多b值DWI分区诊断临床有意义前列腺癌
本回顾性研究纳入238例可疑前列腺癌患者,系统比较7种多b值DWI模型的18个定量参数。通过LASSO回归联合GEE选出MEM_ADC与CTRW_alpha为独立预测因子,构建Clinical+Multib_DWI模型。该模型在测试集AUC为0.85,跨厂商验证AUC为0.88,虽较Clinical+ADC模型AUC改善不显著(p>0.05),但决策曲线显示更高临床净获益。亚组分析提示CTRW_alpha对移行带病变(AUC=0.86)及移行带PI-RADS 3病变(AUC=0.82)具有较好诊断价值。
要点
- CTRW_alpha对移行带病变鉴别价值优于外周带,阅片时可优先关注该参数。
- Clinical+Multib_DWI模型在10%–40%风险区间提供更高净获益,有助于活检决策。
- 多b值参数跨厂商稳健性较好,在无rFOV序列时仍可尝试迁移应用。
核心结论
- MEM_ADC与CTRW_alpha是csPCa的独立预测因子,其预测效能存在解剖分区差异。
- 多b值模型较单纯ADC模型AUC改善无统计学意义,但临床净获益更优。
- 跨厂商验证队列中Clinical+Multib_DWI模型保持稳健诊断效能。
研究设计与样本
- 回顾性研究,主队列162例224个可疑病灶,独立跨厂商验证队列76例84个病灶。
- 主队列采用Siemens MAGNETOM Skyra 3.0T(ZOOMit rFOV DWI),验证队列采用GE Discovery MR750。
- 参考标准为主队列经会阴MRI-超声融合靶向联合12针系统活检,验证队列为12针系统活检联合空间定位匹配。
关键影像表现/征象
- 所有18个参数中,除IVIM-DKI_Dp、IVIM-DKI_f、CTRW_beta、FROC_beta外,其余在csPCa与非csPCa间差异均有统计学意义。
- 外周带中MEM_ADC诊断效能最高(AUC=0.84),移行带中FROC_D与IVIM-DKI_D最高(AUC=0.87)。
- 移行带PI-RADS 3病变中CTRW_alpha与FROC_D区分csPCa的AUC均为0.82。
诊断标准与关键数值
- Clinical+Multib_DWI模型测试集AUC为0.85,敏感度0.91,特异度未报告,NPV 0.88。
- MEM_ADC与CTRW_alpha的OR分别为0.358(p=0.038)与0.365(p=0.007)。
- 跨厂商验证队列中Clinical+Multib_DWI模型AUC为0.88,Clinical+ADC模型AUC为0.84。
- CTRW_alpha对移行带病变AUC为0.86,对移行带PI-RADS 3病变AUC为0.82。
临床应用与阅片要点
- 移行带病变解读时CTRW_alpha比传统ADC更有参考价值,外周带仍可以ADC为主要依据。
- 阈值概率10%–40%区间内多b值模型的净获益优势最明显,适合用于穿刺前风险沟通。
- 多b值参数ICC均大于0.80,测量可重复性较好,但勾画ROI仍需结合T2WI与DWI边界。
局限性
- 验证队列采用系统活检而缺乏靶向活检支持的空间精确配对。
全文中译17 节 · 点击展开
引言
前列腺癌(PCa)是男性癌症相关死亡的主要原因之一[1]。临床有意义前列腺癌(csPCa)由国际泌尿病理学会(ISUP)定义为格里森分级(GG)≥2级,对其进行准确识别对于平衡侵袭性疾病的漏诊风险与惰性肿瘤的过度治疗风险至关重要[2]。当前依赖前列腺特异性抗原(PSA)检测和前列腺穿刺活检的诊断模式仍受限于特异性有限和取样不准确,导致漏诊和不必要的干预同时存在[3]。
