基于灌注MRI分形分析预测前列腺癌分级:回顾性原理验证研究
回顾性分析PROSTATEx数据集99例患者112个癌灶,对DCE-MRI行分形分析获得分形维数(FD),用于预测ISUP分级。FD区分非临床显著(1组)与临床显著(2-5组)癌的敏感度91%、特异度86%,AUC 0.97优于ADC的0.77。FD与ISUP分级线性相关(r²=0.874),但5组肿瘤间无显著差异。
要点
- 肿瘤边缘灌注FD可区分ISUP 1-4级前列腺癌,5级肿瘤间无显著差异。
- FD预测临床显著癌的AUC为0.97,显著优于ADC的0.77(p<0.001)。
- FD与ISUP分级呈线性相关(r²=0.874,p<0.001),观察者间一致性κ=0.91。
核心结论
- 灌注MRI分形分析能准确预测低、中、高级别(ISUP 1-4级)前列腺癌分级,但不能预测最高级别(5级)肿瘤。
研究设计与样本
- 回顾性分析公开的PROSTATEx数据集,纳入99例患者共112个癌灶,ISUP分级来自MRI引导下穿刺活检。
- 使用同一厂商两台3T MRI扫描仪,序列包括T2加权、质子密度加权、DCE和扩散加权成像(ADC图)。
- 对DCE序列行分形分析获得分形维数(FD),并与ADC测量比较;由一名盲法阅片者分析全部病灶,另一名盲法阅片者分析50个病灶评估观察者间变异。
关键影像表现/征象
- FD图可清晰显示肿瘤边缘,且肿瘤边缘FD与肿瘤核心FD可区分。
- 肿瘤边缘中位FD随血管去分化阶段升高:低阶段2.193(IQR 0.013)、中阶段2.256(IQR 0.018)、高阶段2.330(IQR 0.027),两两比较p<0.03。
诊断标准与关键数值
- FD区分ISUP 1组与2-5组的敏感度91%(CI 83-96%)、特异度86%(CI 73-94%)。
- FD预测临床显著癌的AUC为0.97(CI 0.93-1.0),ADC的AUC为0.77(CI 0.67-0.88),两者差异p<0.001。
- FD多分类AUC为0.95(95%CI 0.91-0.99)。
- FD与ISUP分级线性相关r²=0.874(p<0.001);观察者间Cohen κ=0.91(CI 0.85-0.97),Bland-Altman偏倚0.016(CI 0.01-0.023),一致性界限−0.031至0.063。
临床应用与阅片要点
- 分形分析在肿瘤边缘(肿瘤与宿主组织交界区)测量平均FD,单病灶分析约需10分钟。
- ADC仅能区分ISUP 1组与2-5组,而分形分析可准确区分各分级组(5级除外)。
局限性
- 原文未报告局限性。
全文中译15 节 · 点击展开
引言
血管生成是癌症的标志,并与肿瘤发展和代谢密切相关[1, 2]。肿瘤组织的去分化与“血管生成开关”及随之发生的血管结构变化有关[3]。肿瘤微血管化的此类表型已被可视化,例如使用对比增强超声显微镜[4]。与人体正常血管结构相比,去分化序列早期阶段肿瘤血管结构的变化与生长中肿瘤的营养需求相匹配。一般而言,血管树在多个尺度上遵循生理学决定的分支规则。这种所谓的尺度不变性是分形的核心特征。分形在自然界中无处不在,是生物结构和功能的基本原理。灌注就是一个恰当的例子——它是一种具有分形组织的生理过程[5, 6],可通过基于放射学和核医学成像方法的分形分析来揭示[7, 8]。分形分析可以测量物体的几何复杂性或混沌程度,可用分形维数(FD)来量化。由于分形分析基于灌注的病理生理学原理,可以预期它能够揭示灌注异常背后生物学相关因素的信息。血管生成尤其在前列腺癌(PCa)中的关键作用已被认可[9, 10],组织学分析方法也一直存在争议[11]。然而,灌注——作为血管解剖的功能相关因素——目前在PCa患者的临床影像检查中优先级较低。
