文献速递泌尿生殖腹部MR

真实临床实践中基于影像组学模型预测临床显著性前列腺癌:一项回顾性多中心研究

Prediction of clinically significant prostate cancer using radiomics models in real-world clinical practice: a retrospective multicenter study.
PubMed 文献 · Insights Imaging · 2024-02-29

该回顾性多中心研究纳入4个三级医疗中心的1616例患者,基于MRI构建随机森林等4种机器学习影像组学模型预测临床显著性前列腺癌(csPCa)并与不同年资放射科医生的PI-RADS评估比较。随机森林模型在内外部测试队列AUC为0.874、0.876、0.893,调整后PI-RADS的AUC提高且特异性提升而敏感度略降,Rad-score与ISUP正相关(r>0.600,p<0.0001)。

要点

  • 随机森林影像组学模型预测csPCa的AUC在内外部测试队列为0.874~0.893,与高年资/专家PI-RADS相当、优于低年资。
  • 按影像组学模型调整PI-RADS后诊断性能提高,特异性明显提升但敏感度略有牺牲。
  • 影像组学模型降低了PI-RADS 3类不确定病例的比例,Rad-score与ISUP分级正相关。

核心结论

  • 影像组学模型可作为无创辅助工具准确预测前列腺癌侵袭性,可能减少不必要的活检并帮助提升放射科医生PI-RADS的诊断性能。
  • 作者指出仍需前瞻性研究进一步验证影像组学模型。

研究设计与样本

  • 回顾性多中心研究,纳入2015年1月至2021年12月4个三级医疗中心共1616例经活检证实的前列腺癌患者(中心1 539例、中心2 550例、中心3 279例、中心4 248例)。
  • 所有mpMRI采用3.0-T MRI扫描仪及盆腔相控阵线圈,序列包括三平面T2WI、DWI、轴位ADC图及DCE。
  • 中心1与中心2数据按7:3随机分为训练队列(n=762)和内部测试队列(n=327),中心3(n=279)和中心4(n=248)作为两个独立外部测试队列。
  • 以2014年ISUP标准为参考标准,ISUP≤2为非csPCa组、ISUP>2为csPCa组;由低年资(3年)、高年资(6年)及专家级放射科医生行PI-RADS v2.1评估。
  • 从T2WI、DWI、ADC共提取292个特征,采用ComBat协调中心间特征分布差异,构建随机森林、支持向量机、逻辑回归和线性判别分析4种模型。

关键影像表现/征象

  • 在连续轴位T2WI图像上基于病理-影像匹配手动分割病灶整个三维感兴趣区(VOI)。
  • 随机森林模型预测csPCa的敏感度在内部测试队列为83.7%(87/104)、中心3外部测试队列为87.7%(57/65)、中心4外部测试队列为90.0%(108/120)。
  • 随机森林模型预测csPCa的特异度在内部测试队列为78%(174/223)、中心3外部测试队列为77.6%(166/214)、中心4外部测试队列为73.2%(94/128)。
  • 按影像组学模型调整PI-RADS后,三位不同级别放射科医生预测csPCa的诊断性能均提高,仅低年资医生在内部测试队列(p=0.01)及低年资和高年资医生在中心4外部测试队列(p=0.030和p=0.031)差异有统计学意义。
  • 使用影像组学模型后,PI-RADS 3类患者比例在三个测试队列及总体均下降,三位不同级别放射科医生的总体下降百分比分别为7.5%、16.1%和2.1%。

诊断标准与关键数值

  • 随机森林模型预测csPCa的AUC在内部测试队列为0.874(0.834–0.915)、中心3外部测试队列为0.876(0.831–0.920)、中心4外部测试队列为0.893(0.853–0.933)。
  • PI-RADS预测csPCa的AUC:低年资医生内部测试队列0.845(0.796–0.894)、中心3外部测试队列0.823(0.765–0.882);专家内部测试队列0.892(0.855–0.929)、中心3外部测试队列0.884(0.838–0.930);中心4外部测试队列低年资0.858(0.808–0.908)、高年资0.867(0.818–0.916)。
  • Cut-off值根据训练队列最大约登指数确定,当Rad-score高于cut-off值判定为阳性、低于cut-off值判定为阴性;阳性时PI-RADS升级(最高5分除外),阴性时降级(最低1分除外)。
  • Rad-score与ISUP在内部测试队列(r=0.690,p<0.0001)、中心3外部测试队列(r=0.700,p<0.0001)、中心4外部测试队列(r=0.688,p<0.0001)均呈正相关。

