文献速递泌尿生殖腹部MR

基于多中心影像组学数据提升前列腺癌ISUP分级预测

Enhanced ISUP grade prediction in prostate cancer using multi-center radiomics data.
PubMed 文献 · Abdom Radiol (NY) · 2025-03-06

本研究纳入多中心1500例前列腺癌患者,基于T2WI、ADC和DWI提取前列腺外周带(PZ)和中央腺体(CG)的影像组学特征,用随机森林构建ISUP分级预测模型。测试集上PZ+CG联合模型AUC为0.928(95%CI: 0.872, 0.966),优于PZ模型(AUC 0.838;95%CI: 0.722, 0.920)和CG模型(AUC 0.904;95%CI: 0.851, 0.945)。结论认为基于解剖亚区的影像组学特征有助于提升ISUP分级预测,未来需进一步验证。

要点

  • 联合PZ+CG影像组学模型在测试集AUC 0.928(95%CI: 0.872, 0.966),优于单独PZ或CG模型。
  • CG模型对ISUP 1和ISUP 5预测效果最好,ISUP 5的混淆矩阵结果达到1。
  • PZ+CG联合模型主要改善ISUP 2–4(中高级别)的预测结果。

核心结论

  • 基于前列腺解剖亚区提取的影像组学特征有助于提升ISUP分级预测,PZ+CG联合可提供更全面信息并提高准确性。
  • 原文结论指出未来需进一步验证该策略以增强其改善临床决策的前景。

研究设计与样本

  • 研究类型为基于多中心数据集(PI-CAI公开训练与开发数据集)的影像组学建模研究,共纳入1500例前列腺癌患者。
  • 数据来自多个中心:Radboud University Medical Center、University Medical Center Groningen、Ziekenhuis Groep Twente。
  • 每个患者包含轴位T2WI、轴位DWI和轴位ADC图像,均无动态对比增强(DCE)序列。
  • 使用半监督深度学习在T2WI上自动分割前列腺外周带(PZ)和中央腺体(CG,包括移行区和中央区),并由一名放射学专家手动验证。
  • 参考标准为国际泌尿病理学会(ISUP)分级,共ISUP 0–5六个统计组。

关键影像表现/征象

  • 原文未报告与阅片直接相关的影像征象描述,影像组学特征主要反映肿瘤异质性、空间依赖性和纹理复杂度。

诊断标准与关键数值

  • 测试集上PZ+CG联合模型AUC为0.928(95%CI: 0.872, 0.966)。
  • 测试集上PZ模型AUC为0.838(95%CI: 0.722, 0.920)。
  • 测试集上CG模型AUC为0.904(95%CI: 0.851, 0.945)。
  • CG模型对ISUP 1和ISUP 5预测效果最好,其中ISUP 5的混淆矩阵结果达到1。
  • PZ+CG联合模型主要改善ISUP 2–4的预测结果。

临床应用与阅片要点

  • 原文作者认为该影像组学方法在临床实践中可改善前列腺癌诊断流程,尤其在活检前风险评估方面,可能减少不必要的活检。
  • 原文作者认为对于模糊病例,该方法可提供更准确的ISUP分级,优化患者治疗策略。
  • 原文指出既往影像组学模型多需手动分割前列腺癌病灶,临床实用性有限,而本研究基于解剖亚区的策略再次验证前列腺整体特征与病理分级显著相关。

局限性

  • 部分患者的临床特征如前列腺特异性抗原水平和前列腺特异性抗原密度未能纳入预测模型,而这些是临床医生常用于评估前列腺癌侵袭性的指标。
  • 联合模型PZ+CG在ISUP 2–4的诊断性能提高,但在ISUP 1和ISUP 5略有下降,可能归因于多中心数据集中类别分布不平衡。
  • 尽管使用了多中心数据,但数据来源于单一数据集,可能引入潜在偏倚。
  • 未来研究应纳入不同人群或机构的独立数据集进行外部验证,并在模型开发中采用交叉验证技术以减少过拟合。
  • 原文结论指出需基于这些策略开展前瞻性研究以进一步验证模型的稳健性和临床适用性。
全文中译14 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). 2025 Mar 6;50(9):4301–10. doi: 10.1007/s00261-025-04858-3