PCa的分级对患者临床管理和预后具有决定性意义。PCa诊断的标准是活检并进行根据Gleason分级系统的组织学分级[12]。2016年,国际泌尿病理学会(ISUP)建议采用1至5级的等级分组[13, 14]对肿瘤进行分类,作为一种更全面的分级报告系统[15]。从临床角度来看,重要的是,ISUP等级分组1级病变的患者以及部分ISUP等级分组2级且Gleason评分4占比较低的患者可考虑主动监测[16]。磁场强度为3 T的PCa多参数磁共振成像(mpMRI)已得到应用,在检测PCa方面具有优异的敏感性和阴性预测值[17, 18],包括移行区[19],并有助于术前预测临床显著性癌症[20]。临床上,前列腺MRI的范围主要集中于通过实施当前2.1版前列腺影像报告和数据系统(PI-RADS)进行癌症检测[21],并呈向省略动态对比增强(DCE)序列的非对比双参数方案发展的趋势[22]。事实上,从灌注MRI获得的示踪剂动力学参数已显示出评估外周带PCa侵袭性的潜力[23]。此外,MRI中表观扩散系数的分析已显示出与肿瘤分级的一定关系[24, 25]。然而,尚无无创肿瘤分级预测方法能够达到临床所需的准确性。
我们的研究探索灌注分形分析作为肿瘤血管去分化替代指标的潜力。我们评估分形维数(FD)作为从临床常规DCE-MRI序列获得的定量生物标志物,用于PCa的肿瘤分级预测。本工作的假设如下(见图1):(I)血管树的组织结构包含分形灌注区域,这些区域决定了可观察到的灌注模式(图1a)。(II)血管组织和灌注区域的改变,例如由肿瘤血管生成引起,可通过分形分析进行测量(图1b)。(III)灌注的分形分析可利用临床灌注MR成像数据区分个体PCa分级(图1c–f),并优于当前研究标准,即ADC测量。
材料与方法
研究步骤
为检验本研究的假设,执行三个研究步骤:(I)提出灌注区域分形分析的数学表述,为分形分析提供依据。(II)进行计算机模拟实验,以验证分形分析在不同血管条件下的应用。(III)将分形分析应用于临床前列腺mpMRI的体内数据,利用一个公开可用的数据集(包含临床常规影像和组织学数据)进行肿瘤侵袭性的无创预测。
分形维数的意义
分形维数(FD)可以被解释为混沌或粗糙度的度量。考虑一张纸,当忽略其厚度时,它是一个二维物体。当这张纸被揉皱时,它占据一定的体积,实际体积根据揉皱程度而变化。FD为我们提供了一种粗糙度的度量,在此例中反映了揉皱的程度。因此,纸片的维数,即其FD,超过其拓扑维数二,并以嵌入维数三为上限,其实际值介于两者之间。因此,此处FD的范围从二到三,可以被解释为相关性的度量。更具体地说,FD是通过特征随尺度传播的双对数线性回归来测量的,该回归基于观测特征与尺度的关系[7]。如果一个物体具有尺度不变的自相似性,则它是分形,这可以从该回归中确定,并且可以在许多生物结构中发现,如血管树[26]。
具有相似分形维数的两个物体不一定彼此相似。相反,FD可以被视为物体几何复杂性的描述符。在医学成像中,数据可以表示为拓扑二维的灰度图像。这些图像可以被解释为纹理或地形图,其强度代表纹理的高度(图1)。因此,此类图像可以被赋予拓扑维数二和嵌入维数三,类似于揉皱的纸片。在纹理的背景下,具有高空间相关性的强度分布倾向于FD的整数值(即接近2.0或3.0),而随机分布的强度变化倾向于FD为2.5。作为纹理分析方法的一个子类,分形分析构成了纹理中混沌的定量描述符。当应用于DCE灌注图像时,分形分析将灌注成像纹理的表型外观与其潜在的生物学对应物即血管系统联系起来。因此,FD作为定量纹理分析特征产生了关于灌注以及由此产生的血管结构的病理生理学有意义的信息。
病理生理学假说
我们在前列腺癌(PCa)灌注成像中进行分形分析的病理生理学假说基于灌注调节,这种调节发生在一个大范围的不变且自相似的血管尺度上,主要从小动脉到毛细血管前微动脉。血管节段的扩张和收缩支配着对所属微循环即灌注区域的血液供应。这些区域的叠加产生了宏观上可观察到的灌注模式,该模式反映了 underlying 血管树的分形特性。血管生成主要发生在肿瘤边缘,而血管结构在肿瘤中心趋于稳定[27]。因此,与邻近宿主组织的灌注模式相比,肿瘤边缘的灌注模式可能提供关于肿瘤发展动态阶段的信息。血管树的分形组织适用于解剖学推导的灌注模式,并构成分形特征,该特征在分形分析过程中跨尺度测量[26]。血管组织和灌注区域的改变与肿瘤血管生成中的血管去分化相关,因此可以通过在肿瘤与宿主组织交界区域即肿瘤边缘处的分形分析来测量。总之,分形维数(FD)被解释为在肿瘤存活、高灌注边缘的灌注模式中所发现的几何复杂性的整体度量,并被认为可提供关于 underlying 血管去分化的信息。因此,假设FD能够根据灌注成像数据预测所研究PCa的肿瘤分级。