多参数MRI(mpMRI)已改变了前列腺癌的评估方式,使无创检测和风险分层成为可能。标准mpMRI方案整合了T2加权成像(T2WI)、扩散加权成像(DWI)及其衍生的表观扩散系数(ADC)图,以及动态对比增强序列,如前列腺影像报告与数据系统2.1版(PI-RADS v2.1)所述[4]。DWI/ADC通过捕捉细胞密度和组织结构方面的微结构改变,是csPCa识别的基石,尤其是在外周带(PZ)[5, 6]。临床上,其主要以定性方式解读。然而,传统的单指数模型(MEM)假设水分子扩散呈高斯分布——这一过度简化未能反映前列腺癌复杂、异质性的微环境[6],即使采用定量分析,其诊断准确性仍受限,尤其是在移行带(TZ)病变和模棱两可的PI-RADS 3类病例等具有挑战性的场景中[7]。
先进的多b值DWI模型通过量化非高斯扩散来弥补这一局限。虽然标准ADC也可从这些多b值采集中作为对照基线导出,但先进技术——包括体素内不相干运动(IVIM)模型[8]、扩散峰度成像(DKI)[9]、拉伸指数模型(SEM)[10]、分数阶微积分(FROC)[11]、连续时间随机游走(CTRW)[12]以及混合IVIM-DKI[13]——可提取更多微结构信息,并已在肿瘤特征描述[14–16]及其他疾病[17, 18]中显示出应用前景。然而,这些模型在前列腺癌中的比较效用仍未被充分探索,既往研究受限于样本量小、仅评价单一模型或亚组分析不足[19–21]。
为弥补这一空白,我们在一个较大规模的队列中系统比较了七种多b值DWI模型。我们的逐步分析流程包括:(1)对扩散参数用于csPCa检测进行整体和分带评估;(2)筛选稳健的影像预测因子;以及(3)构建并评估整合最优扩散特征与临床变量的多参数模型。通过定义一个针对解剖背景量身定制的精准影像框架,本研究旨在推动前列腺癌的个体化诊断。
方法
患者
这项回顾性研究获得了机构审查委员会批准(TJ-IRB202404076),并免除了书面知情同意。对于主要队列,在2023年12月至2025年1月期间,245例疑似前列腺癌(PCa)患者接受了3.0 T多参数MRI(mpMRI)检查,包括12个b值DWI序列,随后在两周内接受了前列腺穿刺活检。排除标准为:(1)MRI前曾接受过干预(n = 25);(2)临床诊断为急性前列腺炎(n = 15),因为活动性感染期前列腺穿刺活检因脓毒症风险而属禁忌[22],且急性炎症可引起一过性PSA升高和弥漫性MRI伪影,干扰癌症检测;(3)成像方案不完整(n = 33);(4)严重图像伪影,包括高b值DWI上的显著几何变形(n = 10)。最终,162例患者的224个MRI可疑病灶被纳入主要数据集。患者在患者层面被随机分配至训练集(n = 113;70%)和测试集(n = 49;30%)。
为评估模型的泛化能力,使用另一台MR扫描仪回顾性收集了一个独立的跨厂商验证队列(初始n = 201),时间范围为2015年8月至2018年1月。应用相同的纳入和排除标准后,76例患者的84个MRI可疑病灶被纳入该验证集。
两个队列的患者筛选流程图见图1。
病理学
对于主要队列,所有患者在MRI后2周内接受了经会阴MRI-超声融合引导靶向穿刺加12针系统穿刺活检。相比之下,跨厂商验证队列采用标准12针系统穿刺活检方案。为确保该队列的标签准确性,基于MRI索引病灶位置与相应阳性或阴性系统穿刺活检分区之间的严格空间一致性建立了放射-病理相关性。每个标本均按解剖位置进行标记。为严格保持基于病灶的分析,MRI不可见肿瘤(系统穿刺阳性针芯但无相应mpMRI可疑病灶)被排除在定量分析之外。病理评估采用ISUP定义的Gleason分级系统[2]。临床有意义前列腺癌(CsPCa)定义为ISUP Gleason评分≥ 3 + 4,而Gleason评分3 + 3或良性发现被归类为非csPCa。