引言

前列腺癌(PCa)是男性最常见的恶性肿瘤,其发病率在男性癌症中居首位[1]。预计到2024年,美国将有299,010例新诊断的前列腺癌病例,预计将有35,250人死于该疾病[2]。Gleason评分(GS)是评估前列腺癌侵袭性的病理学标准,但无法区分Gleason 3+4=7与4+3=7,这一显著缺陷影响患者诊疗,并促使人们努力改进评分系统[3, 4]。针对这一需求,国际泌尿病理学会(ISUP)引入了新的前列腺癌预后差异分级和分组系统,更新了传统的GS评分系统。ISUP将前列腺癌分为五个级别,其中ISUP 1(GS ≤ 3+3)被认为风险最低,而ISUP 5(GS 9–10)被认为风险最高[5]。ISUP分级为患者提供了更精确的癌症风险评估,因此准确识别前列腺癌的ISUP分级对于患者预后、风险分层以及个体化治疗方案的制定至关重要。前列腺癌ISUP分级的错误分类可能导致不恰当的治疗决策,例如将较高分级肿瘤的患者置于主动监测之下,而该患者可能需要确定性治疗,从而可能导致疾病进展和更差的结局。

磁共振成像(MRI)是一种重要的影像学工具,对前列腺癌的诊断和管理具有显著的临床意义。多参数MRI通过三个成像序列——通常为T2加权成像(T2WI)、弥散加权成像(DWI)和动态对比增强成像(DCE)——对显著性癌症的检测具有高敏感性和特异性[6]。然而,多参数MRI需要使用对比剂且扫描时间较长,而双参数MRI(包括T2WI和弥散加权成像)具有避免穿刺、避免注射钆增强剂、扫描时间更短以及价格更低的优势,使其成为前列腺癌分期和新诊断中越来越重要的评估方法[7, 8]。表观弥散系数(ADC)值与多种恶性肿瘤的组织学分级相关。DWI序列和ADC图被认为是通过分析来检测和表征病变的主要工具[9–12]。然而,影像学中常用的前列腺癌风险评分系统,如PI-RADS[8],仅评估前列腺癌的临床实践风险。研究还发现,PI-RADS类别较高(4或5)的患者具有临床显著性前列腺癌的风险更大[13, 14],但前列腺癌影像学与前列腺癌病理分级之间用于指示严重程度和预后的直接相关性尚未得到充分探索。

放射组学是一个新兴的研究领域,主要通过从医学图像中提取大量定量信息来探索与疾病相关的内容,可用于疾病诊断、预后评估和治疗反应监测等多种临床应用,并指导个体化治疗方案[15,–18]。一些研究者[19–22]探索了小数据集,研究了基于[68Ga]Ga-PSMA-11 PET、[18 F] PSMA-1007 PET/CT和[68Ga] PSMA PET/CT的放射组学分析在前列腺癌(PCa)国际泌尿病理学会(ISUP)分级预测中的应用。其他研究尝试使用mpMRI和放射组学[23–26]筛选临床显著性PCa患者。尽管这些研究显示了令人鼓舞的结果,但由于样本量不足(每项研究少于500例),当数据集扩展时,所得结论可能不具有普遍适用性,且模型的泛化能力较弱。

本研究旨在利用大规模多中心数据集,探索基于解剖ROI提取的放射组学特征在PCa连续ISUP分级中的潜在价值,从而实现更准确的影像-病理相关性。

方法

患者

我们审查了PI-CAI:公共训练与开发数据集[27],该数据集包含来自多个中心(Radboud大学医学中心、Groningen大学医学中心、Ziekenhuis Groep Twente)的1500多例病例。PI-CAI数据集中的每位患者均包括三个成像序列:轴位T2WI、轴位DWI和轴位ADC图像。所有患者可能包括矢状位和冠状位T2WI序列,均不包括动态对比增强(DCE)序列。序列使用RAS坐标[28]进行对齐,大多数图像经视觉检查后对齐良好。对少数对齐较差的图像进行手动配准。

