文献速递泌尿生殖腹部PETMR

[18F]F-DCFPyL PET/MRI 全腺体分割影像组学用于前列腺内前列腺癌检测与转移预测

[18F]F-DCFPyL PET/MRI radiomics for intraprostatic prostate cancer detection and metastases prediction using whole-gland segmentation.
PubMed 文献 · Br J Radiol · 2025-01-01

单中心回顾性研究纳入103例未治疗前列腺癌患者,行[18F]F-DCFPyL PET/MRI全前列腺腺体分割影像组学分析,评估前列腺内临床显著前列腺癌(ISUP GG≥2)检测及N、M分期预测价值。T2w+PET混合模型检测csPCa的AUC最高(0.98),T2w+PET预测N1的AUC最高(0.80),T2w+ADC预测M1的AUC最高(0.93)。

要点

  • 全腺体分割影像组学中,T2w+PET混合模型检测ISUP GG≥2前列腺癌的AUC最高(0.98,95%CI 0.937–1.000)。
  • 预测N1时T2w+PET混合模型AUC最高(0.80,95%CI 0.592–1.000),敏感度0.667。
  • 预测M1时T2w+ADC模型AUC最高(0.93,95%CI 0.774–1.000),单ADC变量阈值0.556时敏感度1.00、特异度0.786。

核心结论

  • 全腺体[18F]F-DCFPyL PET/MRI影像组学可能为预测临床显著前列腺癌提供可靠模型,在有限人群中预测转移性疾病达到可接受的性能。

研究设计与样本

  • 单中心回顾性分析两项前瞻性临床试验(NCT03535831、NCT03149861)共103例未治疗前列腺癌患者,使用Biograph mMR PET/MRI平台,以组织病理学(前列腺活检)为参考标准定义csPCa(ISUP GG≥2),N、M分期采用复合参考标准(组织病理、影像相关及临床/生化随访)。

诊断标准与关键数值

  • T2w+PET混合模型检测csPCa的AUC为0.98(95%CI 0.937–1.000),年龄和PSA校正后AUC为0.923(95%CI 0.766–1.000),两者AUC可比(P=0.44)。
  • 单T2w影像组学变量(T2w GLZLM ZLNU)预测csPCa的Youden指数阈值为0.410,特异度1.000、敏感度0.846。
  • 年龄和PSA校正的T2w+PET全模型预测N1的AUC为0.799(95%CI 0.592–1.000),T2w+PET混合模型AUC为0.785(95%CI 0.557–1.000),两者敏感度均为0.667,AUC可比(P=0.57)。
  • T2w+ADC模型预测M1的AUC为0.929(95%CI 0.774–1.000),单ADC模型AUC为0.875(95%CI 0.675–1.000),两者AUC可比(P=0.22)。
  • 单ADC变量(ADC GLRLM SRE)预测M1的Youden指数阈值为0.556,特异度0.786、敏感度1.00。

临床应用与阅片要点

  • 全腺体分割较病灶手动勾画的操作者依赖性更低,可能减少影像组学特征提取在病灶定位与勾画上的变异性。
  • 作者认为PSMA PET/MRI影像组学特征有潜力作为前列腺癌活检前风险分层技术,可能通过影像组学为前列腺内检测与远处分期提供互补预测。
  • 作者指出需进一步前瞻性研究评估将PET/MRI影像组学纳入治疗决策是否能改善患者结局。

局限性

  • 患者数量相对有限,可能影响模型估计,该局限在远处转移亚组中更为突出。
  • 研究为单中心设计,未进行外部验证,限制了结果的普适性,尤其影像组学特征可能对厂商和协议差异敏感。
  • N和M分期分类采用复合参考标准,虽不完美但与其他试验所用参考标准相似,在无组织病理时结合影像相关和临床评估。
  • 特征提取的分割步骤采用手动分割,可能造成器官内靶病灶勾画的显著变异性,但全腺体分割已显示无显著读者间变异性。
全文中译8 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:Br J Radiol. 2025 Jan 23;98(1174):1606–14. doi: 10.1093/bjr/tqaf014

引言

前列腺癌(PCa)是男性人群中最常见的恶性肿瘤,也是癌症相关死亡的第二大常见原因。1 诊断通常通过靶向或系统穿刺活检后的组织病理学评估作出,最常见的是在检测到血清前列腺特异性抗原(PSA)水平升高后进行。2 目前,采用5级国际泌尿病理学会分级分组(ISUP GG)根据Gleason评分(GS)将患者分为不同的风险组。3 这种病理分组分类具有临床重要性(例如,ISUP GG1的男性大多接受主动监测,而ISUP ≥ 2的男性通常受益于根治性治疗)。

