Page 128 - 南京医科大学自然版
P. 128

第44卷第7期
               ·1012 ·                         南   京 医 科       大 学      学 报                        2024年7月


              变活检后的GS与相应根治性前列腺切除术（radical                       临床模型（0.865 vs. 0.658，P=0.02），决策曲线分析也
              prostatectomy，RP）后的 GS 不一致仍然是一个未解                 证实该模型有良好的临床实用性。He 等                    ［41］ 基于
              决的问题    ［27］ ，而Zhang等 ［28］ 研究表明，基于mpMRI的          T2WI和ADC 图像构建影像组学模型分别预测ECE
              影像组学模型对 PCa 从活检到 RP 的 GS 升级有良                     和 PSM，结果显示 ADC 模型性能最佳（AUC：0.625、
              好的预测性能，并开发了一种简单易用的诺莫图，                            0.733），结合临床因素后的联合模型性能提高到
              帮助临床医生根据患者 GS 升级的风险决定继续                           0.728 和 0.766，也说明联合模型可提高对 ECE 和
              实行主动监测或手术根治等。Ogbonnaya等                ［29］ 全部    PSM 的风险预测能力。另外该研究从原发灶中提
              使用 RP 标本作为参考标准，从 bpMRI 图像中提取                      取 RF，说明 ECE 的发生与瘤内的异质性相关。而
              GLCM 特征，筛选能独立预测 csPCa 的 RF 并构建模                   Bai 等 ［42］ 基于瘤周区域构建影像组学模型来预测
              型，该研究是第1个使用3D特异性模具将影像学和                           ECE，结果显示瘤周区域的RF较瘤内区域能更好地
              组织病理学信息整合在一起的前瞻性研究。                               预测 ECE（P < 0.05）。研究认为瘤周组织及微环境
                  大量研究表明 mpMRI 的计算机辅助分析可以                       能够提供肿瘤诊断和预后相关的信息                  ［43］ ，如瘤周血
                                                      ［30］
              帮助进行PCa的分级及风险分层，Makowski等 使用                      管和软组织、脂肪组织的变化可能与包膜受侵袭程
              支持向量机（support vector machine，SVM）、随机梯度            度有关   ［44-45］ 。
              提升、随机森林和 K⁃最近邻（K⁃nearest neighbor，                     目前预测ECE的 ML研究相对较少，Cuocolo等             ［46］
              KNN）这4种不同的ML算法训练模型对PCa进行风                         基于 T2WI 和 ADC 图像采用 SVM 算法构建 ECE 预
              险分层，并评估T1 mapping特征的附加价值，结果显                      测模型，并在多中心验证模型，结果显示模型在训
              示SVM的准确率最高（AUC=0.92），且T1 mapping定                 练集中的准确率达83%，在两个外部验证集中的准
              量技术可提高影像组学模型的准确性，但该研究样                            确率达 79%和 74%，且与影像医师的诊断准确率差
              本量小，无法充分确定 T1 mapping 定量技术的潜在                     异无统计学意义，多中心验证的设计直接证明该模
              价值。最近，Castillo等     ［31］ 在一项多中心研究中使用              型具有良好的普适性，将其纳入ECE评分系统有望
                                                                                               ［47］
              ML 算法构建区分高风险和低风险 PCa 的影像组学                        进一步提高诊断的准确性。Fan等 基于mpMRI图
              模型，并与影像医师的诊断进行比较，结果显示影                            像使用6种算法分别建立与PCa侵袭性相关的5种生
              像组学模型优于影像医师的诊断。这是第1个将影                            物学特征（Ki⁃67、S100、ECE、PSM和神经周围侵犯）
              像组学模型的普适性作为主要关注点的研究，也提                            的影像组学模型并验证诊断效能，结果显示随机森
              示要在多中心环境中训练验证影像组学模型后，才                            林算法对Ki⁃67、S100、ECE、神经周围侵犯的预测性
              能将其应用于临床决策系统中。                                    能最好（AUC：0.87、0.80、0.85、0.82），SVM 对 PSM 的
              2.3  PCa 包膜外侵犯（extracapsular extension，ECE）       预测性能最好（AUC：0.77）。该研究证明了影像组
              的预测                                               学在预测 PCa 多种生物学特征方面的适用性，并提
                  ECE 会导致 PCa 患者发生手术切缘阳性（posi⁃                  供ML参数为未来的标准化工作提供参考。
              tive surgical margins，PSM）和微转移的概率增加，也             2.4  PCa BCR的预测
              与不良预后和 BCR 相关        ［32-33］ ，对于这些患者需要考                BCR 是 PCa 患者治疗失败及死亡的主要原因，
              虑切除血管神经束或辅助治疗等                ［34］ 。因此，术前准        早期准确预测 BCR 有助于指导临床合理制定治疗
              确识别 ECE 对于治疗方案的制定至关重要。一项                          方案，改善预后。
              Meta 分析显示 mpMRI 术前预测 ECE 的灵敏度仅为                        Zhong 等 ［48］ 使用基于卷积神经网络（convolu⁃
                 ［35］
              57%   ，而影像组学的出现提高了 ECE 检测的准确                      tional neural network，CNN）的 ML，构建 mpMRI 影像
              性 ［36-38］ 。                                       组学模型来预测局限性 PCa 患者放射治疗（radia⁃
                  Ma 等 ［39］ 基于 T2WI 图像构建影像组学模型，训                tion therapy，RT）后的 BCR，结果表明该模型的总体
              练集和验证集的AUC 分别为0.902和0.883，与影像                     准确率为 74.1%，首次证明了 mpMRI 影像组学在评
              医师的诊断灵敏度（46.88%~50.00%）相比，灵敏度                     估局限性PCa患者 RT 后预后方面的潜力。在此基
             （75.00%）显著提高，特异度差异无统计学意义，与                         础上，Li 等   ［49］ 联合术前 bpMRI 的 RF、GS 分级分组
              先前的研究结果一致           ［35］ ，但该研究仅评估了 T2WI           和 PSA 水平建立 RadClip 诺莫图来预测 RP 术后的
              图像的RF。Xu等 基于mpMRI图像构建影像组学                         无 BCR 生存和不良病理，结果显示 RadClip 的模型
                              ［40］
              模型以术前预测ECE，结果显示其诊断效能明显优于                          C 指数为 0.77，AUC 为 0.71，其表现优于现有的预
   123   124   125   126   127   128   129   130   131   132   133