文献速递泌尿生殖US

基于B型超声、剪切波弹性成像与超声造影放射组学的自动化多参数前列腺癌定位

Automated multiparametric localization of prostate cancer based on B-mode, shear-wave elastography, and contrast-enhanced ultrasound radiomics.
PubMed 文献 · Eur Radiol · 2019-10-10

本研究纳入50例活检证实前列腺癌并转诊根治性前列腺切除术的男性,术前采集经直肠B型超声、剪切波弹性成像与动态增强超声三个切面,自动分割配准后提取放射组学特征,以随机森林分类器结合根治标本组织病理学参考进行训练与留一患者交叉验证。多参数分类器对前列腺癌和Gleason>3+4显著前列腺癌的区域ROC-AUC分别为0.75和0.90,优于最佳单参数(对比剂速度)的0.69和0.76。作者认为多参数机器学习改善前列腺癌定位在技术上可行,需扩展数据集训练与测试以确立临床价值。

要点

  • 多参数超声(B型+剪切波弹性+超声造影)放射组学机器学习定位前列腺癌技术上可行。
  • 区域ROC-AUC对前列腺癌0.75、对Gleason>3+4显著癌0.90,优于最佳单参数对比剂速度的0.69和0.76。
  • 随机森林偏好灌注、弥散与弹性特征组合,移行区与周围区所选参数不同。

核心结论

  • 多参数机器学习对前列腺癌定位优于单一超声模态的技术可行性已得到证明,扩展数据集训练与测试可能确立自动多参数超声分类在前列腺癌早期诊断中的临床价值。

研究设计与样本

  • 单中心研究,在Martini Clinic前列腺癌中心(德国汉堡埃彭多夫大学医院)纳入50例活检证实前列腺癌并转诊根治性前列腺切除术的男性,其中48例接受根治性前列腺切除术并纳入分析。
  • 纳入标准为PSA<20 ng/mL、前列腺体积<80 mL、无包膜外侵犯指征;排除有DCE-US禁忌或既往前列腺癌治疗者;机构审查委员会批准,所有参与者签署知情同意。
  • 每例患者接受B型超声、剪切波弹性成像与2分钟动态增强超声记录,采集尖部、中部和底部三个切面;使用Aixplorer®超声扫描仪(SuperSonic Imagine)配SE12-3腔内探头,DCE-US经静脉注射2.4 mL SonoVue®(Bracco),采用「Gen」对比特异性低机械指数模式,SWE以最小预压和数秒稳定期后获取。
  • 参考标准为根治性前列腺切除术标本的组织病理学,重建前列腺及病灶3D模型后于尖部、中部和底部数字横断面匹配影像平面;在B型超声图像上 delineate 最多一个明确恶性与一个明确良性感兴趣区(ROI)作为标记 ground truth,使恶性与良性像素数以及周围区(PZ)与移行区(TZ)来源像素数平衡。
  • 分类器流程包括前列腺分割(基于深度学习的TRUS分割算法,由一名工程师和一名有4年TRUS影像经验的泌尿科医生核查)、数据配准、特征提取与多参数分类;采用随机森林(1000棵树,每棵树丢弃6名随机训练患者,最大深度50节点,首次分裂强制基于分区位置PZ或TZ),以留一患者交叉验证评估性能。

关键影像表现/征象

  • 多参数图像示例显示左尖部4+5=9肿瘤患者的分割、分区边界、检测到的钙化及标注ROI位置,并列出B型超声、杨氏模量、Péclet数、时空相关性、弥散相关参数、流入时间、速度、相对于图像中位数的速度、速度的2 mm熵及最终多参数图。
  • 放射组学相关性矩阵显示同一分析的特征通常高度相关,μ与WIT以及α与PI似乎相关;杨氏模量(E)、灰度(G)与DCE-US特征间低相关,提示B型超声、SWE与DCE-US确实互补。
  • 随机森林最高阶分支最常选择的参数为速度(v)、时空相关性(r)与杨氏模量(E)的组合,TZ中ρ与PT也相关;放射组学方面主要选择参数值本身与大核熵。
  • 多参数评分随肿瘤Gleason分级变化,良性、非显著与显著疾病间存在显著差异;但3+4前列腺癌与少量3+3前列腺癌组间无显著差异,部分可能因3+3组肿瘤偏大导致临床选择根治性前列腺切除术而非主动监测的偏倚。