临床应用与阅片要点

  • 影像组学模型基于MRI无创预测csPCa,其诊断性能与专家及高年资放射科医生的PI-RADS相当、优于低年资医生,提示可作为放射科评估的潜在辅助工具。
  • 将影像组学预测结果用于调整PI-RADS时,可在敏感度略降的代价下明显提高特异性,并降低PI-RADS 3类不确定病例比例。
  • Rad-score与ISUP分级正相关,可用于表征前列腺癌侵袭性,辅助个体化治疗方案的制定。

局限性

  • 作者指出仍需前瞻性研究进一步验证影像组学模型。
全文中译13 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:Insights Imaging. 2024 Feb 29;15:68. doi: 10.1186/s13244-024-01631-w

背景

前列腺癌(PCa)是影响男性人群最常见的癌症之一,其发病率逐年上升[1]。国际泌尿病理学会(ISUP)分级分组目前被认为是确定PCa侵袭性和治疗方案的最佳预后因素[2]。直肠指检和前列腺特异性抗原(PSA)检测,随后进行经直肠超声(TRUS)引导下穿刺活检,是PCa广泛使用的诊断方法;然而,这些方法存在过度诊断或诊断不足率较高的问题[3]。

多参数磁共振成像(mpMRI),包括T2加权成像(T2WI)、弥散加权成像(DWI)、以及由DWI衍生得到的表观弥散系数(ADC)图和动态对比增强(DCE),正越来越多地用于PCa的检测[4, 5]。前列腺影像报告和数据系统(PI-RADS)旨在标准化前列腺MRI的图像采集技术和判读[6];然而,尽管在临床实践中广泛应用,PI-RADS是一种半定量评估方法,受放射科医师主观性和变异性的影响,观察者间一致性仅为中等至良好[7]。五点量表PI-RADS缺乏对炎性病变和肿瘤病变的客观区分,也无法评估前列腺癌的侵袭性。随后,大量研究对PI-RADS进行了验证,但也显示了一些局限性,例如若干具体评估标准需要澄清或调整[6, 8]。不同放射科医师的词汇和主观评估对报告的有效性具有重要影响。评分为1或2分的病变提示临床显著性癌症不太可能存在,评分为4或5分的病变提示临床显著性癌症可能存在,而评分为3分的病变为中间型或不确定病变,对临床管理构成重大挑战[6, 9]。

随着人工智能的快速发展,影像组学特征包括高维特征和一些肉眼可识别的特征[10]。影像组学是一种用于评估肿瘤异质性和复杂性的无创定量方法[11]。既往研究已将影像组学应用于组织学Gleason分级的风险分层以及预测前列腺包膜外侵犯、淋巴结转移和无复发生存期[12–15]。影像组学利用MRI诊断和预测PCa的潜在价值也已有报道。例如,近期单中心研究[16, 17]采用MRI影像组学分析检测临床显著性前列腺癌(csPCa);然而,PCa病理特征的高度变异性和单中心数据的不平衡容易导致过拟合,阻碍了影像组学模型的泛化。特别是,识别预测csPCa的障碍将更有效地克服缺乏普遍验证的影像组学工具以及筛选csPCa终点的问题。事实上,有必要利用多中心数据开发一种替代性的稳健工具,以更有效地量化新工具在评估PCa特征方面的准确性和泛化性。

本研究旨在利用多中心数据开发并验证稳健且可推广的机器学习模型,用于诊断临床显著性前列腺癌(csPCa),并评估其在提高不同放射科医师诊断性能方面的辅助诊断作用,试图拓展其在减少特定PI-RADS 3类患者不必要活检方面的潜在价值。此外,我们进一步评估了影像组学评分与组织病理学ISUP分级分组之间的相关性,以评估利用多中心MRI数据的病理特征评估前列腺癌(PCa)侵袭性的能力。

材料与方法

共回顾性纳入2015年1月至2021年12月期间来自4个合作中心(即中心1、中心2、中心3和中心4)数据库中1616例经活检证实为PCa的患者。本研究的纳入标准如下:(1)初次活检的男性,在活检前4周内接受了标准前列腺3.0-T MRI检查;(2)初次活检的男性,接受了标准经直肠超声(TRUS)/MRI融合或认知融合靶向活检及系统活检。排除标准如下:(1)缺少前列腺活检或根治性前列腺切除术(RP)结果;(2)MRI序列不完整或图像质量差(移位、气体或运动伪影)无法用于诊断;(3)既往有活检史或PCa手术或治疗史。