分割掩膜

前列腺外周带(PZ)和中央腺体(CG,包括移行区和中央区)的分割标签使用T2WI模态的半监督深度学习自动完成[27]。由一名放射学专家进行手动验证以确保解剖掩膜的质量,未发现明显的分割错误。ISUP = 0–5的T2WI、ADC和DWI图像病例示例以及T2WI上PZ/CG的掩膜见图1。由于我们使用的是公开可用的数据集,本研究无需机构审查委员会或《健康保险携带和责任法案》批准。

图1 T2WI、ADC和DWI图像示例及T2WI上PZ/CG的掩膜:T2WI的ISUP 0(a)、T2WI的ISUP 1(b)、T2WI的ISUP 2(c)、T2WI的ISUP 3(d)、T2WI的ISUP 4(e)、T2WI的ISUP 5(f)、ADC的ISUP 0(g)、ADC的ISUP 1(h)、ADC的ISUP 2(i)、ADC的ISUP 3(j)、ADC的ISUP 4(k)、ADC的ISUP 5(l)、DWI的ISUP 0(m)、DWI的ISUP 1(n)、DWI的ISUP 2(o)、DWI的ISUP 3(p)、DWI的ISUP 4(q)、DWI的ISUP 5(r)、ISUP 0的T2WI分割(s)、ISUP 1(t)、ISUP 2(u)、ISUP 3(v)、ISUP 4(w)和ISUP 5(x) 查看原图 ↗

特征提取

本研究的研究设计如图2所示。对于2个感兴趣区(ROI)和3个序列,使用Pyradiomics(https://github.com/AIM-Harvard/pyradiomics)[29]分别提取形状、一阶、纹理、小波、指数、梯度、lbp2d、lbp3d、对数、平方、平方根和对数特征,即每位患者共提取12,918个特征。在特征提取过程中,将binWidth设置为25,重采样像素间距设置为1 × 1 × 1,重采样方法设置为sitkBSpline,填充距离设置为10。

图2 本研究的研究设计。包括四个步骤:多中心数据集、特征提取、特征筛选以及建模与评估 查看原图 ↗

数据集划分与数据增强

采用随机抽样将15%的数据分配为测试集,其余保留用于训练。本研究使用的1500例患者的基线特征总结于表1。数据集在不同ISUP分级之间严重类别不平衡,因此在训练集中使用SMOTE算法[30]进行数据增强,而测试集保留其原始分布以确保评估可靠性。由于SMOTE算法在特征空间中合成新的少数类样本以平衡数据集,从而增加少数类样本的数量,进而提高模型对少数类的预测能力,因此SMOTE算法也适用于规模较小或资源较少的数据集,即数据集规模不影响结果的可重复性。

表1 ISUP = 0、ISUP = 1、ISUP = 2、ISUP = 3、ISUP = 4和ISUP = 5队列的特征。各类别极度不平衡 查看原表 ↗

不稳定特征排除

由于研究中心之间在实验条件、操作流程、样本来源、数据处理方法和其他因素方面存在差异,原始影像提取的某些特征可能不稳定。为进一步消除该因素对实验结果的影响,我们使用组内相关系数(ICC)[31]排除多中心之间不稳定的特征,仅保留ICC > = 0.75的特征。最终排除了426个不稳定特征,获得12,492个稳定特征。

特征选择

使用阈值为0.95的Pearson相关分析进行特征预筛选,即筛选出高度相关的特征以避免组效应。当特征高度相关时,模型可能过度选择一个特征而忽略其他相关特征。这被称为“组效应”。由于最小绝对收缩和选择算子(LASSO)回归[32]对离群值敏感且无法处理非线性关系,本研究使用最大深度为10的随机森林回归进行特征选择。最终,基于特征重要性,分别为下一步的PZ和CG建模各选择10个特征。对于联合PZ + CG模型,共使用20个特征,纳入PZ模型选择的10个特征和CG模型选择的10个特征。特征选择过程仅在训练集上进行。