诊断标准与关键数值

  • 多参数分类器区域ROC-AUC对前列腺癌为0.75、对Gleason>3+4显著前列腺癌为0.90,优于最佳单参数对比剂速度的0.69和0.76。
  • 二值ROI分类(多参数评分阳性为恶性、阴性为良性)在本数据集中导致32个(27%)良性区域被误分类为显著前列腺癌、1个(3.3%)显著前列腺癌病灶被分类为良性。
  • 仅使用最佳DCE-US参数(对比剂速度v)的放射组学特征时,区域ROC-AUC对前列腺癌为0.71、对显著前列腺癌为0.84;仅使用非对比特征时区域ROC-AUC对前列腺癌为0.58、对显著前列腺癌为0.65。
  • 多参数评分范围为−1至1,定义为随机森林中恶性与良性分类树数量之比;分类后以15像素区域(约2.5 mm,约相当于临床显著前列腺癌半径的一半)的中位多参数评分去除离群值。
  • 钙化通过基础模式图像卷积二维高斯核(标准差约0.6 mm与约1.8 mm,检测直径约1.2与3.6 mm的高回声点)识别,训练阶段剔除含钙化像素以防止钙化区高硬度导致假阳性;统计以Wilcoxon秩和检验评估分布差异,p<0.05与p<0.005分别定义为显著与高度显著。

临床应用与阅片要点

  • 作者认为自动生成单一多参数图像与认知阅读大量参数图相比可能减少观察者间变异,但输入图像质量仍取决于操作者采集SWE与CEUS。
  • 作者指出多参数图像用于认知阅读(单独或与源图像结合)的价值仍有待研究。
  • 作者提到未来免疫组化技术可能进一步阐明假读数的性质,有指征表明共生前列腺炎或良性前列腺增生可能因促进血管生成而导致假阳性。
  • 作者指出假阴性病灶在所有超声模态上肉眼不可见,未来分析所有超声模态均漏诊的肿瘤可能引导发现新的参数或放射组学特征。
  • 作者强调健康TZ组织通常比PZ组织更硬,妨碍将TZ与PZ区域作为单一组分析;且所选参数在PZ与TZ间差异显著,可能部分因远离探头处衰减与声影增加导致参数估计欠稳健。

局限性

  • 本研究为单中心研究,数据集为50例活检证实前列腺癌患者,以根治性前列腺切除术标本作为前列腺癌定位的组织病理学金标准,ROC-AUC计算基于良性与恶性区域分离。
  • 尽管所提方法获得性能提升,部分恶性ROI仍被算法漏诊、部分良性ROI被误分类为恶性。
  • 本研究中仅引入少量放射组学特征,文献中已提出更多形态学、基于强度、基于纹理和基于统计的特征,也可考虑新的基于模型的特征如速度向量场熵与黏弹性。
  • 输入图像质量仍取决于操作者采集SWE与CEUS;与其他研究比较时,既往Meta分析中SWE与DCE-US的ROC-AUC分别报告为0.90至0.91与0.83,但这些结果以系统穿刺活检为参考标准且通过认知阅读图像与视频获得,而非本研究基于像素值的自动方法,可能妨碍比较。
  • 本研究中3+3疾病数量有限,且Gleason 3+4=7与4+3=7的区分与前列腺癌预后强相关,故同时报告≥3+3与>3+4前列腺癌的识别;3+3组可能存在偏倚,肿瘤偏大导致临床选择根治性前列腺切除术而非主动监测。
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:Eur Radiol. 2019 Oct 10;30(2):806–15. doi: 10.1007/s00330-019-06436-w

