文献速递泌尿生殖腹部MR

基于PSA、microRNA和MRI的前列腺癌检测临床决策支持系统的开发与验证

Development and validation of a clinical decision support system based on PSA, microRNAs, and MRI for the detection of prostate cancer.
PubMed 文献 · Eur Radiol · 2024-01-04

这项回顾性多中心观察性研究纳入222例接受前列腺MRI、miRNA(let-7a-5p和miR-103a-3p)评估及活检的患者,开发并验证整合人口学、PSA、miRNA和MRI的临床决策支持系统。结果显示MRI单项在PCa和csPCa检测中均表现最佳,验证集敏感度分别为90%和91%,NPV分别为93%和95%;加入miRNA和PSA未改善MRI单项性能。

要点

  • MRI是PCa和csPCa检测的最佳单项预测因子,验证集敏感度90%/91%、NPV 93%/95%。
  • 包含MRI的多变量模型AUC均在0.82–0.87,NPV范围87.5–92.9%。
  • miRNA let-7a-5p和miR-103a-3p未显著改善MRI单项性能。

核心结论

  • MRI单项在活检初治患者中对PCa和csPCa检测均产生最佳预测模型。
  • miRNA let-7a-5p和miR-103a-3p单独或联合PSA未提高MRI单项性能。
  • 含MRI的临床决策支持系统在PCa和csPCa检测上优于PSA和/或microRNA。

研究设计与样本

  • 回顾性、多中心、观察性研究,纳入222例活检初治男性(平均年龄66岁,范围46–75岁),来自两个中心(A中心179例,B中心43例)。
  • 患者来自两项前瞻性试验:A中心2018–2020年,B中心2015年1月至2016年12月。
  • 所有患者行前列腺MRI(至少包括轴位T2WI和DWI)、血浆miRNA(let-7a-5p和miR-103a-3p)检测及前列腺活检。
  • 参考标准为活检组织病理学,csPCa定义为GG≥2。
  • 模型在65%数据上训练、35%数据上验证,采用广义线性回归,以Youden指数确定最佳截断值。

关键影像表现/征象

  • MRI单项预测PCa验证集敏感度90%(95%CI 73–98%)、特异度80%、NPV 93%(95%CI 82–98%)、AUC 0.84(OR 33.8,95%CI 8.48–134.67,p<0.001)。
  • MRI单项预测csPCa验证集敏感度91%(95%CI 72–99%)、特异度73%、NPV 95%(95%CI 84–99%)、AUC 0.83(OR 28.0,95%CI 5.84–134.2,p<0.001)。
  • MRI预测csPCa的假阴性为2例GG2肿瘤,被放射科医生判为阴性。

诊断标准与关键数值

  • MRI采用PI-RADS v2,阴性为PI-RADS 1–2,阳性为PI-RADS 4–5,不确定为PI-RADS 3;多病灶取最高评分。
  • 无DCE序列时,PI-RADS 3病例采用修改评分,外周带病灶不能升级为3+1。
  • PCa定义为任何Gleason分级,csPCa定义为GG≥2(对比GG=1/阴性)。
  • MRI单项PCa验证集AUC 0.84,csPCa验证集AUC 0.83;PSA和deltamiRNA的PCa AUC均为0.58。
  • csPCa检测中PSA AUC 0.61 vs deltamiRNA AUC 0.54(p=0.54),敏感度61% vs 65%(p=0.57),差异无统计学意义。

临床应用与阅片要点

  • MRI阴性(PI-RADS 1–2)且NPV高达93%–95%,原文指出阴性MRI男性可安全避免活检。
  • 原文结论认为miRNA let-7a-5p和miR-103a-3p未改善MRI单项性能,不支持将其加入CDSS替代MRI。
  • PSA+deltamiRNA模型在csPCa检测中的敏感度和NPV与含MRI三模型无统计学差异(敏感度73.9% vs 78.3%,p=0.73;NPV 80.7% vs 89.4%,p=0.26)。
  • PSA+MRI和PSA+deltamiRNA分别较PSA单项减少33%和44%的假阴性,PSA单项有9例假阴性。

