核心针主要在超声影像引导下进行。然而,系统性活检具有侵入性,超过30%的患者经历疼痛、感染、脓毒症和出血等副作用[14]。因此,我们需要探索提高PCa检出率和避免不必要活检的方法。

作为一种新型超声技术,超声造影(CEUS)能够揭示癌症区域血流的动态模式,改善PCa的可视化[15]。具体而言,通过测量时间强度曲线(TIC)的定量参数,CEUS在既往研究中产生了令人鼓舞的结果[16, 17]。与不使用CEUS的系统性活检相比,应用CEUS进行TRUS引导活检显示出提高的PCa检出率[18, 19],并且已提出一些涉及组织灌注评估的方法用于PCa检测[20, 21]。

影像组学从各种图像中提取若干定量特征,已被证明具有临床价值[22]。在既往研究中,越来越多的研究集中于使用影像组学或深度学习方法的MRI[23]。仅有少数研究关注超声在前列腺癌(PCa)相关医疗决策中的应用[24–26],且尚无前瞻性研究通过机器学习方法评估超声造影(CEUS)联合参数对诊断性能的价值。

本研究旨在构建基于影像组学特征并结合常规B型经直肠超声(TRUS)、CEUS及危险因素的机器学习模型,以提高前列腺外周带(PZ)前列腺癌的检出率。据我们所知,尚无类似的前瞻性研究利用上述影像学和因素综合预测前列腺病变的良恶性。此外,我们将通过更便捷的平台开发一种供临床使用的新型列线图预测模型。

材料与方法

患者

前瞻性纳入2021年1月至2022年8月期间我院的176例住院患者。所有患者均基于TRUS上可疑的PZ前列腺病变进行前瞻性筛选。当患者存在多个病变时,仅评估最具可疑性的一个。最终,166个PZ前列腺病变构成研究组。航天中心医院机构伦理委员会批准了本研究。

纳入标准如下:(1)活检前1个月内进行血清PSA检测(包括tPSA、fPSA和f/t PSA);(2)B型和CEUS成像显示PZ存在可疑病变;(3)B型和CEUS成像清晰,且病变在两种不同图像上的位置对应良好;(4)有可用的靶向活检结果。排除标准如下:(1)B型或CEUS任一成像数据不完整;(2)超声检查前接受过手术、放疗或内分泌治疗;(3)病变活检无满意的病理结果。图1显示患者筛选流程图。

从入组患者中获取危险因素,包括年龄、血清tPSA、fPSA、f/t PSA、前列腺体积(PV)和前列腺特异性抗原密度(PSAD)、直肠指检(DRE)结果(阳性 vs. 阴性)。PV通过TRUS测量,PSAD计算为tPSA/PV。此外,CEUS相关参数也作为危险因素纳入,详见下文。

图1 本研究患者纳入流程图。TRUS 经直肠超声,CEUS 超声造影,PSA 前列腺特异性抗原 查看原图 ↗

超声技术及活检

操作过程中,每位患者均取左侧卧位,使用配备SE 12-3经直肠探头的Aixplorer®超声扫描仪(SuperSonic Imagine,Aix en Provence,法国)进行B型超声、CEUS检查和活检。这些操作由两名超声医师完成(L.L.具有10年前列腺CEUS诊断经验和7年前列腺活检经验,S.Y.分别具有5年和3年此类经验)。所有男性患者或其法定监护人均提供了书面知情同意。

首先使用B型超声进行前列腺体积测量,并确定目标病灶的最佳进针路径(图2a)。CEUS检查采用0.04的低机械指数。经静脉团注标准剂量2.4 mL造影剂SonoVue(Bracco,米兰,意大利)并随后推注5 mL生理盐水冲洗后,开始CEUS记录。通过连续扫描120 s评估病灶,并存储DICOM视频片段。所有超声检查完成后,使用BARD活检枪(美国亚利桑那州坦佩)配18G活检针,穿透深度15 mm或22 mm,进行活检操作。在系统性12针活检后,按标准化活检方案(基底部、中部或尖部;左侧或右侧)对可疑病灶区域追加1–2针(图2c)。标本置入相应标记的瓶中。

