Page 135 - 南京医科大学自然版

第45卷第8期 钱 哲，臧 攀，丁 磊，等. 高危前列腺癌患者穿刺病理预测模型的构建及验证研究［J］.
2025年8月 南京医科大学学报（自然科学版），2025，45（8）：1186-1193，1210 ·1191 ·

A B
Full（AUC：0.856，95%CI：0.812-0.900） 1.00 High risk
PSAD（AUC：0.783，95%CI：0.728-0.839）
1.0 0.75 Low risk
PI⁃RADS socre（AUC：0.697，95%CI：0.652-0.741）
Age（AUC：0.613，95%CI：0.529-0.697） Threshold 0.50
0.8
Number of lesions（AUC：0.592，95%CI：0.519-0.664） 0.25
Histological score（AUC：0.552，95%CI：0.479-0.625）
Sensitivity 0.6 0 0 100 Patient number 300 400
200
0.4
0.2
0
1.0 0.8 0.6 0.4 0.2 0
Specificity
C D
0 10 20 30 40 50 60 70 80 90 100
40
Points
（%） 30 Age
lmportance 20 Lesion 406080
3 1
10
2
0 4 2
Age Lesions PI⁃RADS PSAD Histological score 13
Histological score PI⁃RADS 4 5

PSAD
0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5
Total points
0 10 20 30 40 50 60 70 80 90 100 110 120 130
Risk
0.10 0.50 0.90 0.99
E F 1.00
AUC：0.886，95%CI：0.776-0.995 High risk
1.0 0.75 Low risk
Threshold 0.50
0.8 0.25
Sensitivity 0.6 0 0 20 40 60 80

0.4
0.2 Patient number
0

1.0 0.8 0.6 0.4 0.2 0
Specificity
A：ROC curves of the puncture pathology prediction model constructed by each factor individually as well as integrally in the training set（n=424）；
The optimal risk threshold was 0.634，and the corresponding specificity and sensitivity of the model in the training set was 96.2% and 65.6%，respec⁃
tively. B：Distribution of patients above and below the threshold in the training set. C：Comparison of the contribution of each factor in the prediction
model. D：Nomogram constructed by integrating the variables in the model. E：ROC curves of the prediction model in the validation set（n=78）. The opti⁃
mal risk threshold was 0.495，and the corresponding specificity and sensitivity of the model in the validation set was 87.5% and 80.0%，respectively. F：
Distribution of patients above and below the threshold in the validation set.
图2 预测模型在训练集和验证集中的表现
Figure 2 Performance of the predictive model in the training and validation sets
断的研究大多是基于对前列腺病理的预测 ［21］ ，然而 究纳入的因素较为繁琐，如磁共振波谱成像和4K评
这并不能为高危 PCa 患者前列腺穿刺时舍弃 SB 提 分等，相比之下，本研究纳入的因素更加简便，容易
供直观具体的证据。因此，本研究更有针对性地构 获取且整合后的模型有着更好的AUC表现 ［22-23］ 。
建前列腺TB病理的预测模型，能够为模型筛选后的 本研究为单中心回顾性分析，受研究特征制
患者舍弃SB提供更直观的依据。此外，一些类似研 约，当前结论仍需多中心前瞻性研究予以佐证。值