局限性

  • 未评估其他miRNA组合,因let-7a-5p和miR-103a-3p是回顾性研究两个数据集间仅有的共同miRNA。
  • 数据集仅222例,其中仅65例为GG≥2病变,数据集相当不平衡。
  • 5年入组期内仅222例可能导致选择偏倚。
  • 数据集相对较小主要因研究设计和纳入标准要求所有受试者具备分子信息、MRI和活检。
全文中译12 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:Eur Radiol. 2024 Jan 4;34(8):5108–17. doi: 10.1007/s00330-023-10542-1

引言

前列腺癌(PCa)是男性中最常见的实体癌,在西方国家中致死率位居第三[1, 2]。自2020年以来,欧洲泌尿外科学会(EAU)和美国泌尿外科学会(AUA)指南[3, 4]均强烈推荐使用多参数(mp)磁共振成像(MRI)进行前列腺癌诊断。采用这一新范式,约三分之一的男性得以免于活检。此外,将MRI作为分诊检查可提高临床显著(cs)PCa的检出率,同时减少检出的临床不显著病变数量,限制过度诊断和过度治疗[5–8]。不幸的是,15–20%的csPCa在MRI中仍未被检出,包括一部分间质性癌和具有筛状结构的导管内癌[9]。此外,MRI上PCa的检出主要基于视觉和定性的前列腺影像报告和数据系统(PI-RADS)评估,这是一个耗时且依赖阅片者的报告过程[10]。

为改进活检患者的选择,其他涉及PCa生物标志物评估的检测,如PCA3、PHI、4K评分、SelectMDx和ConfirmMDx,已被提出作为前列腺特异性抗原(PSA)的补充,用作PCa检测的微创工具[11]。在候选PCa生物标志物中,循环microRNA(miR)——即在转录后/转录水平负调控基因表达的小非编码RNA——也已被提出。已观察到PCa患者与对照者之间肿瘤与正常组织和/或生物体液中miR表达谱的差异,可作为生物标志物,具有区分PCa患者与良性前列腺增生患者的潜力[12, 13]。在此前的工作中,我们鉴定了两个候选诊断性循环miRNA,即血浆let-7a-5p和miR-103a-3p,其与PSA联合检测csPCa优于单独使用PSA,尤其是当PSA低于4 ng/mL时[14]。

在本研究中,我们假设通过整合特定患者的不同信息(人口学、临床、影像学、分子学等)以生成定量的病例特异性建议,可以改进临床决策过程[15]。近期,Keck等人使用miRNA表达、PSA、临床数据和MRI开发了一个临床决策支持系统(CDSS),旨在增强csPCa的检出,其灵敏度和特异度分别为71.7%和58.3%[12]。这些结果尚不足以使该模型应用于临床实践。

本研究的目的是开发和验证一个包含人口学资料、PSA、循环miRNA和MRI的CDSS,并评估与单独使用MRI相比,该系统是否能同时改善PCa和csPCa的检出。

方法

研究设计与患者

本研究的患者来自两项不同的前瞻性试验:第一项于2018年至2020年在某综合癌症中心(中心A:Candiolo癌症研究所)入组,第二项于2015年1月至2016年12月在某三级护理医院(中心B:都灵健康与科学大学医院)入组。

所有患者在接受活检计划前均由泌尿科医生转诊进行MRI检查,因为他们PSA值异常。纳入标准如下:(i)年龄≤75岁;(ii)未接受过活检的男性;(iii)PSA≤15 ng/mL;(iv)直肠指检阴性;(v)前列腺MRI检查,至少包括轴位T2加权(T2w)和弥散加权成像(DWI);(vi)具有microRNA let-7a-5p和miR-103a-3p表达数据;(vii)MRI后一年内进行前列腺活检;(viii)书面知情同意。排除标准如下:(i)有前列腺癌(PCa)既往史的患者;(ii)有MRI禁忌证的患者。

本研究按照《赫尔辛基宣言》以及国际协调会议和良好临床实践指南进行。两个中心的伦理委员会均批准了试验设计。本研究是对先前纳入前瞻性试验的患者进行的回顾性分析,书面知情同意涵盖了回顾性分析。