引言

2018年,美国估计有超过164,000例新诊断病例[1],欧洲有近450,000例[2],前列腺癌(PCa)仍然是西方男性中最常见的非皮肤恶性肿瘤。遗憾的是,在前列腺特异性抗原(PSA)血清水平检测和/或直肠指检之后,标准诊断方法强烈依赖于10至12针的系统性活检[3]。除了与该操作相关的并发症[4]外,已有报道显示存在高水平的漏诊和过度治疗[5]。鉴于临床对能够实现靶向活检的可靠影像学检查的强烈需求,近年来多参数磁共振成像(mpMRI)已显示出有前景的进展。虽然MRI的单一模态在前列腺癌诊断中被认为不够准确,但mpMRI通过根据前列腺影像报告和数据系统(PI-RADS)进行评分,利用这些模态的组合[6]。欧洲泌尿外科学会2019年指南推荐在诊断路径中使用活检前mpMRI。然而,除了MRI的一些固有局限性(例如其高成本、可用性有限以及不便于床旁使用)外,已知此类评分系统表现出较长的学习曲线,并存在操作者间高度不一致的风险[7]。

前列腺癌成像的另一个潜在候选方法是超声(US),它具有成本效益、广泛可用且实用。尽管诸如剪切波弹性成像(SWE)和动态对比增强超声(DCE-US)等超声模态已显示出有前景的结果,但使用超声技术的靶向活检仍未优于系统性活检[8]。然而,迄今为止,多参数超声方法的研究仍然很少[9]。多参数方法的基本原理(即结合来自互补生物标志物的信息,如组织纹理、弹性或灌注,以对像前列腺癌这样已知为多灶性和异质性的疾病进行成像[10])适用于MRI和US。除此之外,使用被称为放射组学的定量特征正受到关注[11]。放射组学通过从(参数)图像中局部提取纹理和统计特征,量化组织在图像中的空间表征,如异质性或不对称强化。在本研究中,我们致力于将来自不同模态的信息及其放射组学结合起来,用于前列腺癌的基于图像的诊断。为了检验这种方法的潜力,我们采用机器学习技术,通过随机森林来优化组合底层参数。随机森林构成计算机辅助诊断算法的核心,该算法将所有信息组合成单一的多参数图像供临床医生审阅[12]。

在分类器中,考虑了来自B型超声、剪切波弹性成像(SWE)和动态对比增强超声(DCE-US)的输入[13]。尽管B型超声本身不是前列腺癌(PCa)成像的合适选择,但活检指南强烈建议针对可疑的低回声病灶[5]。至于SWE,组织硬度被视为恶性肿瘤的强指示指标[14]。近期研究已证明其在前列腺癌检测中的实用性[15–17]。DCE-US利用造影剂使血管分布可视化,可评估组织灌注和造影剂弥散[18]。事实上,已有研究表明,通过对比超声弥散成像(CUDI)对造影剂动力学进行定量分析,可以估计反映血管生成(微)血管特征的参数[19–21]。DCE-US图像主要反映血管组织特征,而SWE图像则与组织中的细胞密度和胶原沉积有关[22, 23]。因此,由于二者在本质上具有互补性,可以假设它们的结合能够提高诊断潜力。在最近发表的一项研究中,灌注和弥散相关的DCE-US参数已成功结合应用于机器学习方法中[24]。

本工作在留一患者法(leave-one-patient-out)框架下,分别在像素级别和区域级别验证了所提出的基于随机森林的分类器。此外,研究了不同特征之间的相关性,并评估了它们在前列腺癌(临床显著)定位中的单独重要性和联合重要性。

