随着医疗技术的发展，人口老龄化现象日趋明显，在我国中老年男性群体中，前列腺癌（prostate⁃ cancer，PCa）患者数量日益增加^[1]。Gleason评分是一种被广泛采用的PCa组织学分级方法^[2]，为主要结构类型与次要结构类型评分之和，评分越高代表PCa分化程度越差^[3]；根据ISUP 2014PCa分级分组标准，Gleason评分与预后分组对应^[2]。目前对于PCa的诊断，已有很多检查方法，其中包括超声检查和磁共振成像（magnetic resonance imaging，MRI），穿刺活检依然是术前诊断和组织学分级的最终标准^[4]。 MRI作为一种非侵入性检查，因其软组织分辨率较高，且可进行多参数、多方位的成像，临床应用范围越来越广泛^[5]，近年来出现的许多新的MRI技术，更是给临床带来了更多有价值的信息。MRI中扩散加权成像（diffusion weighte dimaging，DWI）可以用于评估肿瘤细胞增殖和肿瘤坏死的程度^[6]。传统DWI单指数模型中，只能提供表观扩散系数（apparent diffu⁃ sion coefficient，ADC），由于细胞中水分子扩散运动呈非高斯分布，导致该单一高斯模型指数无法详尽描述扩散情况。近年来出现了一些高级模型，如体素内不相干运动（intravoxel incoherent motion， IVIM）、分数阶微积分模型（fractional order calculus， FROC）、扩散峰度成像（diffusion kurtosis imaging， DKI）、拉伸指数模型（stretched exponential model， SEM）等，这些高级模型可以提供更多的参数。如DKI可以提供平均扩散系数（mean diffusivity，MD） 和平均峰度（mean kurtosis，MK）^[7-8]，SEM可提供扩散分布指数（distributed diffusion coefficient，DDC）和扩散异质性指数（α）^[9-10]，这些参数消除了非高斯分布的影响，能更准确地描述组织中水分子的扩散运动。本研究通过计算前列腺MRI中DWI数据得到DKI和SEM各参数，并与术后病理结果中的预后分组进行回归分析，评价各参数与预后分组的相关性，从而评估上述模型各参数区分PCa恶性程度、判断预后的价值。

1 对象和方法

1.1 对象

本研究经东南大学附属中大医院伦理委员会批准（2022ZDSYLL030⁃ P01），所有受试者知情同意。回顾性收集2019年11月—2021年9月在东南大学附属中大医院行PCa切除术的患者71例，年龄54~88岁，平均年龄75岁。纳入标准：通过手术病理诊断为PCa的患者；术前MRI检查使用了多b值DWI序列。排除标准：未查到术后病理结果；病灶太小，无法进行测量；因运动、金属物等产生伪影影响观察。在本研究中以Gleason评分进行预后分组。Gleason评分≤6为预后分组1，Gleason评分3+4为预后分组2，Gleason评分4+3为预后分组3，Glea⁃ son评分8为预后分组4，Gleason评分9和10为预后分组5。其中预后分组为1的7例，预后分组为2的13例，预后分组为3的14例，预后分组为4的24例，预后分组为5的13例。

1.2 方法

1.2.1 成像仪器及序列参数

本研究数据均为Philips Ingenia3.0T磁共振扫描，采集线圈为16通道矩阵线圈。DWI序列参数为：TR为6 000ms，TE为70ms，层厚为4.0mm，层间距为0.4mm，FOV为200mm×300mm，矩阵为80× 142，b值（s/mm²）/平均次数为：0/1、1000/2、2000/3。

1.2.2 图像后处理

在PACS系统中获取患者MRI的DICOM图像，使用MathWorks公司的MATLAB 2018b软件编写图像处理程序^[11]，根据以下模型方程进行DKI和SEM拟合，并输出到各个单独的参数图中：

（1）DKI^[8]：

$S=S_0\cdot e^{\left(-b\cdot MD+\frac{1}{6}\cdot b^2\cdot M{D}^2\cdot MK\right)}$