MRI采集方案和检查报告

在A中心,检查使用1.5-T MRI扫描仪(Optima MR450w;GE Healthcare,Milwaukee,WI,USA)进行,采用两种不同的MRI采集方案。方案A包括以下内容:轴位T2w、轴位DWI(b值0、800 s/mm²)并计算高b值成像(b = 1000 s/mm²)以及轴位表观弥散系数(ADC)图,使用32通道相控阵线圈。方案B包括以下内容:多平面T2w序列、DWI(b值0、800 s/mm²)并计算高b值成像(b = 1000 s/mm²)、ADC图,以及使用32通道相控阵线圈联合直肠内线圈(Medrad)的动态对比增强(DCE)采集。在B中心,检查使用1.5-T MRI扫描仪(Achieva,Philips Medical System)进行,使用32通道相控阵线圈,不使用直肠内线圈,包括多平面T2w成像、DWI(b值50、500、1000 s/mm²)、计算高b值成像(b值 = 1700 s/mm²)、ADC图和DCE采集。两个中心的详细MRI采集参数见补充表1。

两名经验丰富的放射科医生(前列腺MRI经验> 8年)根据PI-RADS第2版[16]审阅了所有MRI检查。患者被分类为阴性(PI-RADS 1–2)、阳性(PI-RADS 4–5)或不确定(PI-RADS 3)。在没有DCE采集的患者中,对PI-RADS 3病例应用了修改评分,因为由于缺乏DCE信息,外周带病灶无法升级为3 + 1分。对于具有不同PI-RADS分类的多个病灶的男性,最高评分被认为代表患者的总体PI-RADS状态。

miRNA

在MRI检查前,两个中心均将入组男性的血液样本采集于EDTA(乙二胺四乙酸)管中。采用标准程序在采集后1小时内分离血浆以防止溶血。血液在4 °C下以2500 rpm(1250 g)离心10分钟。将上清液转移至新管中,在4 °C下以2500 rpm(1250 g)进行第二次离心10分钟以去除细胞碎片和片段。血浆储存于4.5 mL冻存管中,于−80 °C保存直至转运至癌症基因组学实验室。为计算溶血评分,将10 μL血浆在室温下以1000 g离心5分钟,并使用NanoDrop分光光度计(Thermo Fisher)以UV-VIS程序测定385和414 nm处的吸光度。溶血评分< 0.057和/或414 nm/385 nm吸光度比值低于2的样本保留用于进一步处理。使用miRNeasy血清/血浆试剂盒(Qiagen)按照Exiqon方案从血浆中分离总RNA,并使用噬菌体MS2-RNA载体(Merck)促进RNA沉淀和在膜上的纯化。为通过SYBR green qPCR(定量聚合酶链反应)分析测定microRNA水平,遵循miRCURY LNA™ Universal RT microRNA PCR方案(Qiagen),从4 µL总RNA开始,使用UniSp6 spike-in作为逆转录(RT)的内参。使用BioRad CFX96实时PCR仪在同一96孔板上检测每个样本的hsa-miR-103a-3p和hsa-let7a-5p,每个检测进行3次重复测量,每种miR均设RT和实时阴性对照。我们选择这两个特定microRNA是因为它们在此前一项研究中被鉴定[14],该研究包括微阵列发现阶段、RT-qPCR技术验证阶段以及在独立队列上的RT-qPCR验证阶段。数据分析按照Deng等[17]所述方法进行,即对miR阈值循环(Ct)取平均值并计算let-7a-5p与miR-103a-3p平均Ct之间的差值(deltamiRNA)。该方法避免了使用非标准化的循环miR归一化因子,并使两个中心之间的数据具有可比性。

参考标准

活检组织病理学发现是本研究的参考标准。所有患者均接受活检,若MRI阴性(PI-RADS 1–2)则行12针系统性活检(SBx),若MRI评分为PI-RADS ≥ 3则行靶向活检(TBx)联合SBx。TBx使用BioJet融合系统(D&K Technologies)对最多两个病灶进行,每个病灶取4至6针[18, 19],而12针SBx按照Rodrìguez-Covarrubias方案经直肠途径进行[20]。所有活检操作均报告取针的前列腺空间定位,以便将该信息与MRI结果匹配。两名专职资深泌尿病理学家检查染色切片,然后记录PCa存在情况和活检GG。若GG ≥ 2,则PCa被认为具有临床意义[7, 8]。