图2 一例68岁前列腺癌(PCa)患者的示例图像,其PSA升高至6.3 ng/mL,前列腺左侧外周带(PZ)可见低回声病灶。a B型超声,b CEUS模式,c 靶向经直肠超声(TRUS)活检,d 时间-强度曲线。a和b显示目标病灶内感兴趣区(ROI)的放置,病灶以红圈标示。在b中,分析ROI和参考ROI分别以绿色和黄色圈出。CEUS 超声造影,TRUS 经直肠超声,ROI 感兴趣区 查看原图 ↗

CEUS评估

本研究使用TomTec的SonoLiver软件(1.0版)评估CEUS视频片段以绘制时间-强度曲线(TIC)(图2d)。在每个目标病灶内放置椭圆形感兴趣区(ROI)。首先,划定包含病灶及周围组织的ROI;其次,对于ROI分析,将拟靶向病灶的大部分与前列腺实质对侧相应部位约1 cm的区域作为参考进行比较,该参考区位于与参考ROI相同的深度(图2b)。纳入拟合优度>75%的TIC。记录以下SonoLiver输出数据:最大强度(IMAX),即相对于参考ROI的最大回声强度;上升时间(RT),即流入时间;达峰时间(TTP),定义为回声强度达到最大值的那一刻;以及造影剂在ROI内的平均通过时间(MTT)。这些参数从临床数据中收集,并选择与TTP对应的造影图像纳入下一步影像组学分析。

分割与影像组学特征提取

图像导入开源软件ITK-SNAP(3.8.0版),用于分别在B型超声和CEUS图像中分割ROI。由一名放射科医师通过在B型超声图像和达峰时间CEUS图像上勾画病灶轮廓,手动分割所分析的病灶。图2b中的红圈显示病灶分割结果。

本研究从Dr. Wise多模态研究平台(https://keyan.deepwise.com)(北京深睿博联科技有限责任公司,中国北京)共提取了3306个特征。提取了以下标准类别的特征:一阶统计特征(19个特征)、基于形状的特征(10个特征)、灰度共生矩阵(GLCM)特征(24个特征)、灰度游程长度矩阵(GLRLM)特征(16个特征)、灰度尺寸区域矩阵(GLSZM)特征(16个特征)、邻域灰度差矩阵特征(5个特征)和灰度依赖矩阵特征(14个特征)。这些特征列于附录中。

特征选择与模型构建

采用特征相关性分析进行特征选择。基于各单独图像及其组合的特征,构建了B模式影像组学模型(B模型)、CEUS影像组学模型(CEUS模型)、B-CEUS联合影像组学模型(B-CEUS模型)、危险因素模型以及危险因素-影像组学联合模型(联合模型)。采用五折交叉验证方法验证各模型的结果。在选择最有用的预测特征组合方面,采用了六种特征筛选技术(即F检验、Pearson相关系数、互信息、基于L1的模型、基于树的模型和递归特征消除)。逐一选择每种方法进行特征筛选以构建模型。最终,基于L1的模型被证明是鉴别良恶性病变最有效的方法。采用逻辑回归模型构建各影像组学标签,然后通过分析按其系数加权的回归特征生成称为影像组学评分(Rad-score)的公式。为构建危险因素模型,采用了纳入危险因素(即年龄、PV、PSAD、tPSA、fPSA、f/t PSA、RT、TTP、MTT和Imax)的单因素和多因素逻辑回归分析。随后构建了整合的联合模型。