材料与方法

数据采集

在Martini诊所前列腺癌中心(德国汉堡-埃彭多夫大学医院),50名经活检确诊为前列腺癌并转诊接受根治性前列腺切除术(RP)的男性接受了多参数超声检查。研究仅纳入PSA水平低于20 ng/mL、前列腺体积< 80 mL且无包膜外侵犯指征的患者;排除有DCE-US禁忌证或既往接受过前列腺癌治疗的患者。研究获得了机构审查委员会的批准,所有参与者签署了知情同意书。其中,48名男性接受了根治性前列腺切除术并被纳入研究。患者特征列于表1。每位患者接受了前列腺尖部、中部和底部的B型超声、SWE和2分钟DCE-US记录。检查为手动操作,使用配备SE12-3腔内探头的Aixplorer®超声扫描仪(SuperSonic Imagine)。对于DCE-US记录,静脉注射2.4 mL SonoVue®(Bracco)团注。DCE-US以“Gen”对比特异性低机械指数模式进行;SWE图像在最小预加压和数秒稳定期后获得。本工作与一项多参数超声临床试验相关(即注册号NCT03091231),有关临床工作流程的更多信息可参见先前发表的方案论文[25]。

表1 患者组特征 查看原表 ↗

组织病理学检查

切除后,对RP标本进行了组织病理学检查。标注的PCa区域用于重建前列腺及其病灶的三维模型[26]。随后,该模型在尖部、中部和基底部进行数字化横断面切割,以与成像平面对齐,从而实现超声与组织病理学的直接比较[27]。考虑到配准误差,在B模式图像中最多勾画一个明确恶性和一个明确良性的感兴趣区(ROI),作为训练和验证的标注地面真值。ROI的勾画使得恶性与良性像素数量,以及起源于外周带(PZ)和移行带(TZ)的像素数量均保持平衡。

算法结构

所提出方法的概览如图1所示,包括(A)前列腺分割、(B)数据配准、(C)特征提取和(D)多参数分类。模型的测试和验证在本“材料与方法”部分的最后一节中讨论。

图1 所提出分类框架的示意概览,来自剪切波弹性成像和超声造影记录的信息分别以蓝色和红色显示 查看原图 ↗

前列腺分割

首先,在每种模态中定位并勾画前列腺。为此,我们在SWE和DCE-US采集的侧视基础B模式图像上采用了基于深度学习的自动化TRUS分割算法[28, 29]。对于DCE-US,以洗入期(即30秒时)的前列腺位置作为参考。前列腺图像还被自动进行分区分割,将属于PZ或TZ的像素进行标记,以供分类算法进一步使用。基于深度学习的分割结果由一名工程师和一名具有4年TRUS成像经验的泌尿科医生共同审核。除前列腺分割外,还设计了一种检测算法来勾画B模式图像中的钙化灶。钙化灶通过在基础模式图像中经二维高斯核卷积后的高值区域来识别,高斯核的标准差经经验选择约为0.6 mm和约1.8 mm,从而检测直径约为1.2 mm和3.6 mm的高回声斑点。钙化检测的目的是防止因钙化区域硬度升高而导致的假阳性判读。

数据配准

由于所提出的方法旨在进行像素级分类,因此需要不同超声模态之间的像素到像素匹配。同样,选择DCE-US记录的30秒基础视图图像作为参考。SWE数据基于分割轮廓弹性配准到该图像。此外,通过对每第5帧刚性配准到参考位置,对DCE-US视频施加运动补偿;中间帧的配准通过插值平移-旋转矩阵来完成。

成像特征提取

所提出的分类器包括两步特征提取。首先,从DCE-US成像中获取基于模型的血流特征。基于模型的特征提取有两个目的:一方面,估计与PCa具有已知相关性的物理意义明确的参数;另一方面,将DCE-US的维度降至二维,以便在纹理分析之前与SWE和灰度图像相匹配。其次,从所得的基于模型的特征图以及SWE和灰度图像中提取放射组学特征。