最终纳入中心1的539例患者、中心2的550例患者、中心3的279例患者和中心4的248例患者。最终队列包括1616例具有前列腺MRI临床指征的患者;研究流程图见图1。

图1 研究流程图。注:中心1,SUH1st,苏州大学附属第一医院;中心2,SUH2nd,苏州大学附属第二医院;中心3,CSH,常熟市第一人民医院;中心4,TZH,泰州市人民医院;PCa,前列腺癌 查看原图 ↗

MRI采集与PI-RADS评估

所有mpMRI检查均使用3.0-T MRI扫描仪配合盆腔相控阵线圈完成。mpMRI包括三个平面的T2WI、DWI、轴位ADC图及DCE。各机构mpMRI方案的详细内容见表S1。

本多中心研究设立了PI-RADS评估团队对入组患者进行评分。PI-RADS评估分为三个步骤:首先,根据PI-RADS第2.1版[6],由来自中心1和中心3的两名放射科医师(读者1和读者2,分别具有3年和6年前列腺影像经验)基于T2WI、DWI/ADC和DCE成像评估指数病灶的PI-RADS,即PI-RADSjunior。评估的其他步骤见补充材料第1节。

基于组织病理学-影像学匹配,使用ITK-SNAP(开源软件,v3.8.0;www.itksnap.org)在连续T2WI轴位切片上分割病灶的整个三维感兴趣体积(VOI)。手动分割的详细内容见补充材料第2节。

组织病理学

作为患者管理的标准组成部分,PI-RADS评分≥3分的患者接受了靶向标准经直肠超声(TRUS)/MRI融合或认知融合靶向穿刺活检,并结合系统穿刺活检。泌尿病理学家使用2014年ISUP标准[18]审阅了组织病理学切片。ISUP≤2组被指定为非csPCa组,ISUP>2组为csPCa组;组织病理学发现的其余细节总结于补充材料第3节。

影像组学特征提取

使用FeatureExplorer(v0.5.2)[19]提取影像组学特征,该软件是基于PyRadiomics(v3.0)的影像组学研究开源软件。该过程的细节在补充材料第4节中声明。最终,从三个序列中共提取了292个特征。使用ComBat减轻不同中心之间特征分布的差异[20]。

特征选择与影像组学模型开发

我们以患者为单位,将中心1和中心2的数据按7:3的比例随机分为训练队列(n = 762)和内部测试队列(n = 327)。来自中心3(n = 279)和中心4(n = 248)的数据被用作两个独立的外部测试队列。

为了消除训练数据集中的不平衡,我们通过重复随机病例进行上采样,使阳性/阴性样本数量相等。使用z-score对每个特征进行归一化,即减去均值并除以标准差。对归一化后的特征进行降维。计算每对特征之间的皮尔逊相关系数(PCC),若PCC值>0.99则剔除其中一个特征。使用方差分析(ANOVA)进行特征选择,基于训练队列中的标签计算每个特征的F值。用于预测csPCa的所选特征总结于表S2。最后,在所选特征上分别训练随机森林(RF)、支持向量机(SVM)、逻辑回归(LR)和线性判别分析(LDA)模型以构建影像组学模型。我们在训练队列上使用5折交叉验证来确定流程的超参数,包括所选特征数量、核函数或四种分类的正则化参数,之后使用达到最高交叉验证性能的超参数在整个训练队列上训练最终模型。机器模型流程的细节如图S1所示。最终模型的预测结果在后续分析中用作影像组学评分(Rad-score)。

首先,将预测csPCa的影像组学模型与放射科医师的PI-RADSjunior、PI-RADSsenior和PI-RADSexpert的判别性能进行比较。其次,测试队列中的每位患者均有一个Rad-score;当Rad-score高于截断值时,患者的评估被视为阳性。相反,当Rad-score小于截断值时,患者的评估被视为阴性。实际上,当影像组学模型产生阳性评估时,PI-RADSjunior、PI-RADSsenior和PI-RADSexpert被升级,但最高评分5除外。相反,如果影像组学模型产生阴性评估,放射科医师的三个PI-RADS被降级,但最低评分1除外。三个调整后的PI-RADS分别被命名为adjusted_PI-RADSjunior、adjusted_PI-RADSsenior和adjusted_PI-RADSexpert。第三,我们比较了不同ISUP亚组之间的Rad-score分布。数据处理流程图,包括数据标注、特征提取与选择以及模型构建与比较,如图2所示。

