编辑推荐：
为探索影像组学特征对前列腺癌国际泌尿病理学会（ISUP）分级的预测价值，研究人员开展相关研究，发现联合模型预测性能更好，有助于临床决策。
前列腺癌，这个隐匿在男性健康背后的 “杀手”，近年来愈发猖獗。据预测，到 2024 年，美国将新增 299,010 例前列腺癌患者，约 35,250 人会因此病离世。一直以来，格利森评分（Gleason score，GS）是评估前列腺癌侵袭性的病理学标准，但它存在明显缺陷，无法区分 Gleason 3+4=7 和 4+3=7 的情况，这严重影响了患者的治疗方案选择和预后。为了弥补这一不足，国际泌尿病理学会（International Society of Urological Pathology，ISUP）引入了新的分级和分组系统，将前列腺癌分为五个等级 ，这一系统能更精准地评估癌症风险，对患者的预后判断、风险分层以及个性化治疗方案的制定至关重要。然而，如何准确识别前列腺癌的 ISUP 分级成为了临床难题。
在此背景下，来自南京大学等机构的研究人员开展了一项旨在探索基于解剖学感兴趣区域（ROI）提取的影像组学特征对前列腺癌 ISUP 分级预测价值的研究。该研究成果发表在《Abdominal Radiology》上。
研究人员为开展此项研究，运用了多种关键技术方法。他们使用了多中心的前列腺癌数据集，来源于 PI-CAI 公共训练和开发数据集，涵盖了超过 1500 例病例，这些病例来自多个中心。利用深度学习算法对前列腺的外周带（peripheral zone，PZ）和中央腺体（central gland，CG，即移行区 + 中央区）进行分割，以此作为感兴趣区域。从 T2 加权成像（T2WI）、表观扩散系数（apparent diffusion coefficient，ADC）和扩散加权成像（diffusion-weighted imaging，DWI）图像中提取大量特征，每个患者共提取 12,918 个特征。采用合成少数过采样技术（synthetic minority over-sampling technique，SMOTE）算法解决数据集中不同 ISUP 分级之间的类别不平衡问题，通过皮尔逊相关分析和随机森林回归进行特征选择，最后使用随机森林分类算法构建预测模型。
下面来看具体的研究结果：
- 基线信息：研究涉及 1500 名患者，根据 ISUP 评分分为六个统计组。研究发现，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呈上升趋势。
- 不同解剖 ROI 模型选择的特征：PZ 模型中，有 3 个特征来自 T2WI，7 个来自 DWI。如 T2WI 中的小波灰度共生矩阵信息度量（Wavelet GLcmImc1）特征权重最大，反映肿瘤的异质性和空间依赖性；DWI 序列中的 LBP3D 和灰度共生矩阵（GLCM）等特征进一步捕捉肿瘤的三维空间异质性和结构复杂性。CG 模型中，1 个特征来自 T2WI，2 个来自 ADC 图，7 个来自 DWI。其中 T2WI 序列的 LBP3D 范围特征权重最高，反映肿瘤区域的异质性 。
- 不同解剖 ROI 模型对 ISUP 分级任务的预测能力：在训练集上，所有模型的 AUC 值都较高。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），而 PZ+CG 模型表现最佳，AUC 达到 0.928（95% CI：0.872，0.966）。CG 模型对 ISUP 1 和 ISUP 5 的预测效果最好，PZ+CG 模型则主要提高了对 ISUP 2 - 4（对应前列腺癌的中高级别）的预测结果。
综合研究结论和讨论部分，该研究使用大样本多中心前列腺癌数据集，验证了基于解剖 ROI 的影像组学模型在预测前列腺癌 ISUP 分级方面有良好表现。联合模型（PZ+CG）在测试集上的预测性能优于单个的 PZ 和 CG 模型，通过双参数 MRI、影像组学结合随机森林算法，建立了前列腺癌良好的影像 - 病理相关性。这一研究成果意义重大，为临床医生提供了更准确的诊断工具，有助于减少不必要的活检程序，避免对中风险患者的误分类。同时，准确的 ISUP 分级评估对于制定个性化治疗方案至关重要，能帮助前列腺癌患者获得更好的治疗效果和更高的生活质量。不过，该研究也存在一些局限性，如多中心之间的差异可能影响数据的一致性和可靠性，成像协议的标准化有待提高，随机森林模型所需的计算基础设施可能限制其广泛应用等。未来还需要进一步的研究来验证和完善这一策略 。