基于模型的特征提取基于CUDI,这是一类量化方法,用于估计DCE-US记录中与灌注和弥散相关的潜在物理量[19–21, 30, 31]。对每个像素共提取12个DCE-US特征,列于表2中。在CUDI中,造影剂在前列腺中的扩散被视为对流-弥散过程,可通过评估造影剂随时间的变化来量化。造影剂速度(v)、弥散(D)和Péclet(Pe)数通过局部系统辨识进行估计[21]。另外,局部弥散程度也可通过像素间造影剂行为的相似性来量化。这可通过时空相关性(r)[30, 31]或谱相干性(ρ)[20]进行量化。此外,我们通过改进的局部密度随机游走模型对单个像素的造影曲线进行拟合,从而能够估计平均通过时间(μ)、弥散相关参数(κ)和造影曲线下面积(α)[19]。最后,还提取了启发式参数,如 wash-in 时间(WIT)、出现时间(AT)、峰值强度(PI)和峰值时间(PT)。

使用放射组学特征的理由在于,不仅像素值,局部毛刺征、异质性和颗粒性也广泛被认为是癌症的重要生物标志物。此外,无论像素值如何,灌注或弹性中的不对称模式也被视为恶性的指示。为了考虑前列腺内不对称性以及相对较高的参数值,我们引入了相对于每幅图像中位参数值的参数值作为特征。同样,为了量化参数异质性,我们提取了感兴趣像素周围圆形核内参数分布的熵。采用多尺度方法,使用约1 mm、约2 mm和约3 mm的启发式核半径。此外,在约2 mm的核内计算参数方差。

表2 参数的诊断性能 查看原表 ↗

自动化多参数组合

特征的多参数组合通过基于随机森林算法的机器学习实现。随机森林是一组独立训练的决策树的集成,这些决策树共同对最终分类评分进行投票[32]。单分类树具有分支状的决策节点结构,通过基于输入变量的一系列决策对样本进行分类。逐节点地,通过评估哪个特征能够最有效地按类别分离标记的训练实例(的子集)来生长树结构。随后,通过使用训练样本的另一个随机子集生长每棵树来建立随机森林的稳健性[33]。

在本研究中,我们强制第一次分裂基于带区位置(PZ或TZ),因为已确定组织硬度[34]和对比剂流入[35]在不同带区之间存在显著差异。然后,使用训练集的1/1000进行有放回抽样,生长由1000棵树组成的随机森林。为提高泛化能力,在生长每棵树之前完全丢弃六名随机训练患者。采用节点内标签的交叉熵作为分裂准则,树深度最多为50个节点。含有钙化的像素在训练阶段被省略,因为它们可能掩盖潜在的组织类型。最终的多参数评分范围为−1至1,由随机森林中树木之间恶性与良性分类数量的比值定义。分类后,通过在以15像素区域(约2.5 mm)内分配多参数评分的中位数来去除多参数图像中的离群值,该区域约对应于临床显著前列腺癌半径的一半[36]。

验证与统计分析

分类器在留一患者交叉验证过程中进行验证,其中每位患者使用1个在其余患者数据上训练的分类器进行测试。性能通过计算参数值或多参数评分的受试者工作特征曲线下面积(ROC-AUC)来评估,均采用像素级和区域级两种方式。在后一种方法中,感兴趣区(ROI)以其平均参数值或多参数评分来表征。分布之间的差异使用Wilcoxon秩和检验进行统计评估[37]。在整个工作中,p值<0.05和<0.005分别定义为描述组间显著差异和高度显著差异。

结果

放射组学特征之间的相关性

图2以相关矩阵形式描绘了放射组学特征之间的相关性。强正相关和强负相关分别以红色和蓝色编码。来自同一分析的特征通常表现出高相关性。此外,特别是μ与WIT以及α与PI似乎相关。杨氏模量(E)、灰度(G)与DCE-US特征之间的低相关性表明B模式、剪切波弹性成像(SWE)和DCE-US确实是互补的。

图2 以线性Pearson相关系数表示的衍生放射组学特征的相关矩阵;未通过线性相关显著(p > 0.05)反映的相关性用黑色方块标示 查看原图 ↗

分类性能

图3展示了所提出的多参数分析的效力,显示了一名左尖部4 + 5 = 9肿瘤患者的多个单参数图以及多参数图像。分割、带区边界、检测到的钙化和标注的ROI位置也已标示。整个数据集上的单参数和多参数结果呈现在表2中。基于多参数放射组学的分类在区域级对前列腺癌和显著前列腺癌与良性区域比较分别产生0.75和0.90的ROC-AUC。在我们的数据集中,二值ROI分类(即多参数评分为正值指恶性,负值指良性组织)会导致32个(27%)良性区域被错误分类为sPCa,以及1个(3.3%)sPCa病灶被分类为良性。