图2 影像组学模型开发与测试的工作流程。首先,在轴位T2WI上手动分割索引病灶以进行影像组学分析。其次,从T2WI、DWI和ADC中提取影像组学特征。第三,在所选特征上分别训练随机森林(RF)、支持向量机(SVM)、逻辑回归(LR)和线性判别分析(LDA)以单独构建影像组学模型,并通过逻辑回归模型获得相应的影像组学评分(Rad-score)。第四,在测试过程中,模型使用一个内部测试队列和两个外部测试队列进行测试。ROC,受试者工作特征;DCA,决策曲线分析;PI-RADS,前列腺影像报告和数据系统 查看原图 ↗

统计分析

根据正态性检验,变量以中位数和范围或均数和标准差表示。采用独立样本t检验比较呈正态分布的连续变量。采用Shapiro–Wilk检验进行正态性检验。采用Mann–Whitney检验比较非正态分布的连续变量。

所有模型均通过受试者工作特征(ROC)曲线进行评估。还计算了ROC曲线下面积(AUC)。截断值根据训练队列上的最大Youden指数确定,并计算相应的混淆矩阵以估计灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)。采用DeLong检验比较模型的ROC曲线。采用Spearman分析评估Rad-score与ISUP之间的相关性。汇总受试者工作特征(SROC)曲线被推荐用于代表基于荟萃分析数据的诊断试验性能;因此,我们使用SROC评估诊断性能。采用决策曲线分析(DCA)估计净获益的风险阈值;使用影像组学质量评分清单评估本研究的质量(补充第5节)。

统计分析使用Python(版本3.8.3)、R Studio(版本1.4)和MedCalc软件(版本19.6.4)进行。双侧p < 0.05被认为具有统计学意义。

结果

研究特征

本研究共纳入来自四个中心的1616例患者。来自中心1和中心2的入选患者被合并后随机分为训练队列(n = 762,243例(31.9%)为csPCa,135例(17.7%)为ciPCa,384例(50.4%)为良性)和内部测试队列(n = 327,104例(31.8%)为csPCa,58例(17.7%)为ciPCa,165例(50.5%)为良性)。来自中心3和中心4的患者被收集作为外部测试队列(中心3:n = 279,65例(23.3%)为PCa,49例(17.6%)为ciPCa,165例(59.1%)为BPH;中心4:n = 248,120例(48.4%)为PCa,24例(9.7%)为ciPCa,104例(41.9%)为BPH)。随机重新拆分显示训练队列与内部测试队列在年龄、PSA、D_max、病灶位置、精囊侵犯(SVI)、包膜外侵犯(ECE)和淋巴结侵犯(LNI)方面均无显著差异(均p > 0.05)。四个中心患者的临床特征见表1。

表1 训练队列及内部和外部测试队列的基线特征 查看原表 ↗

三位放射科医师的PI-RADS诊断性能

PI-RADS预测csPCa的性能见图S2。对于csPCa预测,PI-RADSexpert在内部和外部测试队列中获得的AUC均高于PI-RADSjunior和PI-RADSsenior(图S2)。PI-RADSjunior(内部:AUC = 0.845 [0.796–0.894];中心3:AUC = 0.823 [0.765–0.882])与PI-RADSexpert(内部:0.892 [0.855–0.929],中心3:0.884 [0.838–0.930])在内部测试队列(p = 0.041)和中心3外部测试队列(p = 0.003)中的差异,以及PI-RADSjunior(AUC = 0.858 [0.808–0.908])与PI-RADSsenior(AUC = 0.867 [0.818–0.916])在中心4外部测试队列中的差异(p = 0.046)具有统计学意义,而其余差异均无统计学意义(均p > 0.05)。