与其他方法相比,MRI被认为是检测临床显著(cs)PCa(ISUP GG ≥ 2)的首选影像学技术,即使在未行活检的患者中亦然,优于系统性经直肠超声(TRUS)活检。4 然而,MRI也可能遗漏约10%的临床显著csPCa,尽管关于实际遗漏比例的报道存在一些不一致的结果,部分研究报告了更高的比例。5,6 因此,需要进一步改进无创影像技术以提高csPCa的检出率。7

近年来,使用前列腺特异性膜抗原(PSMA)的正电子发射断层扫描(PET)已在前列腺癌诊疗的不同场景中得到了广泛评估,PSMA是PCa细胞中过表达的跨膜细胞表面蛋白。8–10 PSMA可被不同的PET示踪剂靶向以显像PCa病灶。[18F]F-DCFPyL(2-(3-(1-羧基-5-[(6-18F-氟-吡啶-3-羰基)-氨基]-戊基)-脲基)-戊二酸),一种第二代FDA批准的PSMA示踪剂,已在多种临床场景中展示了准确的结果。11–14 通过将PSMA PET和MRI的优势融合为混合模态,PSMA PET/MRI可用于PCa患者的评估。14–17

结合临床数据,影像组学是一种无创方法,在医学影像学中已显示出有前景的结果,尤其是在肿瘤学领域。18,19 PSMA PET/MRI衍生的影像组学特征已被证明能够提高PSMA PET/MRI的基线诊断准确性。20–22 在本研究中,我们旨在采用全腺体方法评估[18F]F-DCFPyL PET/MRI衍生影像组学特征在检测腺内csPCa及预测淋巴结和远处转移方面的价值。

方法

患者数据

这项经伦理审查委员会批准的对两项前瞻性临床试验(ClinicalTrials.gov标识符:NCT03535831 [队列A]和NCT03149861 [队列B])的回顾性分析纳入了103名确诊或疑似PCa的初治男性。23 该研究获得了医学影像科联合部门的批准,遵循了机构指南和法规,并按照《赫尔辛基宣言》进行。招募了三组患者:不良中危或高危PCa患者(n = 52)、考虑行局灶治疗的患者(n = 31),以及疑似PCa但系统性活检阴性或临床不一致的低危PCa患者(n = 20)。所有患者于2017年6月至2020年12月间入组,并接受了[18F]F-DCFPyL PET/MRI检查。所有参与者均获得了知情同意。排除标准包括既往接受过原发治疗的患者、具有显著肉瘤样或梭形细胞或神经内分泌分化的PCa,或根据科室安全指南存在MRI或钆对比剂禁忌证的患者。

成像方案

[18F]F-DCFPyL按文献既往所述方法合成。24 在PET/MRI平台上静脉注射324(±12)MBq的[18F]F-DCFPyL后118(±20)分钟采集PET图像。所有扫描均使用Biograph mMR(Siemens Healthcare,德国)完成。PET/MRI的成像方案按既往文献记录执行。25 简言之,全身MRI(颅顶至大腿上部)采用轴位Dixon序列进行衰减校正成像,并采集轴位VIBE T1增强后图像。前列腺多参数MRI按以下方式进行:多平面T2、轴位DWI(B值:0、50、900、1600 s/mm2)以及T1加权容积内插屏气(VIBE)检查(15个期相,最大时间分辨率<7 s,总采集时间1.26 min)。详细MRI参数见表S1和表S2。全身PET采集的视野与全身MRI相同(5-6个床位;全身采集每床位2-3 min)。另外还对骨盆区域增加了一个专用床位采集。

图像分割与影像组学特征提取

PET/MRI的影像组学特征分析使用LIFEx 6.1版软件(lifexsoft.org)26完成,基于 defined 感兴趣体积内像素强度的空间排列和变化,对多种影像组学特征进行定量。全前列腺分割在各模态上分别进行。27 在MRI上,评估全腺体T2加权序列和全腺体表观扩散系数(ADC)图。由于MRI部分(T2、ADC)无法使用阈值法,因此由一名具有五年前列腺MRI经验的放射科医生对MRI衍生的感兴趣体积(VOI)进行逐层手动勾画,以覆盖整个前列腺(全腺体分割)。这些VOI被共配准至混合PET图像以包含整个腺体,并通过背景阈值法进行复核。