相比之下,仅将分类器应用于表现最佳的DCE-US参数(即对比剂速度,v)的影像组学特征时,PCa和sPCa的区域ROC-AUC分别为0.71和0.84。因此,分类性能可部分归因于影像组学的使用,部分归因于多参数组合。使用非对比剂特征时,PCa和sPCa的区域ROC-AUC仅分别达到0.58和0.65。

图3 图像平面示例,显示B模式(a)、杨氏模量(SWE)(b)、佩克莱数(c)、时空相关性(d)、弥散相关参数(e)、流入时间(f)、速度(g)、相对于图像中位数的速度(h)、速度的2-mm熵(i)以及由此生成的多参数图(j)。在每幅图中,前列腺和分区分割以白色描绘,钙化以蓝色圈出,经组织病理学证实的恶性和良性ROI分别以红色和绿色标示 查看原图 ↗

特征相关性

通过检查随机森林的树中哪些参数被选为第一、第二等决策节点,评估不同参数的相对相关性。图4呈现了最突出的参数。基于这些数据,似乎特别是v、r和E之间的组合更受青睐。在TZ中,ρ和PT也是相关参数。在影像组学方面,主要选择参数值本身和大核熵。

图4 森林中所有树的高阶分支选择影像组学的频率概览。影像组学按基于模型的参数分组 查看原图 ↗

与癌症分级的关系

为评估参数和多参数评分与癌症侵袭性的对应程度,图5显示了不同Gleason分组和前列腺分区(即PZ和TZ)中每个ROI平均值分布情况。SWE衍生的杨氏模量和表现最佳的DCE-US参数(即v)与最终多参数评分一并呈现。显著和高度显著差异分别用单星号和双星号表示。应强调的是,健康TZ组织通常比PZ组织更硬[34],如图5所示,这妨碍了将TZ和PZ区域作为单一组进行分析。

图5 速度(a)、杨氏模量(E)(b)和多参数分类器评分(c)的参数值及分类器评分概览。单个区域以圆点表示。小提琴图表示PZ(左侧,蓝色)和TZ(右侧,红色)的组分布。根据Wilcoxon秩和检验,显著和高度显著差异分别用单星号和双星号表示 查看原图 ↗

讨论

在本研究中,我们报告了一种基于随机森林的分类器的开发,用于基于配准的B模式、剪切波弹性成像和对比增强超声对前列腺癌(PCa)进行多参数分类。除基于模型的参数外,分类器框架中还引入了影像组学,以从参数图中提取额外信息。以留一患者交叉验证方式验证的ROC-AUC显示,对于Gleason > 3 + 4的显著性PCa,区域层面的性能从最佳单一参数v的0.76提升至多参数的0.90。采用像素级方法也取得了类似的提升。这种提升部分源于影像组学提取,部分源于多参数组合。

随机森林分类器是一种强大的分类工具,能够整合大量(影像组学)特征并生成直观的多参数评分。参数被选择用于分类的频率(见图4)证实了多参数假设,支持灌注相关(即v、PT)、弥散相关(即r、ρ)和弹性成像(即E)参数的组合。这与早期仅纳入DCE-US参数的研究一致,该研究报告称与不同潜在生物标志物相关的基于模型的参数组合最为有效[24]。此外,所选参数在外周带(PZ)和移行带(TZ)之间存在显著差异。这可能归因于两带之间的解剖或生理差异;然而,也可能是由于远离探头处(即TZ内)衰减和声影影响增加导致参数估计不够稳健所致。这强调了在所提出框架中进行充分分区分割的必要性,本研究通过深度学习[28, 29]实现了这一点。