统计分析

定量数据以均值±标准差表示。采用独立t检验或Mann-Whitney U检验分析连续变量,包括非正态分布数据。在构建危险因素模型时,首先应用单因素逻辑回归选择P < 0.05的独立预测因子,然后采用多因素逻辑回归分析在特征组合中识别这些因素。此步骤采用进入法逐步选择方法。采用比值比(OR)表示风险程度。预测因子的诊断效能通过其灵敏度、特异度和准确度进行评估。获取不同模型的受试者工作特征曲线(ROC)及曲线下面积(AUC)及其95%置信区间(95% CI),以评估其诊断性能,并使用Delong检验进行比较。建立联合模型的列线图和决策曲线分析(DCA)以促进临床决策。统计分析使用R软件(版本4.0.2)和SPSS(版本23.0)进行。双侧分析中P < 0.05定义为统计学显著性。

结果

共纳入166例患者(平均年龄73.9 ± 8.8岁;年龄范围47–83岁)。病灶中位直径为7.8 mm(最小–最大4.6–35.5 mm)。所有患者的Gleason评分(GS)如下:3 + 3 = 6(30例);3 + 4 = 7(24例);4 + 3 = 7(45例);> 4 + 3(67例)。基于单因素逻辑回归分析,良性与恶性组之间在年龄、PV、PSAD、tPSA、fPSA、f/t PSA以及CEUS参数RT的存在方面差异有统计学意义(P < 0.05)。两组之间其余三个CEUS参数(TTP、MTT和Imax)的分布未见差异(P > 0.05)。在多因素逻辑回归分析中,年龄、PSAD、tPSA和RT是显著的独立预测因素(P < 0.05)。患者人口学和临床特征见表1。

在训练集中,1653个B模式特征被降维至20个风险预测因子,并获得B模式Rad-score。CEUS训练集也完成了相同步骤,获得11个风险预测因子以及CEUS Rad-score。随后,两种模式的3306个特征被降维至32个相关特征,包括20个与B模式相关的特征和12个与CEUS相关的特征,并获得多参数B-CEUS Rad-score,如附录所示。采用ROC曲线比较不同模型区分良恶性病灶的能力。在训练集中,B模式影像组学、CEUS影像组学和B-CEUS联合影像组学的AUC值分别为0.94(CI 0.89–0.98)、0.87(CI 0.81–0.94)和0.97(CI 0.95–1.0)。在验证集中,机器学习模型的AUC值分别为0.79(CI 0.71–0.88)、0.78(CI 0.70–0.87)和0.83(CI 0.76–0.91),如图3a所示。

对于PCa预测,风险因素模型在训练集中的敏感性、特异性、准确性和AUC分别为0.76、0.81、0.78和0.87。在验证集中,它们分别为0.69、0.77、0.74和0.84。风险因素-影像组学联合模型显示出良好的预测能力,在训练组中AUC为0.91,在验证组中具有最佳预测能力,AUC为0.89,如图3c所示。这些模型诊断效能的具体指标见表2。

Delong检验(图3e、f)显示,B-CEUS模型在训练集中表现最佳,而在验证集中,联合模型与单模态影像组学模型(B模型,P < 0.05;CEUS模型,P < 0.05)的AUC之间观察到显著差异。联合模型不仅显示出最高的特异性和准确性(分别为0.83和0.82),而且在PCa预测中具有高敏感性(0.80)。

根据DCA(图3b、d),在较宽范围内,如果高风险阈值概率 > 40%,使用联合模型可增加更多获益。构建了包括年龄、tPSA、PSAD、RT和Rad-score的列线图(图3g)。该诊断列线图的AUC在训练集中为0.91(0.85–0.97),在验证集中为0.89(0.83–0.96)。准确性在训练队列中为0.84,在测试队列中为0.82。

表1 良性和恶性组患者的特征。 查看原表 ↗
图3 不同模型对PZ PCa预测的性能。a 验证队列中B模型、CEUS模型和B-CEUS模型的ROC曲线和b DCA曲线。c 验证队列中危险因素模型、B-CEUS模型和联合模型的ROC曲线和d DCA曲线。e、f 不同模型AUC的Delong检验。a = B模型;b = CEUS模型;c = B-CEUS模型;d = 危险因素模型;e = 联合模型。e 训练队列;f 验证队列。g 联合模型用于PZ PCa预测的列线图。ROC 受试者工作特征曲线,DCA 决策曲线分析,PCa 前列腺癌,AUC 曲线下面积,CEUS 超声造影 查看原图 ↗
表2 各模型预测前列腺癌的诊断性能。 查看原表 ↗