MRI采集
MRI检查在3.0 T扫描仪上进行:主要队列使用MAGNETOM Skyra(Siemens Healthineers),采用缩小视野DWI序列(ZOOMit);跨厂商验证队列使用Discovery MR750(GE Healthcare),采用标准多b值DWI方案。两个方案均包含高达3000 s/mm²的高b值。两台扫描仪的详细采集参数列于补充方法中。
图像分析
拟合了七种扩散模型:MEM、SEM、IVIM、DKI、IVIM-DKI、CTRW和FROC。IVIM-DKI模型使用公开可用的MATLAB工具箱实现[23]。其余六个模型使用MR Station平台(成都中影医疗科技有限公司)的Body-DiffusionLab模块进行拟合。参数命名为“模型名_参数名”,共产生18个定量指标。详细的数学公式、b值选择及完整参数列表见补充材料。
两名放射科医师(分别具有5年和9年前列腺MRI判读经验)独立完成ROI勾画。为模拟临床场景同时保持对结果的盲法,一名研究协调员向阅片者提供源自原始活检操作记录的目标病灶或阳性系统活检区段解剖位置。在定位信息引导下,阅片者基于双参数MRI勾画全病灶容积ROI,持续交叉参照T2WI和DWI以准确界定解剖边界。这些ROI在MEM_ADC空间内使用ITK-SNAP(v3.8)绘制,经目视检查排除受高b值几何变形影响的外周区域后,再配准至所有其他参数图(图2)。关键的是,两名阅片者在测量过程中均对最终组织病理学结果不知情。为减少部分容积效应,仅纳入短轴直径≥3 mm的病灶。由于18个参数对ROI边界偏移的敏感度各不相同,观察者间组内相关系数(ICC)分别独立计算。为确保特征对非高斯模型固有噪声的稳健性,我们采用了严格的可重复性阈值ICC≥0.80(高于常规的0.75)[24, 25]。采用两名阅片者测量值的平均值进行分析。形态学特征,包括源自ROI分割的最大直径和病灶体积,同样取两名阅片者间的平均值。
统计学分析
在主要队列中,采用Mann–Whitney U检验或卡方检验比较csPCa与非csPCa之间的人口学及影像特征,并以错误发现率(FDR)校正多重比较。按分区(TZ或PZ)和PI-RADS类别进行亚组分析。另有一项附加分析聚焦于TZ中PI-RADS 3类病灶,该类病灶在前列腺MRI判读中被视为模棱两可[26]。计算Spearman秩相关系数以评估PZ和TZ中扩散参数与GG之间的关联。
在训练集中应用最小绝对收缩和选择算子(LASSO)回归结合五折交叉验证,从18个定量扩散参数中筛选稳健的影像学预测因子。为确保参数稳定性,进行了500次自助重抽样,在超过50%的自助迭代中保留的参数被视为稳定参数。随后采用广义估计方程(GEE)评估所选扩散参数在调整临床协变量后与临床显著性前列腺癌(csPCa)的独立关联。GEE特别适用于聚类或重复测量数据,因为它在不严格假设分布的前提下提供总体平均估计[27],使其成为调整同一患者多处病灶引起的受试者内相关性的理想方法。
为量化高级扩散指标的诊断价值,构建了三个多变量逻辑回归模型:(1)临床模型包括年龄、前列腺特异性抗原密度(PSAD)、直肠指检(DRE)状态、解剖分区、病灶体积和PI-RADS评分;(2)临床+ADC模型包含所有临床变量加上MEM_ADC;(3)临床+Multib_DWI模型包含临床变量与LASSO流程筛选出的最优稳定扩散预测因子的整合。此外,鉴于扩散参数的空间异质性,构建了一个探索性的分区特异性模型(统一分区感知模型),以评估依赖位置进行参数选择的理论潜力。该探索性分析的详细方法见补充材料。通过计算AUC、敏感度、特异度、准确度、阳性预测值(PPV)和阴性预测值(NPV)进行ROC分析以评估各模型的诊断性能。模型间比较采用DeLong检验。临床效用通过决策曲线分析(DCA)进一步评估。