影像组学特征共307个不同特征(表S3),按照图像生物标志物标准化倡议(IBSI)指南28从分割体积中提取,包括以下内容:常规指标、大小和形状特征以及纹理特征。特征提取流程见图1。该方法学已在既往发表文献中使用。29,30

图1. 本研究中的分割过程、特征提取和模型创建。 查看原图 ↗

参考标准

所有患者的前列腺可疑病灶均与组织病理学(前列腺活检)结果进行相关性分析。所报告的最高ISUP分级分组(GG)被视为代表整个前列腺。临床显著性前列腺癌(csPCa)定义为ISUP GG ≥ 2。对于淋巴结和远处转移的评估,采用复合参考标准来表征常规影像(CT和骨扫描±多参数磁共振成像(mpMRI))或PET上识别的所有病灶,并包括组织病理学、相关性影像学以及临床/生化随访(表S4)。辅助影像学检查的开具由治疗肿瘤科医生酌情决定。对于不一致的病灶,真阳性的定义基于由两位审阅者评估的复合参考标准,诊断标准此前已定义。31–34 具体而言,若淋巴结呈现前列腺癌转移的典型分布(沿从盆腔站至髂总淋巴结和腹膜后的上行途径淋巴结播散),和/或随访中大小变化与间期治疗相一致,则视为阳性。任何模态上多灶性转移性骨病灶的典型表现,或两种不同模态对孤立或少数病灶的一致性,被视为确认性依据。仅在根治性原发治疗后PSA不可测的男性中,骨病灶被视为良性。对于疑似内脏转移,在缺乏组织学证据的情况下,采用相关性影像学或随访影像上形态学变化与间期治疗相一致来确认。在常规影像和PET上均不符合恶性肿瘤标准的淋巴结及骨骼和内脏病灶被视为真阴性。根据美国癌症联合委员会(AJCC)癌症分期第8版,盆腔淋巴结(N)和远处转移(M)的临床分期针对常规影像和PET分别列表。35 PET/MRI上的不确定病灶被视为阴性。

统计分析

患者临床特征和结局以均值(标准差)或数量(百分比)进行总结。数据根据结局分为70%的训练数据(n = 73)和30%的测试数据(n = 30)。训练数据中的T2、ADC和PET影像组学变量通过标准化(中心化和缩放)、排除零方差或近零方差变量,以及基于成对Pearson相关系数截断值0.75(表示强相关)识别并排除相关预测变量进行预处理。共有56个和55个影像组学变量分别被评估为ISUP GG ≥ 2、N分期和M分期的可能预测变量(附录XX-1和XX-2)。测试数据使用训练数据的预处理参数进行中心化和缩放。训练数据中针对每个结局的潜在影像组学变量的选择通过正则化二项逻辑回归完成,使用最小绝对收缩和选择算子(LASSO),根据10折交叉验证的最小lambda值进行选择。ISUP GG ≥ 2、N分期和M分期结局中的不平衡问题通过合成少数类过采样技术(SMOTE)解决,对训练数据中的少数类进行过采样,使其与多数类达到最多1:1的平衡。过采样后的训练数据用于训练每个结局的二项逻辑回归模型,包括年龄和PSA的基础临床模型、单一成像模态(T2、ADC或PET)模型,以及通过10折交叉验证重复五次建立的年龄和PSA校正模型。报告了最终训练模型的比值比估计值、赤池信息准则(AIC)以及平均准确率。训练好的模型在测试数据上进行评估,基于灵敏度、特异度、阳性预测值、阴性预测值和受试者工作特征曲线下面积(AUC)进行性能比较评价。报告了单变量单一成像模态模型使用约登指数的分类阈值。成对AUC比较使用DeLong检验完成。统计分析使用R版本4.3.1(R Core Team, 2023)中的tidyverse(版本2.0.0)、corrplot(版本0.92)、glmnet(版本4.1-8)、caret(版本6.0-94)、epiR(版本2.0.70)和pROC(1.18.5)库完成。