单参数和多参数分析

从A中心和B中心随机选取患者,以建立(i)用于模型构建的训练集(65%的患者)和(ii)用于模型内部验证的验证集(数据集的35%,包括剩余病例)。训练集和验证集均代表了不同的MRI供应商、采集方案和数据提供者(图1)。

在单参数和多参数分析中考虑了以下临床参数:年龄、PSA、deltamiRNA和MRI结果(PI-RADS 1–2或PI-RADS 3或PI-RADS 4–5),以(a)检测PCa患者,即活检确诊为PCa(任何GG)的患者与活检结果为阴性的男性,(b)检测csPCa(GG ≥ 2)与无csPCa的男性(GG = 1或活检阴性)。PSA密度未纳入分析,因为它来源于MRI前列腺体积,而我们研究的是每项单独检查在预测模型中的作用。

分析前,所有提取的特征均使用最小–最大缩放进行归一化,以使所有参数获得相同的值范围。在单变量方法中,计算每个单独特征的预测价值。然后,将单变量分析中的参数组合到多变量模型中,其性能使用广义线性回归模型进行评估。所有算法均使用MATLAB® 2020b统计软件实现。

图1 研究流程图,展示纳入分析的患者以及训练集和验证集的组成 查看原图 ↗

统计分析

对于PCa检测,阳性类包括预测为PCa的患者,阴性类包括预测为无PCa的患者。对于csPCa检测,阳性类包括预测为csPCa的患者,阴性类包括预测为非csPCa的患者。真阳性病例为预测为阳性类且在参考标准下确诊为PCa或csPCa的病例,而真阴性病例为预测为阴性类且在参考标准下确诊为无PCa或无csPCa的患者。据此计算准确率、灵敏度、特异度以及阳性和阴性预测值(PPV和NPV)。在训练集/验证集以及单变量/多变量分析中均评估受试者工作特征(ROC)曲线下面积(AUC)。

ROC曲线的最佳截断值设定为约登指数,代表灵敏度和特异度之间的最佳权衡。从训练集获得的截断值应用于验证集。比较使用χ2检验用于分类数据,Mann-Whitney U检验用于连续变量。p值 < 0.05认为差异具有统计学意义。

结果

数据集

最终数据集包括222例患者,平均年龄66岁(范围46–75岁),其中179名男性来自A中心,43名来自B中心。患者的人口学、临床、影像学和病理学特征以及研究流程图分别见表1和图1。80例患者活检确诊为PCa,而142例活检PCa阴性。两个中心之间的年龄、PSA密度和病灶体积无统计学差异,而B中心的PSA平均值显著更高(6.63 vs 5.71 ng/mL,p = 0.04)。

PCa检测的训练集包括144例患者(51例PCa和93例非PCa),验证集包括78例患者(29例PCa和49例非PCa)。csPCa检测的训练集包括42例csPCa患者和102例非csPCa患者(9例GG1 + 93例无肿瘤),而验证集由23例csPCa患者和55例非csPCa患者组成(6例GG1 + 49例无肿瘤)。

表1 患者的人口学特征及临床、MRI和病理表现。结果以计数或中位数及括号内范围表示 查看原表 ↗

单因素分析

表2显示了每个特征单独的性能。PCa检测中表现最佳的参数是MRI,在验证集上的灵敏度为90%,特异度为80%,NPV为93%,AUC为0.84(比值比33.8,95%CI 8.48–134.67,p < 0.001)。PSA和deltamiRNA的AUC均为0.58,而在验证集上的灵敏度分别为59%和69%。关于csPCa的检测,MRI再次优于所有其他变量,在验证队列中产生的灵敏度为91%,特异度为73%,NPV为95%,AUC为0.83(比值比28.0,5.84–134.2,p < 0.001)。对于csPCa的检测,PSA的AUC高于deltamiRNA(0.61 vs 0.54,p = 0.54),但灵敏度较低(61% vs 65%,p = 0.57),尽管差异无统计学意义。MRI检测csPCa的假阴性(FN)病例为2例GG2肿瘤患者,被放射科医生评分为PCa阴性。使用PSA分类,有9例FN(6例GG2、2例GG3和1例GG4),而使用deltamiRNA,我们发现8例FN(4例GG2、2例GG3和2例GG4)。在csPCa检测中,PSA和MRI分类器之间没有共同的FN,而deltamiRNA与MRI有2例共同的FN,与PSA有3例共同的FN(1例GG2、1例GG3和1例GG4)。图2显示了验证集中单因素分析的不同AUC。