对于跨厂商验证队列,采用ComBat协调法[28]以最小化非生物性扫描仪效应。使用Mann-Whitney U检验检查相同病理组内主队列(西门子)与验证队列(GE)之间的参数一致性。随后将训练得出的模型应用于验证队列,以评估诊断性能和临床效用。
结果
参与者特征
本研究共纳入238例符合条件的患者,分为主队列(n = 162例患者,224个病灶)用于参数比较和模型开发,以及独立的跨厂商验证队列(n = 76例患者,84个病灶)用于稳健性检验。在主队列的224个MRI可疑病灶中(中位年龄67岁;IQR,61.3-73.0),99个(44.2%)位于外周带(PZ),125个(55.8%)位于移行带(TZ)。训练集和测试集之间的基线特征未观察到显著差异(表1)。主队列和验证队列的详细临床及病理特征总结于表1。
扩散参数比较
所有扩散参数均显示出极佳的观察者间可重复性(ICC > 0.80,表S1)。在所有224个病灶中,除IVIM-DKI_Dp、IVIM-DKI_f、CTRW_beta和FROC_beta外,其余所有参数在FDR校正后均显示csPCa与非csPCa之间存在显著差异(p < 0.05)(表2)。MEM_ADC、IVIM-DKI_D、CTRW_alpha和FROC_D表现出最高的诊断效能,AUC分别为0.85、0.84、0.84和0.84(图3)。
按病灶位置和PI-RADS分类的亚组分析
在外周带(PZ)中,MEM_ADC取得了最高的AUC(0.84),其次为IVIM-DKI_D(AUC = 0.82)以及CTRW_D、FROC_D和IVIM_D(AUC均为0.81)。然而,在移行带(TZ)中,FROC_D和IVIM-DKI_D取得了最高的AUC(0.87),其次为DKI_D、CTRW_D和CTRW_alpha(AUC均为0.86)。对于PI-RADS 3类病灶,MEM_ADC对csPCa的鉴别能力最佳(AUC = 0.79),而CTRW_alpha对PI-RADS 4-5类病灶最优(AUC = 0.82)(表2、表S2及图S1-S4)。
与GG的相关性
在外周带(PZ)中,MEM_ADC与GG的相关性最强(ρ = −0.58,p < 0.001)(图4)。在移行带(TZ)中,DKI_K与GG的相关性最强(ρ = 0.56,p < 0.001)。在两个区域中,另有九个参数(包括CTRW_alpha)与GG呈中度相关。这九个参数的绝对相关系数范围为0.40至0.50(均p < 0.001)(图4)。
稳定参数筛选
基于bootstrap的LASSO回归确定CTRW_alpha和MEM_ADC为最稳定的参数,分别在95.6%和83.8%的迭代中出现(图5)。GEE分析显示,在校正临床变量后,CTRW_alpha和MEM_ADC仍为csPCa的独立预测因子,比值比分别为0.365(p = 0.007)和0.358(p = 0.038)(表3)。
模型构建与评估
在测试集中,临床+多b值DWI模型的AUC高于临床+ADC模型(0.846 vs. 0.797,p > 0.05)(表4)。值得注意的是,联合模型显示出更优的阴性预测值(0.88 vs. 0.77)和灵敏度(0.91 vs. 0.80),阳性预测值和特异度相当(图6)。决策曲线分析表明,在测试集中,临床+多b值DWI模型在0.10至0.40的阈值概率范围内产生的净获益显著高于其他两个模型(图6)。
弥散模型在模棱两可的移行带PI-RADS 3类病灶中的价值