结果

共研究了103例患者[平均年龄(标准差)=65.0(8.1);平均PSA(标准差)=23.4(42.3),表1]。根据组织病理学评估,10例患者前列腺癌(PCa)结果为阴性,4例为ISUP GG1,89例男性为临床显著前列腺癌(csPCa)(ISUP GG ≥ 2)。总计分别有20例和8例患者存在淋巴结(N1)和远处转移(M1)。N和M分期的详细参考标准结果见表S4。51例男性有随访数据,中位随访时间为18个月(范围:1-31个月)。为预测ISUP GG ≥ 2,从T2w(T2w GLZLM ZLNU)、ADC(ADC CONVENTIONAL ExcessKurtosis、ADC GLCM Homogeneity InverseDifference)和PET(PET DISCRETIZED SUV、PET NGLDM Busyness)模态中选择了5个影像组学变量。为预测N1病变,从T2w(T2 CONVENTIONAL Skewness、T2 CONVENTIONAL Kurtosis、T2 GLRLM LRE)和PET(PET GLRLM LRHGE、PET70% DISCRETIZED TLG)模态中选择了5个影像组学变量。为预测M分期(M1),从T2w(T2 DISCRETIZED Q2、T2 DISCRETIZED Skewness、T2 DISCRETIZED HISTO ExcessKurtosis)和ADC(ADC GLRLM SRE)序列中选择了4个影像组学变量。

在过采样之前,训练集中csPCa的类别分布为63例(86.3%)ISUP GG ≥ 2和10例(13.7%)ISUP GG < 2或阴性;N分期为16例(21.9%)N1和57例(78.1%)N0;M分期为6例(8.2%)M1和67例(91.8%)M0。过采样后的训练数据分布为csPCa 63例(51.2%)ISUP GG ≥ 2和60例(48.8%)ISUP GG < 2或阴性;N分期为48例(45.7%)N1和57例(54.3%)N0;M分期为66例(49.6%)M1和67例(50.4%)M0。测试数据分布为csPCa 26例(86.7%)ISUP GG ≥ 2和4例(13.3%)ISUP GG < 2;N分期为6例(20.0%)N1和24例(80.0%)N0;M分期为2例(6.7%)M1和28例(93.3%)M0。

评估了多种模型通过全腺体分割预测csPCa,训练后的完整模型获得了最高的训练准确度和最佳模型拟合(平均准确度=0.917,AIC=68.9),显示与年龄(OR=1.16,95% CI=1.01,1.36,P=.046)、PSA(OR=1.41,95% CI=1.13,1.92,P=.010)、T2w GLZLM ZLNU(OR=0.08,95% CI=0.02,0.26,P<.001)、ADC CONVENTIONAL Excess Kurtosis(OR=11.1,95% CI=3.01,75.7,P=.002)和PET DISCRETIZED SUV(OR=0.06,95% CI=0.01,0.21,P<.001;表2)有强关联。

对于基于M分期(M1)预测患者前列腺外状态的训练模型,训练后的完整模型获得了最高的训练准确度和良好的模型拟合(平均准确度=0.902,AIC=86.6),显示与T2w DISCRETIZED Q2(OR=0.03,95% CI=0.00,0.18,P=.001)、T2w DISCRETIZED Skewness(OR=16.9,95% CI=3.99,122.0,P=.001)、T2w DISCRETIZED HISTO ExcessKurtosis(OR=0.12,95% CI=0.02,0.64,P=.022)和ADC GLRLM SRE(OR=0.10,95% CI=0.02,0.30,P<.001)变量有强关联(表3)。

对于基于N分期(N1)预测淋巴结受累的训练模型,最高的训练准确度和最佳模型拟合来自基于影像的T2w + PET混合模型(平均准确度=0.773,AIC=99.0),显示与T2w CONVENTIONAL Kurtosis(OR=4.01,95% CI=1.06,19.4,P=.06)和PET70% DISCRETIZED TLG(OR=4.89,95% CI=1.02,30.9,P=.07)变量有关联(表4)。

表5展示了针对csPCa和M1分期结局评估的模型的比较性能。关于csPCa预测模型的性能,基于影像的混合模型(T2w + PET)提供了最高的AUC(0.981,95% CI = 0.937,1.000),其次是其经年龄和PSA校正的对应模型(AUC = 0.923,95%CI = 0.766,1.000),两者AUC相当(P = .44)。值得注意的是,对于用于预测csPCa的单一T2w放射组学变量(T2w GLZLM ZLNU),基于约登指数的分类阈值为0.410,特异度为1.000,敏感度为0.846。

N1模型的性能评估显示,经年龄和PSA校正的T2w + PET完整模型AUC最高(AUC = 0.799,95% CI = 0.592,1.000),其次是混合T2w + PET模型(AUC = 0.785,95% CI = 0.557,1.000),两者敏感度相似,均为0.667,AUC相当(P = .57)。