影像组学模型的性能和临床应用

使用不同机器学习算法(即RF、SVM、LR和LDA)的影像组学模型的性能总结于图S3。四种算法预测csPCa的交叉验证结果总结于表S3。与其他三种算法构建的影像组学模型相比,使用RF算法的影像组学模型获得了最高的AUC。因此,我们在后续应用中选择了使用RF算法的影像组学模型。使用RF算法的影像组学模型在内部测试队列(AUC = 0.874,[0.834–0.915])(均p < 0.05)、中心3外部测试队列(AUC = 0.876 [0.831–0.920])(均p < 0.05)和中心4外部测试队列(AUC = 0.893 [0.853–0.933])(均p > 0.05)中预测csPCa均表现出最高的预测性能(图S3)。在内部测试队列以及中心3和中心4外部测试队列中,预测csPCa的SEN分别为83.7%(87/104)、87.7%(57/65)和90.0%(108/120),SPE分别为78%(174/223)、77.6%(166/214)和73.2%(94/128)。

当三名放射科医生的PI-RADS根据影像组学模型的预测进行调整后,其诊断性能得到提高(表2)。值得一提的是,三名不同水平放射科医生调整后的PI-RADS对csPCa预测的特异度(SPE)在略微牺牲灵敏度(SEN)的情况下显著提高。如图3所示,三名放射科医生在预测csPCa方面的各项性能均有所提高;仅初级放射科医生在内测队列中的差异(p = 0.01)以及初级和高级放射科医生在中心4外测队列中的差异(p = 0.030和p = 0.031)具有显著性,而三个测试队列中其余差异均不显著(均p > 0.05)。

为提供全面的解释,采用贝叶斯荟萃分析的SROC曲线和森林图,在内测队列以及中心3和中心4的外测队列中评估了三名不同水平放射科医生的PI-RADS、影像组学模型以及三名不同水平放射科医生调整后的PI-RADS的独立效应和整合效应(图4)。此外,图5总结了影像组学模型、三名不同水平放射科医生评估的PI-RADS以及三名不同水平放射科医生调整后的PI-RADS预测csPCa的DCA结果。

分析了csPCa预测模型产生的Rad评分与ISUP之间的关系。参与者水平的相关性显示,csPCa模型的Rad评分与ISUP在内测队列(r = 0.690,p < 0.0001)、中心3外测队列(r = 0.700,p < 0.0001)和中心4外测队列(r = 0.688,p < 0.0001)中均呈正相关(图6)。

在后续步骤中,我们进一步评估了影像组学模型在预测csPCa中对减少PI-RADS 3类不确定患者比例的贡献。PI-RADS评分为3的病灶为中间型或不确定型病灶,对临床管理构成重大挑战[6]。在本研究中,我们发现当不同专业水平的放射科医生使用影像组学模型预测csPCa时,三个测试队列和总体参与者中PI-RADS 3类患者的比例均下降(三名不同放射科医生的总体下降百分比分别为7.5%、16.1%和2.1%)(图S4)。各测试队列中PI-RADS患者增加和减少的详细比例总结于补充材料第6节。

表2 三名不同水平放射科医生调整后的PI-RADS在内测队列及中心3和中心4外测队列中预测csPCa的诊断性能 查看原表 ↗
图3 调整后的PI-RADS与三位不同放射科医师的PI-RADS在内部测试队列、中心3外部测试队列和中心4外部测试队列中预测csPCa的诊断性能比较。与PI-RADS相比,调整后的PI-RADS在预测csPCa方面的AUC有所提高;在内部测试队列中,PI-RADSjunior与adjusted_PI-RADSjunior之间的统计学差异(p = 0.010)显著;在中心4外部测试队列中,PI-RADSjunior与adjusted_PI-RADSjunior(p = 0.030)以及PI-RADSsenior与adjusted_PI-RADSsenior(p = 0.031)之间的统计学差异显著。注:ROC,受试者工作特征曲线;AUC,ROC曲线下面积;中心3,CSH,常熟市第一人民医院;中心4,TZH,泰州市人民医院;csPCa,临床显著性前列腺癌 查看原图 ↗
图4 放射组学模型、三位放射科医师的PI-RADS以及三位放射科医师调整后的PI-RADS在内部测试队列(a)、中心3外部测试队列(b)和中心4外部测试队列(c)中预测csPCa的灵敏度、特异度和汇总受试者工作特征(SROC)曲线。该图使用荟萃回归分析展示了不同诊断方法的个体及合并灵敏度、特异度和SROC曲线下面积。注:ROC,受试者工作特征曲线;AUC,ROC曲线下面积;SROC,汇总受试者工作特征曲线;SEN,灵敏度;SPE,特异度;中心3,CSH,常熟市第一人民医院;中心4,TZH,泰州市人民医院;PI-RADS,前列腺影像报告和数据系统 查看原图 ↗
图5 放射组学模型、三位不同水平放射科医师的PI-RADS以及三位不同水平放射科医师调整后的PI-RADS在内部测试队列及中心3和中心4外部测试队列中预测csPCa的临床实用性评估的决策曲线分析(DCA)。注:中心3,CSH,常熟市第一人民医院;中心4,TZH,泰州市人民医院;PI-RADS,前列腺影像报告和数据系统 查看原图 ↗
图6 箱线图展示了在内部测试队列、中心3外部测试队列和中心4外部测试队列中,Rad-score在预测csPCa方面与ISUP之间的关系。参与者水平的相关性分析显示,在内部测试队列以及中心3和中心4的外部测试队列中,预测csPCa的Rad-score与ISUP呈正相关。注:ISUP,国际泌尿病理学会;中心3,CSH,常熟市第一人民医院;中心4,TZH,泰州市人民医院;PI-RADS,前列腺影像报告和数据系统 查看原图 ↗