（2）SEM^[10]：

$S=S_0\cdot e^{-(b\cdot DDC{)}^a}$

其中，S代表扩散加权因子为b时的信号强度；S ₀代表b为0时的信号强度。MD代表DKI模型中组织内平均扩散速率；MK表示扩散系数的峰度；DDC代表SEM模型中校正后的扩散系数；α代表SEM模型中扩散异质性指数。传统单指数模型的ADC由仪器自带的图像处理程序自动生成。结合术后病理结果，由两位高年资影像诊断医师在DWI图像中，依据病理学提示的病灶位置，在病灶中间层面，尽可能大地勾画类圆形感兴趣区（region of interest，ROI）； 若有多个病灶且Gleason评分不同的，取评分最高的一个病灶；勾画时避开出血、坏死及测量值为0的区域；将ROI复制到ADC、DDC、α、MD、MK参数图中，将每个参数的平均值及SD进行记录；将两位医师对每个ROI测量的数据取平均值进行统计。

1.3 统计学方法

使用SPSS 22.0软件进行统计学分析。计量数据取两位医师统计数据的平均值，不符合正态分布的计量资料用中位数（四分位数）[M（P₂₅，P₇₅）]表示 （表1）。以Cronbach’s Alpha系数来评价二者间的可信任度，＞0.8表示可信任度好。在验证数据可信任度后，分别对各参数在各组间的分布差异用Krus⁃ kal⁃Wallis检验，P< 0.05为差异有统计学意义。将ADC分别与DDC、MD进行Wilcoxon秩检验，P< 0.05视为分布差异有统计学意义。对各参数与预后分组之间的相关性使用Spearman相关性分析，根据相关系数r的大小评价相关性强弱，当其绝对值处于以下区间时：[0，0.2）认为不相关，[0.2，0.4]认为相关性低，（0.4，0.6]认为相关性中等，（0.6，0.8]认为相关性强，（0.8，1.0]认为极具相关性^[12]。对各组参数与预后分组进行曲线拟合，为了得到单一趋势、拟合效果好且数值唯一的拟合曲线，本研究用线性和逆模型两种曲线进行拟合，以R ² 评价拟合度高低。

2 结果

2.1 医师操作可信任度检验结果

两位医师间的评分数据Cronbach’s Alpha系数为0.910，证明二者评分数据可信任度高。

2.2 各参数在各分组上的Kruskal⁃Wallis检验结果

ADC、α、DDC、MD、MK在各预后分组上的分布均存在差异（P均<0.05，表1）。

2.3 ADC分别与DDC、MD的Wilcoxon秩检验结果

ADC与DDC在各预后分组上的分布存在显著差异（P< 0.01）；ADC与MD在各预后分组上的分布差异均无统计学意义（P> 0.05）。

2.4 各参数与预后分组之间的Spearman相关性分析结果

ADC、DDC、MD与预后分组均成负相关（r值分别为-0.601、-0.627、-0.566，P均<0.01）；MK与预后分组呈正相关（r=0.537，P< 0.01）；α与预后分组相关性较弱（r=0.239，P=0.045）。

2.5 各组参数与预后分组的曲线拟合结果

ADC与预后分组以线性模型拟合的 R² 为0.452，逆模型的R ² 为0.644；DDC与预后分组以线性模型拟合的R ² 为0.470，逆模型的R ² 为0.749；MD与预后分组以线性模型拟合的R ² 为0.436，逆模型的R ² 为0.643；MK与预后分组以线性模型拟合的 R ² 为0.302，逆模型的R ² 为0.345；α与预后分组的以线性模型拟合的R ² 为0.116，逆模型的R ² 为0.174（图1）。各分组在预后分布上总体呈下降趋势，且DDC比ADC和MD有更大的斜率，在低级别中DDC数值普遍高于ADC，在高级别中DDC普遍低于ADC（图2）。预后分组1、2组典型病例ADC和DDC对比情况见图3。