灌注区域的数学表述
为了更好地理解PCa灌注的组织结构,我们基于生理学考虑推导了一个代数概念,可在补充方法中找到。该表述是本研究成果的一部分,并构成了进一步实验的基础。
计算机模拟实验
基于我们的数学公式,我们生成了计算机模拟的灌注体模。我们以三个明确定义的血管阶段为基准模拟了真实情况,并对我们的体模应用分形分析以证明我们的概念。这种方法允许系统地改变肿瘤灌注区域的实验条件。我们使用构造性约束优化(CCO)算法[28]生成计算机模拟血管树:首先,我们模拟了非肿瘤前列腺组织的正常血管树,呈半径为5 cm的圆形,并留出一个占位区域用于插入肿瘤树(图2a)。其次,我们生成了不同去分化阶段(低、中、高)的肿瘤树,呈半径为1.6 cm的圆形,如补充材料中所述(图2b)。将这些肿瘤树插入正常树的占位区域。随后,我们计算了这些血管树的灌注区域(补充动画图S1),并通过降采样至DCE图像典型临床分辨率每像素1.5 mm来模拟作为灌注替代指标的对比增强(图2c)。计算机模拟的所有细节见补充方法。随后,我们使用分形分析计算局部FD图,具体方法见补充方法。最后,我们勾画了肿瘤-宿主交界区域(图2d中标记为红色)以测量平均FD,假设其与模拟的肿瘤分级相关。
患者与影像数据集
在体内实验中,我们使用了来自PROSTATEx挑战赛患者[29, 30]的影像数据集。该数据集已在知识共享署名3.0未移植许可下发布,数据集保持不变。数据集提供方已获得机构审查委员会批准。该数据集为连续系列常规患者的采集数据。我们纳入了99例患者中经MRI引导下穿刺活检获得的112例前列腺癌,均有明确的ISUP分级分组,并对分级分组设盲进行连续分析。影像参数、所用药物(包括对比剂和扫描仪)的详细信息可见于[29],成像序列符合ESUR前列腺MR指南[31]。总之,患者成像使用同一制造商的两台不同MRI扫描仪,磁场强度为3 T。成像序列包括T2加权、质子密度加权、动态对比增强(DCE)以及扩散加权成像并生成表观扩散系数(ADC)图。DCE序列采用三维涡轮快速小角度激发梯度回波序列(平面内分辨率约1.5 mm,层厚4 mm,时间分辨率3.5 s),同时静脉注射钆基对比剂。前列腺癌在所有MRI序列中的确切位置以病灶质心的坐标给出。每个独立病灶均有以ISUP分级分组表示的组织学分级。本研究中使用的数据来自癌症影像档案(TCIA),由国际光学与光子学学会(SPIE)、美国国家癌症研究所/美国国立卫生研究院(NCI/NIH)、美国医学物理学家协会(AAPM)和拉德堡德大学资助[32]。
体内图像处理与分形分析
临床常规DCE成像序列的所有时间点均接受灌注分形分析,分析过程由一名设盲的读者(具有6年泌尿生殖系统成像经验)独立完成,并由第二名设盲读者(具有超过15年泌尿生殖系统成像经验)对n = 50个病灶进行分析,以确定观察者间变异性。首先,我们应用了如补充材料中所述的个体噪声水平自适应去噪方案和强度校准,以确保成像数据的标准化。其次,通过将蛇形感兴趣区拟合至对比增强病灶外周,应用半自动分割程序。第三,基于毯式方法[33]自动计算每个时间点的局部FD图。对FD最大的ROI进行统计分析。所有图像处理以及基于DCE图像纹理的分形分析实现详见补充方法。
体内ADC测量
ADC在肿瘤区域中ADC值最低处测量,并对第25百分位数进行统计分析。我们采用这一方法来自多项报告[29, 34–36],这些报告表明使用低百分位数(在某些研究中甚至使用第10百分位数)可改善ADC与Gleason分级的相关性。
统计分析