讨论

建立csPCa的无创精准诊断并表征其病理特征,对于预测临床结局和指导前列腺疾病的管理非常重要[21]。在这项回顾性、多中心研究中,我们开发并验证了使用四种不同算法的放射组学模型,用于术前预测csPCa及其侵袭性,并与不同经验水平放射科医师获得的PI-RADS进行比较。我们从4个三级医疗中心的1616例患者队列中获得的结果显示,该放射组学模型可能准确预测csPCa及其侵袭性,并进一步帮助放射科医师,尤其是实践经验较少的初级医生,提高其临床诊断性能。

与以往研究相比,本研究有几项创新。第一,在本研究中,我们应用ComBat进行特征协调,以减轻不同中心之间特征分布的差异并提高模型性能[20]。第二,我们使用多中心数据比较了具有不同临床经验的放射科医师的诊断性能,发现使用RF算法的影像组学模型的诊断性能与PI-RADSexpert和PI-RADSsenior相当,且优于PI-RADSjunior。第三,在将影像组学模型整合到PI-RADS后,调整后的PI-RADS性能得到改善,这表明影像组学模型可能成为放射科医师潜在的放射学评估工具。最后,在三个测试队列中,csPCa预测模型的Rad-score与ISUP呈正相关,表明基于影像组学特征的Rad-score可用于表征前列腺癌的侵袭性。

以往的单中心研究已将影像组学用于利用MRI预测PCa和csPCa。Gong等[22]表明影像组学可无创识别高级别PCa。Chidozie及其同事[16]显示,MRI的定量灰度共生矩阵(GLCM)纹理分析可作为无创影像技术用于预测临床显著癌症。此外,Qi等[23]证明影像组学模型可在PSA为4–10 ng/mL的男性中预测PCa。Gugliandolo及其团队[24]进行了一项前瞻性试验,发现基于MRI的影像组学是预测PCa特征的有前景工具。与上述研究完全一致,本研究进一步比较了影像组学模型与放射科医师的诊断性能,并利用多中心数据通过预测ISUP评估影像组学在表征前列腺癌侵袭性中的作用。研究发现,该影像组学模型可区分csPCa,甚至可提示ISUP以表征前列腺癌的侵袭性。此外,为评估模型的泛化性能,使用两个独立的外部测试队列检验模型预测csPCa的能力和准确性。我们发现模型在两个测试队列中均取得令人满意的预测,表明影像组学模型具有良好的泛化和稳定性。据我们所知,这是首个基于来自多个厂商的多中心数据,在csPCa和ISUP分类背景下探讨影像组学模型泛化性的研究。

当根据影像组学预测结果调整放射科医师的PI-RADS时,特异性显著提高,而敏感性略有下降。影像组学辅助的PI-RADS高敏感性可能导致临床实践中的过度诊断和过度治疗[25]。另一方面,特异性的提高意味着更多患者可以避免立即进行活检或根治性前列腺切除术(RP)[26]。经影像组学模型调整后的PI-RADS可能提供更全面的工具,用于推荐对可能不需要立即治疗的患者进行监测,同时对侵袭性前列腺癌患者保持相对较高的敏感性。如决策曲线分析(DCA)所示,不同水平放射科医师调整后的PI-RADS显示出比基于PI-RADS评估更大的净获益,也就是说,影像组学模型的调整策略可以带来临床获益。