在移行带PI-RADS 3类病灶中,IVIM_f区分PCa与良性病灶的效能最佳(AUC = 0.79),而CTRW_alpha和FROC_D区分csPCa与非csPCa的效能最佳(AUC均为0.82)(表5;图S5和S6)。多变量分析确定CTRW_alpha是PCa(p = 0.008)和csPCa(p = 0.004)的稳健独立预测因子,而MEM_ADC仅与PCa相关(p = 0.035)(表S3)。
跨厂商稳健性评估
经ComBat harmonization处理后,18个弥散参数中的17个(DKI_K除外)定量分布在主要队列与跨厂商队列之间无显著差异(均p > 0.05;补充图S7),表明弥散模型具有稳健的跨协议一致性。在该跨厂商队列中应用时,三个构建的模型均保持了稳定的诊断效能。临床模型、临床+ADC模型和临床+多b值DWI模型的AUC分别为0.74、0.84和0.88。值得注意的是,临床+多b值DWI模型显示出最高的泛化能力,在决策曲线分析中阈值概率> 0.1的范围内持续产生高于其他模型的净获益(图6g–i)。
在分区拆分模型的探索性分析中,该算法展示了与整合模型相当的内部验证性能(测试AUC = 0.840)。然而,其在多厂商验证队列中的诊断效能明显下降(外部AUC = 0.825),净获益亦随之降低,提示存在跨厂商过拟合(补充表S4和图S8)。
讨论
在本研究中,我们系统评价了七个多b值DWI模型,并确定MEM_ADC和CTRW_alpha为临床上显著前列腺癌(csPCa)检测的互补生物标志物。重要的是,解剖位置发挥了关键作用:MEM_ADC在外周带(PZ)中达到了最高准确性,而CTRW_alpha在移行带(TZ)中提供了更优的价值,提示分区特异性扩散应用可优化风险分层。
观察到的模型性能分区差异反映了组织学差异。外周带主要由腺体组织构成,具有均匀的腺泡结构和较低的间质复杂性[29],其中水分子扩散近似高斯分布,使MEM_ADC在生物学上合理,并使CTRW_alpha的高级复杂性分析显得多余。相反,移行带以间质增生、致密纤维肌组织和散在腺体的异质性混合为特征[30]。这种复杂的腺体-间质相互作用形成了多重扩散屏障和微结构区室,导致显著的非高斯扩散行为[31]。CTRW模型,特别是alpha参数,表征了水分子扩散的时间异质性。在csPCa的高细胞密度和紊乱间质中,水分子表现出异常亚扩散,经常被细胞器和不规则膜“困住”[12]。较低的alpha值表明在这些区室内的“等待时间”更长。因此,CTRW_alpha提供了一种更敏感的探针,用于在移行带的间质背景中检测恶性病变。
我们的研究结果与关于CTRW在前列腺癌[32]及其他恶性肿瘤[15, 17, 33–36]中应用的有限文献一致。这些研究一致确定alpha为恶性肿瘤的稳定预测因子,提示CTRW_alpha捕获了肿瘤细胞构筑的普遍特征,验证了其在前列腺移行带中的应用价值。相比之下,FROC_beta仅在外周带亚组中显示出诊断价值,与一些先前报道相矛盾[37, 38],提示其敏感性可能同样具有空间依赖性。
关于模型构建,Clinical+Multib_DWI模型在测试集和验证集中的AUC相较于其他模型并未显示出统计学上的显著提升。ADC在外周带中相对较高的判别能力限制了CTRW_alpha在该亚组中的增量价值。相比之下,CTRW_alpha在移行带中贡献更为显著,而单独使用ADC在该区域效果较差。这与PI-RADS v2.1框架一致,该框架对移行带病灶优先采用T2WI而非DWI/ADC [4]。然而,尽管AUC的整体统计学提升有限,决策曲线分析仍凸显了多b值模型优越的临床实用性。具体而言,该模型在0.1–0.4阈值概率范围内提供了持续更高的净获益。在常规实践中,这一10%–40%的风险区间代表了一个关键的诊断“灰区”,医生在此区间内不断权衡临床显著性前列腺癌的关键检出与不必要的活检之间的平衡 [39]。通过在这一模棱两可的窗口内优化诊断权衡,整合模型能够实现更自信的分流——在不影响癌症检出的前提下,安全地使更多患者免于侵入性操作。