模型构建与评估

基于不同解剖学感兴趣区(ROI)构建了三种影像组学模型,即PZ模型、CG模型和PZ + CG模型。所有模型均使用随机森林分类器构建,并通过网格搜索确定最优超参数。模型评估使用多种指标,如AUC-ROC和AUC-PR曲线、AUC和AUPRC值、准确率、召回率、精确率和kappa系数。

统计分析

使用Python 3.7.9(http://www.python.org)软件对临床特征进行统计分析。由于方差分析(ANOVA)用于比较一个或多个因变量中多组之间的差异,因此对不同组间的年龄变量采用ANOVA [33];对于前列腺特异性抗原水平、前列腺特异性抗原密度和前列腺体积等变量,由于其为非正态分布的连续变量,采用Kruskal-Wallis H检验 [34] 比较组间差异;对于中心这一变量,由于中心数据为无序且独立的,采用卡方检验。以P值小于0.05作为判断统计结果是否显著的 criterion。

结果

基线信息

本研究使用的1500例患者的基线特征总结于表1。根据ISUP评分,共有六个不同的统计分组:ISUP = 0、ISUP = 1、ISUP = 2、ISUP = 3、ISUP = 4和ISUP = 5。我们发现随着年龄增长,前列腺特异性抗原水平、前列腺特异性抗原密度和前列腺体积等临床变量均呈上升趋势。

不同解剖学ROI模型所选出的特征

PZ模型和CG模型使用随机森林回归器选出的10个重要特征及其特征重要性直方图分别见图3(a)和(b)。

在PZ模型中,3个特征来源于T2WI,7个特征来源于DWI,如图3(a)所示。T2WI中的小波GLcmImc1特征权重最大,反映了肿瘤内部的异质性和空间依赖性,而高级别前列腺癌(ISUP 3–5)通常表现出更高的异质性和侵袭性。DWI序列中的LBP3D和GLCM特征(如GlcmMCC和Glcmlmc2)进一步捕捉了肿瘤的三维空间异质性和结构复杂性,这些特征在区分高级别与低级别肿瘤中发挥重要作用。指数变换后的GLCM特征(如Glcmldmn和Glcmldn)可能突出DWI序列中肿瘤微结构的依赖性和非均匀变化,进一步辅助ISUP分级。此外,T2WI的小波Large AreaHighGrayLevelEmphasis和LoG LargeDependenceHighGrayLevelEmphasis特征分别反映高灰度值区域的大面积分布和空间依赖性,可能与高级别肿瘤的坏死或出血区域有关。DWI的指数Clustershade和Busyness特征捕捉了肿瘤的局部对比度和纹理复杂性。

在CG模型中,从T2WI衍生出1个特征,从ADC图获得2个特征,从DWI提取7个特征,如图3(b)所示。权重最高的特征是T2WI序列的LBP3D Range特征。通过局部二值模式(LBP3D)反映的强度变化范围体现了肿瘤区域的异质性,高级别肿瘤通常表现出更高的异质性。(ADC,LoG GlcmMCC)结合高斯拉普拉斯滤波(LoG)和灰度共生矩阵最大相关系数(GlcmMCC)来描述肿瘤内部结构的复杂性。高级别肿瘤通常具有更复杂的微结构。(DWI,Square Skewness)和(DWI,Wavelet Skewness)均通过偏度分析肿瘤区域强度分布的不对称性,这可能与肿瘤内的坏死或出血区域有关。(DWI,Gradient Zone%)和(DWI,Gradient SmallDependenceHighGrayLevelEmphasis)均基于梯度分析。前者描述肿瘤边缘的锐利度,后者反映高灰度像素的局部依赖性。二者共同提示高级别肿瘤可能具有更不规则的边缘和更多高信号区域。(DWI,Wavelet Clustershade)和(DWI,Wavelet Strength)均利用小波变换分析肿瘤区域的纹理和信号强度变化。前者描述纹理的复杂性,后者反映多尺度信号强度分布。高级别肿瘤通常表现出更复杂的纹理和显著的多尺度信号变化。

