Page 136 - 南京医科大学自然版

第45卷第8期
·1192 · 南 京 医 科 大 学 学 报 2025年8月

表2 训练集和验证集中模型预测效率的相关统计指数 得注意的是，按照本研究的目的，如果在高危患者
Table 2 Statistical indices related to the predictive 中舍弃SB，有可能导致靶向病灶外更高级别的肿瘤
efficiency of the models in the training and
组织漏诊，从而导致术后格里森评分升级，这也是
validation sets
未来研究的方向。此外，可预见的是，人工智能等
Training set Validation set
Statistical indices 新兴技术会进一步提高PCa穿刺前预测和诊断的效
（n=424） （n=78）
率。例如基于人工智能技术整合影像组学和病理
Sensitivity（%） 65.600 80.000
Specificity（%） 96.200 87.500 组学等多模态信息，通过大量数据高强度标记病
灶，提升对 PCa 病灶特征的解析能力，从而对可疑
Positive predictive value（%） 99.200 98.200
PCa 病灶进行穿刺前诊断，这很可能成为 PCa 早期
Negative predictive value（%） 28.100 33.300
Positive likelihood ratio 17.054 06.400 筛查的新路径 ［24-28］ 。
Negative likelihood ratio 00.358 00.229 本研究通过分析训练集中的患者数据构建了
Diagnostic odds ratio 47.656 28.000 针对高危PCa患者TB病理诊断的预测模型，并通过

A （Intercept） B Age C Histological score
0.08 12.5
0.75
10.0
0.06
Density 0.04 Density 7.5 Density 0.50
5.0
0.02 2.5 0.25
0 0 0
-80 -60 -40 -20 0 0 0.05 0.10 0.15 -1 0 1 2
Coefficient value Coefficient value Coefficient value
D Lesion E PI⁃RADS F PSAD
0.5 0.3
1.00
0.4 0.2
0.75
Density 0.50 Density 0.3 Density 0.1
0.2
0.25 0.1
0 0 0
-2 -1 0 1 0 5 10 15 20 5 10
Coefficient value Coefficient value Coefficient value
G
Mean AUC=0.846（95%CI：0.823-0.857）
Mean=0.846
Density 40 2.5%=0.823 97.5%=0.857

20

0
0.75 0.80 0.85
AUC
A-F：Distribution intervals for each coefficient of the Bootstrap（500 times）sample set model.（A：intercept ；B：age；C：histological score；D：lesion；
E：PI⁃RADS score；F：PSAD）. G：AUC means and confidence intervals for the Bootstrap sample set model.
图3 Bootstrap方法验证预测模型稳健性
Figure 3 Bootstrap method to validate the robustness of the prediction model

验证集患者数据验证了其具有良好的诊断预测效 利益冲突声明：
能。在前列腺穿刺前应用该预测模型能筛选出可 所有作者声明无利益冲突。
Conflict of Interests：
以免除 SB 只进行 TB 的高危 PCa 患者，能够在保持
The authors declared no competing interests.
良好 PCa 诊断效率的同时减少穿刺数，从而减少出 作者贡献声明：
血、感染等穿刺并发症，节约医疗资源。 钱哲、臧攀和王宇昊完成数据收集；李杰提供理论指导；