根据病理生理学假设,推测每个病灶的最高平均FD与其相应的ISUP分级组之间存在相关性。采用Kruskal–Wallis检验和使用Mann–Whitney U检验进行成对组间比较,并对多重检验进行Bonferroni校正。显著性水平低于0.05被认为具有显著性,报告经Bonferroni校正的调整p值。FD与ISUP分级组之间的相关性通过线性建模进行评估。两名独立的盲法读者(分别具有6年和超过15年的泌尿生殖影像学经验)之间分形分析的观察者间变异性在n = 50例病例中使用Cohen's κ和Bland–Altman分析进行评估。诊断准确性使用受试者工作特征(ROC)分析进行分析,并计算各ROC曲线下面积(AUC)以及敏感度和特异度。为分析分形分析在二分类鉴别(即低级别与高级别病灶的鉴别)中的诊断准确性,根据每个病灶在不同组阈值下的ISUP分级组归属对数据集进行二分类(即第1组与2–5组的汇总评估、1–2组与3–5组、1–3组与4–5组、1–4组与5组)。为分析所有五个分级组的诊断准确性,计算多分类AUC,并通过bootstrap计算其置信区间,如[37]所述。作为选择用于分级组鉴别的FD截断值的标准,我们使用了效率或正确分类观察值的比例,其对应于使效率公式Ef (c) = pSe(c) + (1 − p)Sp(c)最大化的截断值,其中Se代表敏感度,Sp代表特异度,p代表人群中估计的患病率(基于我们的样本),如[38]所述。统计分析使用R软件(v3.4.1;2017年6月30日,R Foundation for Statistical Computing)进行。
结果
数学表述
基于我们的数学假设,我们发现血流与灌注组织面积之间存在分形关系,形式为 ,其代表血管树近端调节部分与远端被调节组织部分(即灌注区域)之间的幂律缩放关系。Aperf是灌注区域的大小,Qperf是相应的血流。FD是分形维数,其定量表征分形关系(图1a和动画补充图S1)。该表述证明了灌注区域的分形特性,即自相似性和尺度不变性。
计算机模拟实验
为验证我们的数学表述,我们使用血管计算机模拟体模模拟灌注,并检验分形分析是否正确表征了潜在的血管去分化阶段。图2a–d显示了三种不同模拟肿瘤分级的示例以及相应的灌注模拟和FD图(所有体模均包含在补充图S2-4中)。共分析了15个体模,每个阶段建模五个样本。
如图2e所示,肿瘤边缘的中位FD随去分化阶段增加:在代表血管去分化低、中、高阶段的树状结构中,中位FD和四分位距(IQR)分别为2.193(0.013)、2.256(0.018)和2.330(0.027)。两两多组比较显示,三个血管去分化阶段之间的FD均有显著差异(p < 0.03)。FD与去分化阶段呈极好相关(Spearman's ρ = 0.94,p < 0.001)。
体内实验
对99例患者共112个前列腺癌病灶(包括16个移行区病灶)的前列腺灌注MRI序列进行了分形分析。患者中位年龄为65岁(范围42–78岁),中位PSA水平为12 ng/ml(四分位距,IQR:10.3 ng/ml),中位病灶大小为17 mm(IQR:8.5 mm);另见[29]。ISUP分级分组分布见图3。所有病灶的分形分析均成功完成,每个病灶约需10分钟,包括预处理、分形维数(FD)图计算、感兴趣区(肿瘤边缘)定义以及分形分析结果评估。图3a展示了五个ISUP分级组中各一个代表性前列腺癌的分形分析示例。
图3b显示了FD与ISUP分级组相关性的箱线图,包括每组样本量以及中位FD差异的两两多组比较显著性。Kruskal–Wallis检验显示组间差异高度显著(p < 0.001),两两多组比较确定了低级别(1组)、中级别(2组)和高级别(3组和4组)病灶之间的差异(图3b)。两个最高肿瘤级别病灶之间(4组,n = 8,对5组,n = 7)未发现显著差异。病灶水平的FD与分级组呈强正线性相关(r2 = 0.874,p < 0.001),FD分布呈谱样外观。观察者间一致性高,Cohen's κ = 0.91(CI:0.85–0.97),Bland–Altman分析显示在n = 50例子集中无明显偏倚(0.016,CI:0.01–0.023),一致性界限可接受(− 0.031至0.063)。