图3 10个重要特征的直方图及PZ模型(a)、CG模型(b)所选特征的重要性 查看原图 ↗

不同解剖ROI模型对ISUP分级任务的预测能力

不同解剖ROI模型在ISUP分级任务中的结果见表2。所有模型在训练集上均取得了较好的AUC。在测试集上,PZ模型的AUC为0.838(95%CI:0.722,0.920),CG模型的AUC为0.904(95%CI:0.851,0.945),PZ + CG模型取得了最佳性能(AUC:0.928;95%CI:0.872,0.966)。宏平均AUC-ROC曲线和宏平均AUC-PR曲线见图4。不同模型的混淆矩阵见图5。从图5中我们发现,CG模型对ISUP 1和ISUP 5的预测效果最好,尤其是ISUP 5,其混淆矩阵结果达到1。PZ + CG模型主要改善了ISUP 2–4的预测结果,对应PCa的中级别和高一级别。结果表明,PZ + CG模型能够在一定程度上提高前列腺癌ISUP分级的准确性。然而,当某一类别的病例数较少时,性能会略有下降。

表2 不同解剖ROI模型在ISUP分级任务中的结果。PZ + CG模型在测试集上表现最佳 查看原表 ↗
图4 (a) 不同解剖ROI模型的宏平均AUC-ROC曲线。(b) 不同模型的宏平均AUC-PR曲线。其中,PZ + CG模型具有最佳的AUC-ROC和AUC-PR曲线表现 查看原图 ↗
图5 三种解剖感兴趣区(ROI)模型的分类混淆矩阵。PZ模型混淆矩阵(a),CG模型混淆矩阵(b),PZ + CG联合模型混淆矩阵(c)。CG模型在预测ISUP 1和ISUP 5方面表现最佳,而PZ + CG模型主要改善了对ISUP 2–4的预测结果 查看原图 ↗

讨论

本文使用大型多中心前列腺数据集,探讨基于解剖ROI的影像组学分析对PCa ISUP分级的预测性能。结果表明,采用随机森林分类算法的联合模型(PZ + CG)在测试集上的表现优于单独的PZ模型和CG模型。

通过双参数MRI,影像组学结合随机森林算法,我们建立了PCa良好的影像-病理相关性。这再次证明了影像组学在泌尿系统肿瘤中反映病理分级的能力。既往研究也已证实,纹理特征或影像组学可以预测肾细胞癌的ISUP分级[35–37]。在临床环境中,首先,预先判断患者前列腺癌的严重程度对于决定最佳治疗方案至关重要。然而,仍存在一些不确定性,可能导致中危患者被错误分类,从而造成过度或不必要的治疗。我们的研究结果表明,影像组学特征预测可以提供一个有用的工具,帮助临床医生做出更准确的诊断,从而减少不必要的活检程序并防止中危患者被错误分类。其次,ISUP分级之间(例如1、2级与3–5级)的性能差异对患者治疗决策至关重要。特别是,对于低危PCa(ISUP 1)患者,由于恶性程度较低,可采用更保守的治疗策略,如主动监测[38, 39];对于中危PCa(ISUP 2)患者,主动监测和近距离放疗也是有利风险PCa的两种有效治疗选择,对于经过仔细选择的PCa,部分腺体消融是明智的选择[40];而对于ISUP 3–5级患者,由于肿瘤恶性程度较高,可能需要更积极的治疗策略,如手术或放疗,并可能联合内分泌治疗或化疗[41, 42]。因此,准确的ISUP分级评估对于制定个体化治疗方案至关重要,可帮助前列腺癌患者获得更好的治疗结果和更高的生活质量。