讨论

我们的研究为PZ PCa检测提供了新的机会。最终建立了一个联合模型,目标是建立一个易于使用的工具。

既往研究关于低回声病灶在检测PZ PCa方面呈现了有争议的结果。Kwang Suk Lee等[27]报道低回声PCa病灶中高级别GS占比较高(76.9%),且低回声病灶通常随着体积增大而病理分化更差。Nakano Junqueira等[28]显示,接受前列腺切除术的低回声病灶患者结局显著差于无低回声病灶者。低回声病灶被定义为灰度值低于周围组织的区域[29]。在我们的研究中,可疑病灶大多包括低回声病灶,少数为等回声或混合性病灶。然而,低回声病灶可能变为高回声、等回声或混合性病灶,取决于其是否生长、侵犯其他组织或发生钙化[11, 15]。

Li等[19]指出了使用CEUS时预测可疑病灶的指标:(1)外周带低回声病灶显示高增强,(2)病灶内增强峰值强度增高,(3)不对称增强等。由于微血管密度的均一性,多种增强模式可共存。值得注意的是,我们选择TTP时刻的CEUS图像来分割ROI,因为该时刻的图像由于其微血管密度(MVD)反映了血供最丰富的层面。Bono等[30]检测到不同GS评分组间PCa的MVD存在显著差异,更高的GS评分对应于PCa中更高的MVD。此外,在Andreas Maxeiner的研究[17]中,在亚组分析[> vs. ≤ 3 + 4 = 7a(ISUP 2)]中,峰值增强(PE)[a.u]在所使用软件(VueBox,Bracco)下显示具有统计学意义。作为灌注流入参数指标,PE恰好反映了目标病灶在TTP时刻的真实最大回声功率。然而,在我们的软件TomTec的SonoLiver中,仅识别出一个相关指标“Imax”,它是一个百分比,反映的是峰值时间目标ROI与参考ROI峰值增强的比值,而非回声功率本身。因此,选择TTP时刻的CEUS图像进行影像组学分析。

Jiang等人[18]的研究表明,前列腺癌(PCa)的峰值强度显著高于良性前列腺增生(BPH)病灶。BPH是前列腺最常见的良性病变,对应于一种组织病理学上的增生过程,导致前列腺内腺体上皮生长及间质/肌肉组织增生,尤其是前列腺尿道周围区域[27]。然而,与PCa相关的病理改变主要源于癌细胞的生长及细胞外间隙的变化[8]。此外,低特异度也可能由前列腺炎解释,前列腺炎在超声造影(CEUS)上可引起高增强[19]。

影像组学可以反映不同前列腺病变中各种细胞成分、液体、胶原和纤维肌肉基质的分布,通过对不同影像特征的定量分析提供价值。根据特征系数的高权重,本研究中CEUS成像的“聚类阴影(Cluster Shade)”和“区域熵(Zone Entropy)”以及常规超声成像的“区域熵”和“归一化依赖非均匀性(DN)”是识别PCa相对重要的特征。“聚类阴影”是灰度共生矩阵(GLCM)偏度和均匀性的度量。较高的聚类阴影值意味着围绕均值的更大不对称性;其在PCa中高于良性肿瘤。区域熵衡量区域大小和灰度级分布中的不确定性/随机性。在CEUS或B型超声上较高的值表明纹理模式具有更大的异质性,可作为PCa的预测指标。DN衡量整个图像中依赖性的相似性,较低的值表明图像中依赖性之间具有更高的均匀性。