表2 训练集和验证集中单因素分析对疑似csPCa患者检测的性能 查看原表 ↗
图2 单因素模型在前列腺癌检测(a)和临床显著性前列腺癌检测(b)中的ROC曲线比较 查看原图 ↗

多因素分析

表3显示了考虑不同参数组合(PSA、deltamiRNA和MRI)的多参数分析结果。变量年龄在该分析中被剔除,因为其在单因素分析的验证集中AUC不大于0.5。所有包含MRI的模型在PCa和csPCa检测中均达到0.82–0.87范围内的AUC,具有非常高的NPV(范围87.5–92.9%)。p < 0.05的多因素模型比值比报告于表4中。PSA + deltamiRNA分类器达到的结果在统计学上低于其他包含MRI的模型(p < 0.01),在验证队列中检测PCa和csPCa的AUC分别为0.61和0.59。然而,PSA + deltamiRNA检测csPCa的灵敏度和NPV与其他三个包含MRI的模型在统计学上无差异(即灵敏度73.9 vs 78.3%,p = 0.73;NPV 80.7 vs 89.4%,p = 0.26)。

图3比较了不同多变量模型在验证数据集中的AUC。图4显示了PSA + MRI和PSA + deltamiRNA在验证集中检测csPCa的瀑布图和2 × 2预测表。PSA + MRI模型的5例FN病例均为GG 2,其中2例(上方瀑布图中的第28号和41号患者)与使用MRI的单变量模型中的FN病例相同。PSA + deltamiRNA模型的6例FN病例中,3例为GG 2,2例为GG 3,1例为GG 4。PSA + MRI与PSA + deltamiRNA模型之间仅共有1例FN病例。

表3 多变量分析在训练集和验证集上检测PCa和csPCa的性能 查看原表 ↗
表4 所有包含MRI的多变量模型检测PCa和csPCa的比值比 查看原表 ↗
图3 多变量模型在a检测前列腺癌和b检测临床显著性前列腺癌中的ROC曲线比较 查看原图 ↗
图4 在验证集中使用PSA + MRI或PSA + deltamiRNA模型检测疑似csPCa患者的瀑布图和2 × 2表比较。GG Gleason分级 查看原图 ↗

讨论

在本研究中,MRI单变量分析作为PCa存在的预测指标优于人口学特征、PSA和deltamiRNA,在验证集上达到90%的灵敏度和93%的NPV。高NPV具有重要的临床意义,因为MRI检查阴性的男性可以安全地避免活检,从而有利于其生活质量[21–23]。与其他变量相比,MRI也是csPCa的最佳预测指标,在验证集上的灵敏度和NPV分别为91%和95%。