3 讨论

DWI是MRI中的常规扫描。传统单指数扩散模型只能提供ADC这个单一数据^[13]，但由于组织细胞分布的不均匀性，水分子在其中的扩散运动不符合高斯分布，ADC作为高斯模型^[14-15]，无法将这种运动详尽描述。DKI和SEM模型提供校正系数MK、 α，二者以非线性校正得出ADC的校正值MD、DDC，能更好地拟合高b值中扩散信号的非线性下降趋势，从而描述水分子的非高斯运动^[16-17]，进而反映组织细胞的分布和均匀度^[18]。以往文献中已有将单指数、DKI或SEM模型应用于PCa的诊断中，但三者联合进行评价的文献较少；本研究的优势在于分别对ADC、DDC、MD与预后分组进行回归分析，以拟合度 R ² 的大小评价三者在预测肿瘤细胞学分级中的能力。

本研究对各参数在5个预后分组之间的分布进行对比时发现，根据Kruskal⁃Wallis检验结果，ADC、 α、DDC、MD、MK的分布均存在差异。将ADC分别与DDC、MD进行Wilcoxon秩检验发现，ADC与DDC的分布存在显著差异；ADC与MD的分布差异无统计学意义。在分别对各参数与预后分组进行曲线拟合时，发现ADC、DDC、MD与预后分组均呈负相关（r值分别为-0.601、-0.627、-0.566），且以逆模型的拟合度较高（R ² 分别为0.644、0.749、0.643）；MK与预后分组呈正相关（r=0.537），逆模型的R ² 为0.345； α与预后分组的曲线拟合度较低（r=0.239）。这说明3种模型和预后分组均呈现较强的相关性，ADC作为经典的扩散系数模型在判断PCa预后有很高的价值，SEM和DKI模型在这一方面也有较好的表现^[19]。

SEM模型中的DDC比单指数模型的ADC与预后分组的相关性更强^[20-21]，可能是因为ADC作为高斯模型，无法详尽表达非高斯模型的弥散运动，而DDC是校正非高斯运动后的ADC，所以DDC在一定程度上更能描述水分子弥散受限程度。在和预后分组的拟合曲线上，DDC有着比ADC斜率更大的切线（图1）。不同预后分组DDC数值上的差异比ADC大，特别是1组和2组之间的差异最为明显（图2），在低级别中，DDC数值普遍高于ADC，在高级别中DDC普遍低于ADC（图2、3）。可见，在通过扩散成像的各参数的值，对Gleason评分进行预测时，DDC的敏感度高于ADC。本研究发现拉伸指数校正系数α与预后分组的相关性较弱，与郭然等^[11] 对肝细胞癌的研究以及马彦云等^[18] 对乳腺癌的研究结果有差异，这可能与PCa分为中央带、外周带、移行带^[22]，而不是一个均质整体，且各分区组织细胞的组成之间存在差异有关，但本研究未对不同分区进行细化分组，今后可以细化到前列腺的某个单独分区来进一步研究。

DKI模型中的MD^[23-24] 与预后分组的相关性，理论上应优于ADC，但在本研究中二者在不同预后分组上的分布没有显著差异，且二者与预后分组的曲线拟合度也几乎一致（R ² 分别为0.644、0.643），故二者在预测PCa的Gleason评分方面，意义基本相当。本研究中发现MK与预后分组呈正相关，这与赵芯一等^[25] 的研究结果一致。随着肿瘤恶性程度提高，水分子扩散运动受限更加明显，且组织结构变得更加混杂^[26]，进而水分子的扩散偏离高斯分布的程度更大^[27]，而MK描述的是该扩散偏离高斯分布的程度，故与预后分组呈正相关。

本研究的局限性在于，由于EPI⁃DWI序列矩阵和分辨率比较低，以致有些较小病灶所占的像素比较少，不能进行有效测量。在今后研究中可以对序列参数进行优化^[28-30]。

综上所述，PCa预后分组的预判中，单指数模型仍是实际应用中性价比最高的方法，SEM模型中的DDC有比ADC更优秀的表现，DKI模型中的MD和ADC的表现相当。

参考文献