在临床实践中,对PI-RADS分类患者进行活检的风险-获益比仍存在争议。以PI-RADS专家为例,尽管PI-RADS由在前列腺MRI诊断方面具有丰富诊断经验的专家放射科医师评估,仍有11.5%的患者具有临床显著前列腺癌(csPCa)的不确定发现,所有这些患者均接受了痛苦的活检,更不用说由在前列腺MRI诊断方面经验较少的初级或高级放射科医师评估的PI-RADS。然而,当应用影像组学模型时,不确定患者的比例降至9.4%,这意味着更多患者可以避免不必要的痛苦活检。因此,影像组学模型可作为个性化医疗中预测csPCa的替代方法,特别是在临床任务繁重且缺乏专家级放射科医师的情况下。

本研究也存在一些局限性。首先,并非所有患者均因不同临床原因接受RP治疗;对于部分患者,活检病理被用作标准参考。事实上,一些研究已报道活检是检测前列腺癌(PCa)的可靠方法[27, 28]。其次,模型的验证应通过未来的前瞻性多中心研究进行。第三,尽管调整后的PI-RADS在三个测试队列中诊断性能有所提高,但鉴于多中心数据集的不一致性,难以观察到PI-RADS与影像组学模型整合所带来的所有统计学显著性能改善。

结论

在本研究中,我们使用来自四个中心的大型非均质队列评估了影像组学模型预测csPCa的泛化能力。该影像组学模型是一种强大的、非侵入性的辅助工具,可用于预测csPCa的侵袭性、减少不必要的活检,并提高不同临床经验放射科医师的PI-RADS诊断性能。

补充信息

附加文件1:补充材料第1节。MRI采集与PI-RADS评估。补充材料第2节。MRI采集与PI-RADS评估。补充材料第3节。组织病理学。补充材料第4节。补充材料第5节。补充材料第6节。结果。图S1。机器学习模型的详细流程。注:中心1,SUH1st,苏州大学附属第一医院;中心2,SUH2nd,苏州大学附属第二医院;中心3,CSH,常熟市第一人民医院;中心4,TZH,泰州市人民医院;PCa,前列腺癌。ML,机器学习。图S2。三名不同放射科医师的PI-RADS在内部测试队列以及中心3和中心4的外部测试队列中预测csPCa的诊断性能。ROC,受试者工作特征曲线;AUC,ROC曲线下面积;ACC,准确率;SEN,灵敏度;SPE,特异度;中心3,CSH,常熟市第一人民医院;中心4,TZH,泰州市人民医院;csPCa:临床显著性前列腺癌;PI-RADS:前列腺影像报告和数据系统。图S3。使用四种不同机器学习算法的影像组学模型在内部测试队列、中心3的一个外部测试队列和中心4的一个外部测试队列中预测csPCa的诊断性能比较。使用RF算法的影像组学模型在所有外部测试队列中具有最高的预测性能;在内部测试队列和中心3的一个外部测试队列中差异具有统计学意义;然而,在中心4的外部测试队列中差异不显著。注:ROC,受试者工作特征曲线;AUC,ROC曲线下面积;ACC,准确率;SEN,灵敏度;SPE,特异度;中心3,CSH,常熟市第一人民医院;中心4,TZH,泰州市人民医院;RF:随机森林,SVM:支持向量机,LR:逻辑回归,LDA:线性判别分析;csPCa:临床显著性前列腺癌。图S4。当使用预测csPCa的影像组学模型调整PI-RADS时,初级、高级和专家放射科医师在所有测试队列中PI-RADS 3类患者的总比例。不确定发现的比例出现不同程度下降。表S1。四家机构的MRI扫描参数。表S2。预测csPCa中所选特征。表S3。使用四种不同机器学习算法的影像组学模型在训练队列中预测csPCa的交叉验证结果。

引用

  1. Bao J, Qiao X, Song Y, et al. Prediction of clinically significant prostate cancer using radiomics models in real-world clinical practice: a retrospective multicenter study. Insights Imaging. 2024. PMID: 38424368. doi:10.1186/s13244-024-01631-w
  2. 全文:PMC10904705(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10904705/

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。