在多变量分析中,对于PCa和csPCa检测,将PSA加入MRI或加入MRI+deltamiRNA的所有模型均未优于单独使用MRI。既往已有数项研究描述了使用miRNA,特别是本工作中的let-7a-5p和miR-103a-3p,对PCa患者进行风险分层的预测模型。Kong等[24]表明,miRNA表达的失调有助于PCa的发生和进展。在几种已知的miRNA中,他们考虑了let-7家族,因为该家族似乎通过调控癌症干细胞在PCa的复发和进展中发挥关键作用。在他们的研究中,他们发现let-7家族的表达在Gleason分级7或更高的PCa组织标本中缺失,但在Gleason分级6的患者中未缺失,miRNA表达与PCa侵袭性之间呈负相关(p < 0.05)。Ge等[25]探讨了miR-103a-3p在PCa中的作用和潜在机制,表明miR-103a-3p抑制PCa肿瘤细胞的增殖、侵袭和伤口愈合能力,同时促进凋亡。其他研究将miRNA与PSA联合作为生物标志物用于治疗决策[12, 14],例如Mello-Grand等提出了一种包含循环PSA和miRNA的模型来检测PCa。在他们的工作中,提出了一种基于let-7a-5p、miR-103a-3p和PSA的分类器,其识别csPCa的能力优于单独使用PSA,即使在PSA ≤ 4 ng/mL的50–69岁男性中也是如此。他们的模型识别出9例PSA未检测到的额外肿瘤中的8例,包括3例高危PCa,AUC为0.76,而PSA为0.74 [14]。在我们的工作中,我们也发现使用PSA和deltamiRNA联合而非单独使用PSA进行PCa检测时AUC有所改善,尽管差异无统计学意义(分别为0.61 vs 0.58,p = 0.104)。我们假设他们研究中更高的性能可能是由入组患者之间PSA值分布不同所决定的。我们的数据集包括87%(193/222)的男性PSA在4至16 ng/mL之间,而他们的为56%(202/362)。事实上,当仅考虑PSA在4–16 ng/mL范围内的患者时,他们的分类器在验证集上的AUC为0.6,而单独使用PSA的AUC为0.47,这些结果与我们的PSA + deltamiRNA模型几乎相同。

Keck等测试了一个回归模型,该模型包括几种miRNA和四个其他变量(患者年龄、活检前PSA、既往活检操作和最高MRI PI-RADS评分)[12]。当将let-7c-5p miRNA纳入模型时,在验证集上检测PCa的灵敏度达到72%,特异度达到58%。将这些结果与我们的PCa检测多变量模型进行比较,我们获得了更好的性能,灵敏度和特异度分别为89.7%和79.6%。Pecoraro等还在一个由178例患者组成的数据集上实施了一种基于临床特征、MRI和miRNA的整合路径用于PCa检测。他们的研究结果表明,该整合路径在统计学上并不优于单独使用MRI,报告的AUC分别为0.904和0.880 [26]。

在我们的研究中,与单独使用PSA相比,PSA + deltamiRNA和PSA + MRI的组合分别使假阴性(FN)病例减少了33%和44%,而单独使用PSA产生了9例假阴性结果。值得注意的是,PSA + deltamiRNA模型额外识别了3例GG2,而PSA + MRI模型识别了所有GG ≥ 3的病例(n = 4)。

我们工作的主要优势在于在一个从未用于模型构建的数据集上进行了验证步骤。此前,仅有少数研究在独立队列中验证了miRNA与前列腺癌(PCa)检测之间的相关性,其中只有Keck等人[12]在其模型中纳入了MRI和其他临床变量。这一步骤对于证明预测模型的准确性及其临床相关性至关重要。

我们的研究也存在一些局限性。首先,我们未评估不同的miRNA组合,与其他研究中所做的那样,因为let-7a-5p和miR-103a-3p是本回顾性研究两个数据集中仅有的两个共有miRNA。在纳入PSA、MRI和其他临床变量的多变量分析中联合其他miRNA可能会带来更好的性能[13]。其次,我们的数据集包括222例患者,其中仅有65例被归类为GG ≥ 2病变,导致数据集相当不平衡。此外,在5年入组期内仅有222例患者可能导致选择偏倚。事实上,数据集相对较小的规模主要归因于研究设计和纳入标准,其要求所有受试者均具备分子信息(let-7a-5p和miR-103a-3p表达数据)、MRI和活检。为减少模型过拟合,结果在独立数据集上进行了验证。

总之,我们的研究结果证实,单独使用MRI在PCa和临床显著性前列腺癌(csPCa)检测方面均产生了最佳的预测模型。此外,我们的研究表明,在本研究人群中,miRNA let-7a-5p和miR-103a-3p单独使用或与PSA联合使用均未提高MRI的单独性能。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 150 KB)

引用

  1. Mazzetti S, Defeudis A, Nicoletti G, et al. Development and validation of a clinical decision support system based on PSA, microRNAs, and MRI for the detection of prostate cancer. Eur Radiol. 2024. PMID: 38177618. doi:10.1007/s00330-023-10542-1
  2. 全文:PMC11255044(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11255044/

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。