在M1分期预测模型的性能方面,T2w + ADC模型显示最高的AUC(0.929,95% CI = 0.774,1.000),其次是单一ADC模型(AUC = 0.875,95% CI = 0.675,1.000),两者AUC相当(P = .22)。值得注意的是,单一ADC变量(ADC GLRLM SRE)基于约登指数的分类阈值为0.556,特异度为0.786,敏感度为1.00。

表1. 患者特征(n = 103)。 查看原表 ↗
表2. ISUP GG ≥ 2最终逻辑回归模型估计值及训练数据准确度。 查看原表 ↗
表3. M分期(M1)最终逻辑回归模型估计值及训练数据准确度。 查看原表 ↗
表4. N分期(N1)最终逻辑回归模型估计值及训练数据准确度。 查看原表 ↗
表5. 在测试数据上评估的模型的敏感度、特异度、阳性和阴性预测值及AUC。 查看原表 ↗

讨论

在本研究中,我们评估了全前列腺腺体来源的放射组学特征在103例临床怀疑或活检证实的前列腺癌(PCa)患者中预测前列腺内和前列腺外状态的关联和价值。我们的研究表明,混合[18F]F-DCFPyL PET/MRI(T2w + PET)全腺体来源的放射组学是检测csPCa表现最佳的模型(AUC = 0.98)。此外,N1预测模型的性能评估再次显示T2w + PET的AUC最高(AUC = 0.80)。然而,在预测M1分期方面,仅基于MRI的模型(包括T2w和ADC)显示了最高的AUC(=0.93)。

越来越多的文献表明,源自可疑前列腺内病灶的PSMA PET放射组学具有重要价值。例如,Aksu等旨在利用单一模态PSMA PET衍生的放射组学特征来预测所检测病灶的GS。他们开发的模型在检测ISUP GG 4-5患者方面显示出良好结果。36类似地,Zamboglu等研究了中危和高危PCa患者,并表明源自单独分割的肿瘤病灶的放射组学特征能够区分低级别(ISUP GG 1-3)和高级别(ISUP GG 4-5)GS的病灶。37此外,研究发现,基于较高GS可预测较高淋巴结转移概率这一事实,他们能够观察到放射组学与患者N分期(N0 vs N1)之间的关系。Cysouw等也手动勾画了前列腺内肿瘤病灶,并表明源自18F-DCFPyL PET的放射组学特征能够预测患者的ISUP GG(1-3 vs 4-5;AUC = 0.81)、包膜外侵犯的存在(AUC = 0.76)、淋巴结受累(N0 vs N1;AUC = 0.86)以及淋巴结/远处转移(AUC = 0.86)。22

在随后的一项研究中,Zamboglu等对不含可见肿瘤病灶的组织进行了全腺体勾画,并发现[68Ga]Ga-PSMA-11 PET衍生的放射组学能够识别前列腺腺体内视觉上遗漏的PCa。38Yi等也研究了不可见的前列腺内病灶,以开发并验证原发性PCa的PSMA PET衍生放射组学模型。39他们训练的随机森林模型的性能基于标准PET、延迟PET以及两者联合进行计算。在外部验证中,标准PET、延迟PET以及两者联合的训练模型AUC分别为0.90、0.86和0.93。

考虑到MRI形态学纹理在肿瘤病灶中的附加价值,Papp等表明[68Ga]Ga-PSMA-11 PET/MRI双模态机器学习模型能够区分低(<4)和高(≥4)GS,其低与高的定义与Zamboglu等不同。21值得注意的是,他们排名靠前的大多数1k折模型特征均源自PET。类似地,Feliciani等在[68Ga]Ga-PSMA-11 PET/MRI图像上勾画了肿瘤病灶,并报告了仅PET、仅MRI(ADC)和PET + MRI模型区分ISUP GG 1与ISUP GG ≥ 2的测试集平均AUC分别为0.53、0.67和0.49。40最近,Basso Dias等表明,联合[18F]F-DCFPyL PET/MRI放射组学模型在PCa病灶表征方面能够优于临床模型。11