但是,既往在PCa定量分析中影像-病理相关性的工作[19–22]中,本研究实现了细粒度的分级对照,而非二分类(临床显著PCa / 非临床显著)分类。然而,所有这些模型都需要手动分割PCa区域,考虑到这些策略需要医生逐层分割病灶,更不用说与其他肿瘤相比确定PCa边界更为困难,这导致其临床实用潜力有限。正是出于同样的原因,基于人工智能的自动化PCa病灶分割在为影像组学提供病灶分割方面仍然具有挑战性[43]。

我们基于前列腺解剖区的影像组学策略再次验证了前列腺的整体特征与前列腺癌的病理分级显著相关[24, 44, 45]。我们发现,基于双参数MRI的影像组学分析能够有效预测前列腺癌的ISUP评分,为个性化治疗方案提供了重要依据。在实际临床实践中,该方法可改善前列腺癌的诊断流程,尤其是在活检前的风险评估方面。具体而言,它可以帮助临床医生判断患者是否需要立即手术或进一步的影像学检查,从而有可能降低不必要的活检率。此外,对于模棱两可的病例,该方法可提供更准确的ISUP分级,从而优化患者的治疗策略。通过使用随机森林模型综合分析影像特征,临床医生不仅可以指导个体化治疗,还可以在随访过程中持续监测患者的影像学变化,以及早发现可能复发的肿瘤,从而进一步提高患者生存率。

从PZ和CG感兴趣区的T2WI、ADC和DWI图像中共提取了12,918个基于图像的特征。在T2WI图像中,前列腺通常显示为两个不同的区域:CG(包括移行区和中央区)和外周带(PZ)。我们专注于分割PZ和CG,这与当前临床实践一致,并能够实现更稳定、更可靠的前列腺分割[46]。PZ具有特殊的临床意义,因为超过70%的前列腺癌(PCas)起源于此,使其成为活检的主要靶区。相比之下,CG区域(包括TZ和CZ)中PCas的发生率低于30%[47, 48]。由于LASSO回归对离群值敏感且无法有效建模非线性关系,本研究采用随机森林回归器进行特征选择。通过该分析,我们识别出20个与前列腺癌(PCa)ISUP分级相关的特征,其中14个来自DWI,这与PI-RADS推荐DWI作为评估PZ病变和判断移行区病变恶性程度的首选成像序列相一致[8]。

尽管本研究发现具有重要意义,但我们也必须承认所面临的挑战。首先,多中心之间的变异性可能影响数据的一致性和可靠性。其次,成像方案的标准化对于确保不同实验室之间结果的可重复性至关重要。最后,实施随机森林模型所需的计算基础设施可能限制其广泛应用。

本研究存在一些局限性。首先,对于部分患者,前列腺特异性抗原水平、前列腺特异性抗原密度等临床特征无法纳入预测模型,但这些特征常被临床医生用于评估PCa的侵袭性[49, 50]。其次,联合模型PZ + CG的诊断性能在ISUP分级2–4时有所提高,但在ISUP分级1和5时略有下降。这种差异可能归因于多中心数据集中类别分布的不平衡。尽管本研究使用了多中心数据,但其来源于单一数据集,可能引入潜在偏倚。为增强研究结果的稳健性和泛化性,未来研究应纳入使用来自不同人群或机构的独立数据集进行外部验证。此外,在模型开发过程中采用交叉验证技术有助于减轻过拟合,并为模型在不同患者队列中的性能提供更可靠的评估。基于这些策略的前瞻性研究有待开展,以进一步验证模型的稳健性和临床适用性。

结论

总之,我们利用大型多中心前列腺癌数据集,证明了基于解剖学ROI的影像组学模型在预测PCa的ISUP分级方面具有良好的性能,这可能改善前列腺癌的诊断和治疗流程。

引用

  1. Liu Y, Han X, Chen H, et al. Enhanced ISUP grade prediction in prostate cancer using multi-center radiomics data. Abdom Radiol (NY). 2025. PMID: 40047870. doi:10.1007/s00261-025-04858-3
  2. 全文:PMC12331822(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12331822/

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。