对合并ISUP分级组的二分类数据集进行ROC分析的结果(包括AUC、敏感性和特异性)见表1。合并分级组病灶区分的ROC曲线见图3c。在不同分级组阈值下区分合并低级别和高级别病灶的诊断准确性非常好(所有合并组分析包括95%置信区间见表1)。个体多分类区分的AUC为0.95(95%置信区间[CI]:0.91–0.99)。区分ISUP分级组的FD截断值见表2。
分形分析在预测临床显著癌方面显著优于ADC测量(AUCFD = 0.97 [CI:0.93–1.0] 对 AUCADC = 0.77 [CI:0.67–0.88],p < 0.001)。如表1所示,ADC仅能将ISUP 1级组与合并的2–5级组病灶区分开,而分形分析能准确区分各单个分级组,但5级组病灶除外。
讨论
本研究将前列腺癌边缘灌注模式的分形维数作为一种具有病理生理学意义的指标引入。因此,分形维数在预测ISUP分级组方面具有非常好的诊断准确性。最值得注意的是,在低至中级别与高级别病变(对应于1–4级组)之间实现了极好的区分,这意味着重要的预后相关性,并可能用于指导临床管理。
根据本研究的观察,分形维数呈现分布范围较大的连续分布。这提示一个假设:前列腺癌(PCa)的发展是一个连续谱,而临床实践中使用的Gleason分级系统仅仅是对肿瘤生物学的一种离散化、简化的近似,从而是临床上可把握的近似。这一观点因世界卫生组织(WHO)近期建议报告Gleason 4级所占比例并考虑报告Gleason 5级比例而更具相关性[15]。一方面,对中间级别病变的精确表征具有重要的预后意义[39–41]。另一方面,ISUP分级分组2级且Gleason 4级比例低的患者可能适合主动监测[16]。Gleason分级系统传统上用于临床决策,是预后的一个尚可的估计工具。然而,随着更精细的成像技术(参见例如[42, 43])以及多参数MRI诊断性能的临床证据[17, 18](通过实施PI-RADS 2.1版[21]),产生了对前列腺癌分级预测采用病理生理学上更精细方法的需求。此外,随着采集方案不断缩短的趋势(例如[44]),目前尚无可靠的无创预测前列腺癌分级的方法在临床中实施。灌注的分形分析是应对这一挑战的一个有前景的候选方法,也是一种可能将DCE序列转化为我们优势的分析手段。
从临床角度看,如果进行了DCE成像序列,分形分析可以直接纳入临床常规,因为它不需要任何特殊的成像前提条件。FD可能作为额外的定量标准加入PI-RADS评估:分形分析在恶性概率中等病变(即PI-RADS 3)中潜在增加的信息价值可能在于识别临床非显著(ISUP 1组)前列腺癌,以对活检优先级和方法进行分层,或为主动监测提供依据。此外,FD的变化可能提示主动监测患者的癌症进展。在PI-RADS 4和5病变中,分形分析可能通过根据ISUP分组区分高级别与低级别病变来支持临床决策。
前列腺癌生物学的分形组织已在既往研究中受到审视,涉及细胞学[45, 46]、血管形态学[47, 48]以及影像特征(用于肿瘤检测的T2加权图像)[49, 50]等角度。在一项近期将肿瘤细胞植入小鼠的研究中,对给予血管内对比剂后获得的图像进行分形分析,得以无创地表征微血管架构[48]。鉴于血管树形态已被证明因其与肿瘤进展和转移潜能的关联而对死亡率具有预测作用[51],这一方面具有临床重要性。此外,灌注MRI作为一种功能成像方法已显示出可产生病理生理学相关信息的潜力,例如用于评估外周带前列腺癌的侵袭性[23]。
在前列腺癌(PCa)的背景下,肿瘤富血管部分的边缘是分形分析的最佳靶点,因为其在血管生成和肿瘤发展中起决定性作用。血管生成受(病理)生理学决定的边界条件调控。这些边界条件源于局部和整体生长刺激,并由具有血管生成表型的癌细胞所促进[52]。血管树的结构和功能特征暗示了不同的灌注模式,这构成了本研究的病理生理学依据。本研究的一个目的是提供前列腺癌灌注成像分形分析的概念验证。因此,它表明分形维数本质上具有前列腺癌的病理生理学意义,并且易于整合到标准DCE序列中。此外,在独立人群中的验证研究已独立确立了所建立的FD截断值的诊断准确性[53]。