在技术层面,CTRW等非高斯模型需要高b值数据(>2000 s/mm²)[40],而这类数据通常容易出现几何变形和磁敏感伪影 [41]。为解决这一问题,我们在主要队列中采用了ZOOMit序列(缩小视野DWI)。该技术可提供更优的对比度和分辨率,确保所分析的信号衰减反映的是真实的微结构限制而非图像伪影。值得注意的是,我们的跨厂商验证在一台GE扫描仪上使用标准全视野DWI序列成功完成。在这一异质性队列中观察到的一致诊断性能表明,利用高质量ZOOMit数据识别的微结构生物标志物具有稳健性,且即使在专用缩小视野序列不可用的情况下,也可推广至常规临床环境。
最后,我们评估了一个探索性的统一分区感知模型(对外周带有条件地应用MEM_ADC,对移行带有条件地应用CTRW_alpha)。尽管该分区域模型在内部表现优异,但与我们的整合模型相比,其在多厂商验证队列中的泛化性略有下降。这种衰减可能归因于各解剖亚组内样本量的减少,削弱了对共享临床协变量进行稳健加权所需的统计效能,从而导致跨厂商过拟合。因此,尽管构建条件切换的分区感知算法仍是未来大规模多中心研究的最终目标,我们当前的整合模型代表了目前临床应用中统计上最稳健且实用的统一工作流程。
本研究存在局限性。首先,参考标准依赖的是穿刺活检而非全组织病理。在仅采用系统活检的历史验证队列中,通过区域空间匹配进行影像-病理对照存在固有的空间错位风险,未来需要使用全组织逐层切片病理进行精确配准来加以验证。其次,亚组分析中的有限样本量——尤其是TZ PI-RADS 3类病变中的临床显著性前列腺癌(csPCa)病例(n = 9)——可能限制统计效能,需要在更大的多中心队列中加以验证。第三,人工分割和对平均参数指标的依赖可能限制效率并忽略病灶内变异性。纳入自动分割和基于直方图的特征可以更好地捕捉前列腺癌的异质性。最后,技术和流程方面的障碍仍然存在。为非高斯模型采集多个高b值会延长扫描时间,可能增加运动伪影并降低临床检查效率。此外,离线后处理对常规实施构成挑战。未来方案优化(例如确定所需的最小b值)以及AI辅助商业软件的整合将对促进这些先进指标的临床转化至关重要。
结论
MEM_ADC和CTRW_alpha是csPCa的独立预测因子。尽管联合模型与Clinical+ADC模型相比,AUC的提升无统计学显著差异,但其阴性预测值(NPV)更优。重要的是,扩散指标的相对价值具有分区依赖性:MEM_ADC在外周带(PZ)最具信息量,而CTRW_alpha在移行带(TZ)发挥更大作用,这提示在临床实践中可能有必要根据部位特异性应用扩散模型。
补充信息
电子补充材料
引用
- He, Chen, Kang, et al. Precise zonal diagnosis: multi-b-value DWI model reveals differential predictors of clinically significant prostate cancer in peripheral and transition zones. Insights Imaging. 2026. PMID: 42247047. doi:10.1186/s13244-026-02324-2
- 全文:PMC13241545(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13241545/
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。