多参数评分显示随肿瘤Gleason分级呈梯度变化,良性、非显著性和显著性病变之间存在显著差异。文献中使用了多种临床显著性前列腺癌的定义;由于在这项经根治性前列腺切除术(RP)验证的研究中3 + 3病变数量有限,且Gleason 3 + 4 = 7与4 + 3 = 7之间的区分与PCa预后密切相关[38],我们同时报告了≥ 3 + 3和> 3 + 4 PCa的识别结果。我们的结果(图5)显示3 + 4 PCa与少量3 + 3 PCa组之间无显著差异。这部分可能由于3 + 3组的偏倚所致,即肿瘤体积过大,临床医生决定采用RP而非主动监测作为治疗方式,因而被纳入本研究。

此外,本研究仅引入了少量影像组学特征。文献中已提出更多特征,包括形态学、基于强度的、基于纹理的和基于统计的特征[39–43]。另外,也可考虑新的基于模型的特征。例如,速度矢量场熵[44]和黏弹性[23, 45]在DCE-US和SWE中已显示出作为PCa标志物的潜力。尽管输入图像的质量仍然依赖于操作者采集SWE和CEUS数据[46, 47],但与对大量参数图进行认知判读相比,使用自动生成的单一多参数图像可能减少观察者间变异。

与其他研究相比,一项关于剪切波弹性成像(SWE)和超声造影(DCE-US)的荟萃分析分别报告了ROC-AUC为0.90 [15]至0.91 [16]和0.83 [48]。需要强调的是,这些结果是以系统性活检作为参考标准,而系统性活检以其系统误差和随机误差著称[49]。此外,这些评分是通过对图像和视频的认知判读获得的,而非本研究中基于自动像素值的方法,这可能妨碍比较。多参数图像用于认知判读的价值,无论是作为独立工具还是与源图像联合使用,仍有待研究。

尽管使用所提出的方法获得了性能提升,但算法仍然遗漏了一些恶性ROI,并将一些良性ROI错误分类为恶性。未来,免疫组织化学技术[50, 51]可能进一步阐明假性判读的本质。有迹象表明,(共存的)前列腺炎或良性前列腺增生(BPH)可能是假阳性的原因,因为这些疾病已知也会促进血管生成[52, 53]。对假阴性的定性检查显示,这些病灶在所有超声模态上确实肉眼不可见。未来对所有超声成像模态均遗漏的肿瘤进行分析,可能潜在地引导我们发现有助于多参数分类的新参数或影像组学特征。

此外,本研究在单中心进行,收集了50例经活检证实为前列腺癌(PCa)患者的数据集,以获取根治性前列腺切除术(RP)标本作为PCa定位的组织病理学金标准。因此,ROC-AUCs是针对良性和恶性ROI分离计算的。前瞻性、多中心、基于靶向活检的研究可能最终在更多样化的患者群体中证实本研究所提出的机器学习分类的诊断价值[54]。另一个局限性是该方法的二维性质,需要为每位患者的每种模态采集三个平面。在临床环境中,对每位患者使用更多平面将降低遗漏平面外肿瘤的风险,但代价是手术时间增加。然而,由于三维SWE和DCE-US最近已被引入[55, 56],扩展到三维是可以设想的。

总之,我们证明了多参数分类器在改善单一超声模态对PCa定位方面的可行性。这与最近发表的关于多参数超声用于识别乳腺恶性和良性病变的研究[57]一致。我们旨在进一步扩展数据集,以便分类方法可以扩展到更多影像组学和特征。一旦性能得到巩固,我们相信三维方法可能使临床采用更近在咫尺。

引用

  1. Wildeboer RR, Mannaerts CK, van Sloun RJG, et al. Automated multiparametric localization of prostate cancer based on B-mode, shear-wave elastography, and contrast-enhanced ultrasound radiomics. Eur Radiol. 2019. PMID: 31602512. doi:10.1007/s00330-019-06436-w
  2. 全文:PMC6957554(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6957554/

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。