除DCE成像外,已有多种技术被提出用于灌注成像,最值得注意的是体素内不相干运动(IVIM)[54]和动脉自旋标记(ASL)[55]。为进一步理解灌注特征——可能甚至超越肿瘤过渡区——并实现无需钆基对比剂的灌注成像,未来研究可评估分形分析在这些成像技术中的应用。
以下挑战和局限性需要讨论。本研究中生成的计算体模系统性地改变肿瘤血管形态的一个方面,即血管树的优化目标。然而,随着进一步进行性去分化,血管优化的影响被认为会减弱。相反,极端的代谢和力学特性在更高级别肿瘤中变得更为重要。因此,所呈现的模型和体模描绘的是肿瘤血管生成过程的早期方面,难以提供肿瘤血管生成复杂过程的全面模型,尤其是在高度去分化的肿瘤中。然而,从临床角度尤其是对于前列腺癌而言,区分无转移扩散的低级别和中间级别肿瘤对治疗管理最为相关,因此证明了所选方法的合理性。这些血管树具有伪随机分布的终末位置,这在肿瘤组织中不太可能出现。血管树的生成算法假设层流和稳态流,这对于中小型血管是合理的,因为在这些血管中稳态流主导于振荡流[56]。前列腺过渡区的癌症由于该区域的组织结构异质性而成为重大诊断挑战,尤其是在患有良性前列腺增生富灌注结节的男性中,这是一种常见情况。
在总共112个病灶中,数据集中仅有8个ISUP分级组4的病灶和7个组5的病灶。这一小样本量无法就分形分析在区分这些最高级别病灶中的诊断准确性得出结论。此外,过渡区肿瘤数量较少(n = 16),无法进行有意义的按区域亚组分析。
此外,数据集中未包含患者的临床信息,如分期、临床处理或随访数据。无法区分前列腺癌(PCa)的组织学类型。然而,世界卫生组织(WHO)[15]将导管内癌作为PCa的新类型以及腺泡性PCa的新变异型纳入肿瘤分类,这一点在分析的数据集中未得到充分体现。另一个重要方面是肿瘤组织的稀疏性,肿瘤组织与正常前列腺组织混合存在。这些肿瘤在DCE图像中有特定表现,且与前列腺炎的鉴别可能具有挑战性[57]。正常前列腺组织的混合可能改变灌注模式,从而影响分形分析的结果。可以推测,肿瘤类型和肿瘤稀疏性等组织学特征分别对预后或诊断准确性具有影响。因此,根据组织学肿瘤特征进行专门的灌注分形分析可能具有启发意义。数据集中可用的参考标准为腔内MRI引导下活检。与根治性前列腺切除术相比,可能存在因活检位置导致的采样偏倚。然而,腔内MRI引导下活检的结果显示与根治性前列腺切除术的Gleason分级的一致率为88%[58]。因此,该方法因其高准确性(包括对困难和微小癌病灶)而被视为“问题解决者”[59]。
总之,灌注区域的分形分析是病理生理灌注成像的一个有意义的概念。本工作报告了分形灌注区域的代数公式,并使用计算机模拟体模进行了验证。本研究将分形分析应用于前列腺癌的临床MR成像数据,显示出在前列腺癌无创分级预测方面的高潜力。从转化视角来看,分形分析可以很容易地整合到当前的前列腺癌多参数MRI(mpMRI)中,例如作为一个单独的PI-RADS标准,PI-RADS是癌症检测的极佳工具,但迄今为止缺乏准确预测肿瘤分级的能力。分形维数——几何混沌的定量度量——被提出作为一种有意义的影像生物标志物,在使用无创影像检查进行肿瘤学诊断方面具有独特的病理生理学意义。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 19516 kb)
引用
- Michallek F, Huisman H, Hamm B, et al. Prediction of prostate cancer grade using fractal analysis of perfusion MRI: retrospective proof-of-principle study. Eur Radiol. 2021. PMID: 34913991. doi:10.1007/s00330-021-08394-8
- 全文:PMC9038862(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9038862/
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。