关于危险因素,具有统计学意义的因素与先进行单因素分析再进行多因素分析所获得的结果一致。鉴于相当缺乏支持其效能的证据,尽管直肠指检(DRE)常用于筛查前列腺癌,但研究[7]不建议在初级保健环境中常规进行DRE来筛查前列腺癌。既往研究已证明年龄和PSA水平与前列腺癌相关。Junxiao Liu等人[31]报道,在从可疑多参数磁共振成像(mpMRI)结果中检测和定位前列腺癌方面,tPSA(AUC = 0.74)、fPSA(AUC = 0.68)、PV(AUC = 0.62)和PSAD(AUC = 0.77)是显著的预测指标,且PSAD和tPSA的诊断准确性高于其他单一参数,这与我们的研究一致。我们的研究表明,经单因素逻辑分析,PV、PSAD、tPSA、fPSA和f/t PSA均为显著因素,经多因素逻辑回归分析,年龄、PSAD和tPSA为独立危险因素。

除了这些常见的临床危险因素外,我们还将CEUS参数纳入了分析。CEUS的一个常见问题是检查者的主观判断。例如,早期增强和峰值强度的确定依赖于放射科医师的主观判断。因此,需要进行定量测量。根据Jung的研究[16],通过评估RT和MTT,分别有85.3%和73.5%的病例能够检出肿瘤。Baur的研究显示,TTP在良性病变与PCa之间显示出显著差异(AUC 0.65)[32]。在我们的研究中,RT和MTT表现出显著的效能,与文献报道一致,这反映了肿瘤生长过程中血管生成所致的假设性富血供[30],并且RT是多变量logistic回归分析中唯一的独立因素。TTP在我们的分析中未显示出显著性,这可能是由于样本差异所致。

放射组学模型大多与mpMRI联合用于鉴别PCa、预测GS评分、识别病灶以及规划放疗。然而,基于超声的放射组学研究较为罕见。Lorusso等人回顾性分析了64例PCa患者的数据,随后基于人工智能对TRUS进行计算机人工神经网络分析,在逐扇区分析中,敏感性、特异性和准确性分别为62%、81%和78%[26]。Wildeboer等人研究了48例患者,证明多参数机器学习联合B模式、剪切波弹性成像(SWE)和CEUS放射组学对PCa和显著性PCa分别达到0.75和0.90的ROC曲线[24]。在我们的研究中,采用了更广泛使用的pyradiomic方法并结合危险因素,这也证明Rad-score可以改善PCa鉴别中的诊断性能和临床净获益。

迄今为止,列线图已广泛应用于医学领域。在我们的研究中,通过使用风险评分,我们验证了一个结合危险因素-放射组学的联合列线图,包括年龄、tPSA、PSAD、RT和Rad-score,用于诊断PCa,为临床医生提供了一种更可量化、更清晰、更个体化的辅助工具。

尽管预测模型在PZ PCa检测中具有积极作用,但我们承认本研究存在进一步的局限性。首先,这是一项单中心分析,人群规模较小,尽管放射组学特征在不同GS之间有所差异[33],但由于样本量原因,我们的研究中未对其进行分层。因此,需要更大规模的多中心数据集。此外,手动分割可能影响稳定性和可重复性,未来可采用自动分割来解决这一问题。此外,超声可能因远场衰减效应而受限于较大的前列腺体积。最后,定量灌注分析依赖于单幅横断面图像,提供的信息有限,未来可通过3D/4D超声探头加以克服。

结论

总之,我们开发了放射组学模型以鉴别PZ良性和恶性病变。结合放射组学特征和临床危险特征的列线图将以直观的评估指标更好地有助于准确识别PZ PCa病变。需要来自多个中心的大样本进一步研究来验证我们的初步结果。

补充信息

以下是电子补充材料的链接。补充文件1(DOCX 16 KB)

引用

  1. Sun Y, Fang J, Shi Y, et al. Machine learning based on radiomics features combing B-mode transrectal ultrasound and contrast-enhanced ultrasound to improve peripheral zone prostate cancer detection. Abdom Radiol (NY). 2023. PMID: 37796326. doi:10.1007/s00261-023-04050-5
  2. 全文:PMC10789837(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10789837/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。