然而,与我们的研究相反,上述研究对肿瘤病灶进行了分割。由于病灶本身的定位需要专业知识,并且可能受到较高的观察者间变异性的影响(不一定在同一中心内,而是在中心之间),我们研究的主要差异和潜在附加价值在于采用全腺体方法进行放射组学预测。这可以防止放射组学特征提取在定位和勾画方面显著依赖于操作者。关于这种方法(全腺体评估而非病灶本身)的数据很少。Solari等人发表了一项与我们的研究在前列腺内评估方面相当的研究,包括T1w、T2w和[68Ga]Ga-PSMA-11 PET成像,并表明全腺体评估可以根据患者的原发性前列腺癌(PCa)Gleason评分(GS)(国际泌尿病理学会(ISUP)分级组(GG)1-3 vs ISUP GG 4 vs ISUP GG 5)对患者进行分类。20他们最佳的整体模型(使用支持向量机学习)是PET + ADC(准确率 = 0.82)。与我们的发现相似,他们表明即使是单模态模型也提供了显著准确的分类性能,优于基于临床参数的模型。值得注意的是,该研究使用了[68Ga]Ga-PSMA-11,与我们研究中使用的18F标记放射性药物相比具有不同的分辨率特性。虽然理论上更高分辨率的PET成像应能提供改进的放射组学特征评估,但文献中没有对不同PSMA示踪剂放射组学评估之间的比较。

此外,Ghezzo等人使用全前列腺分割方法研究了47例PCa患者。41他们近一半的患者(n = 25)接受了[68Ga]Ga-PSMA-11 PET/MRI,其余接受了[68Ga]Ga-PSMA-11 PET/CT。他们仅针对PET成分进行研究,并报告PET衍生的放射组学结合机器学习方法在预测术后ISUP GG方面与穿刺活检的组织病理学评估相比可达到略高(无统计学显著性)的准确率。因此,支持了这种高度可重复的分割方法的价值。然而,他们根据ISUP GG < 4 vs ISUP GG 4-5对其人群进行了二分法分类,这与我们的分类不同,因此使他们的模型性能无法与我们所达到的结果进行比较。

尽管他们为所评估的模型提供了可接受的预测性能,但先前发表的关于全腺体分割价值的研究中,没有一项审查了全腺体模型在预测患者前列腺外状态方面的价值,这是我们研究的另一个方面。我们的研究表明,PSMA PET/MRI放射组学特征有潜力作为PCa活检前风险分层的技术。这在局限性疾病患者的治疗选择中可能具有重要意义,其中有不同的治疗选择可供使用,包括主动监测、局灶消融治疗和根治性治疗。它还强化了PET/MRI作为PCa前列腺内检测和远处分期一站式平台的潜力,可能通过放射组学提供互补的预测。需要进一步的前瞻性研究评估将PET/MRI放射组学纳入治疗决策,以确定这种方法是否能改善患者预后。

本研究存在局限性。第一,我们评估的患者数量相对有限,这可能影响模型估计值。这一局限性在远处转移患者亚组中更为突出。第二,我们的研究设计为单中心研究,未进行外部验证,限制了结果的普适性,尤其考虑到影像组学特征可能对供应商和扫描方案的差异较为敏感。然而,我们获得了稳健的内部验证,在一定程度上解决了这一问题。第三,对于N分期和M分期的分类,使用了复合参考标准。尽管并不完美,我们使用的参考标准与其他试验相似,21,40结合了组织病理学相关性,以及在无法获得组织病理学结果时,结合了相关影像学和临床评估。值得注意的是,对于前列腺内病灶,所有参与者均以组织病理学作为参考标准。最后,我们在特征提取的勾画步骤中使用了手动分割。虽然这可能是器官内靶病灶勾画中显著变异的来源,但已有研究表明,全腺体分割的读者间变异无显著性。42

总之,混合[18F]F-DCFPyL PET/MRI影像组学(全腺体T2w + PET)是我们研究中预测ISUP GG ≥ 2前列腺癌表现最佳的模型。这可能提示全腺体混合PET/MRI模型在无创检测临床显著前列腺癌(csPCa)方面具有潜在补充价值。此外,全腺体T2w + PET模型可预测N1期疾病,T2w + ADC模型在M1预测方面显示出高准确率。因此,我们的发现可能提示,将前列腺作为一个整体进行评估对于前列腺癌患者进一步治疗方案的个体化可能具有潜在价值。仍需开展带外部验证的进一步研究以确认全腺体影像组学在前列腺癌中的作用。

补充材料

引用

  1. Mirshahvalad SA, Basso Dias A, Ortega C, et al. [18F]F-DCFPyL PET/MRI radiomics for intraprostatic prostate cancer detection and metastases prediction using whole-gland segmentation. Br J Radiol. 2025. PMID: 39847533. doi:10.1093/bjr/tqaf014
  2. 全文:PMC12515043(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12515043/

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。