整合PSMA PET/CT与mpMRI的影像组学模型用于前列腺癌无创诊断及自动分割策略验证：一项多中心研究

《BMC Medicine》：Non-invasive diagnosis strategy integrating PSMA PET/CT and mpMRI for patients with suspected prostate cancer: a multi-center study

本研究针对mpMRI和68Ga-PSMA PET/CT在前列腺癌（PCa）诊断中存在的假阳性及特异性不足问题，开展了整合多模态影像的影像组学模型开发与外部验证研究。结果表明，基于LightGBM的多模态模型在区分良性前列腺疾病（BPD）和临床显著性前列腺癌（csPCa）方面表现出优异性能（内部验证AUC=0.91，外部验证AUC=0.825），且深度学习自动分割的体积兴趣区（VOI）与专家手动勾画具有可比性。该研究为前列腺癌的准确风险分层提供了具有强泛化性的自动化工具，推动了临床应用的扩展。

　　

前列腺癌是男性中最常见的恶性肿瘤之一，早期精准诊断对于治疗决策和预后至关重要。当前，多参数磁共振成像（multiparametric MRI, mpMRI）和⁶⁸Ga标记的前列腺特异性膜抗原（Prostate-Specific Membrane Antigen, PSMA）正电子发射断层扫描/计算机断层扫描（PET/CT）是临床诊断的两大利器。然而，它们各自面临挑战：mpMRI存在一定的假阳性率，可能导致不必要的活检；而PSMA PET/CT在区分良性前列腺疾病（Benign Prostate Diseases, BPD）和具有临床意义的癌症（clinically significant PCa, csPCa）方面，特异性仍有待提高。此外，现有的研究大多基于小规模、单中心的数据，其结论的普适性（generalizability）令人担忧。那么，能否将这两种先进的影像技术“强强联合”，并利用人工智能技术，开发出一个更准确、更可靠的自动化诊断工具呢？同时，在构建这样的模型时，精准划定前列腺的感兴趣区域（Volume of Interest, VOI）是关键但费时的一步，能否用高效的深度学习自动分割来替代专家繁重的手工勾画，而不损失诊断精度呢？一项发表在《BMC Medicine》上的多中心研究，正是为了回答这些问题而展开。

为了攻克上述难题，研究团队进行了一项回顾性多中心研究。他们从两个中心共招募了488名疑似前列腺癌的患者，所有患者均接受了⁶⁸Ga-PSMA PET/CT和mpMRI（包括T2加权成像和扩散加权成像DWI）检查，并后续进行了穿刺活检作为诊断“金标准”。研究人员将这些数据分为模型开发与内部验证组（366例）、外部验证队列1（41例）和外部验证队列2（81例）。研究的核心技术方法包括：1. 多模态影像特征提取：从PSMA PET/CT和mpMRI图像中提取大量影像组学（Radiomics）特征，以量化肿瘤的异质性。2. 机器学习模型构建与比较：使用六种经典的机器学习分类器（包括逻辑回归LR、支持向量机SVM、随机森林Random Forest、极端随机树Extra Trees、XGBoost和LightGBM）进行训练，核心任务是区分csPCa、所有前列腺癌以及比较不同VOI分割策略的效果。3. 分割策略对比：专门评估了专家手动勾画的VOI与深度学习算法自动生成的VOI在最终诊断模型性能上的差异。模型性能通过受试者工作特征曲线下面积（AUC）、灵敏度、特异性、准确率、阳性预测值（PPV）和阴性预测值（NPV）等一系列指标进行全面评估。

研究结果

患者队列与疾病分布

在最终分析的407例患者中，病理结果显示有137例为良性前列腺疾病（BPD），25例为临床非显著性前列腺癌（clinically insignificant PCa），250例为临床显著性前列腺癌（csPCa）。这为模型训练和验证提供了疾病谱较为完整的数据基础。

多模态模型诊断性能卓越

整合了PSMA PET/CT和mpMRI特征的多模态影像组学模型，在所有测试的机器学习算法中表现最佳。其中，LightGBM模型展现了最优异的诊断效能，在内部验证中，其区分csPCa的AUC达到了0.91；在独立的外部验证队列中，AUC依然保持在0.825的高水平。这显著优于单一影像模态（单独的PET或MRI）构建的模型，证明了多模态信息融合对于提升前列腺癌，特别是csPCa诊断准确性的巨大价值。

自动分割与专家勾画效果相当

一个对临床实践推广极具意义的结果是，基于深度学习算法自动生成的前列腺VOI，其所构建的诊断模型性能与基于影像专家手动精细勾画的VOI模型性能高度可比。两者模型AUC的差异仅在3%到8%之间。这表明，自动分割技术可以在几乎不损失诊断准确性的前提下，极大解放医生的劳动力，为大规模临床应用的 scalability（可扩展性）扫清了关键技术障碍。

研究结论与意义

本研究成功开发并外部验证了一个基于机器学习、整合⁶⁸Ga-PSMA PET/CT与mpMRI的多模态影像组学模型。该模型能够对疑似前列腺癌患者进行精确的风险分层，特别是在鉴别良性前列腺疾病（BPD）与临床显著性前列腺癌（csPCa）方面表现出高精度和强大的外部泛化能力。这意味着该工具有望在未来辅助临床医生减少不必要的穿刺活检，并使癌症患者的识别更加精准。

更值得关注的是，研究通过严谨对比证实，采用深度学习进行前列腺自动分割的策略，能够取得与依赖专家手动描绘相媲美的诊断性能。这一发现具有重要的实用价值：它使得整个“影像获取-自动分割-特征提取-模型诊断”流程有望实现全自动化，显著提高了方法学的效率和一致性，为将该先进诊断模式整合到日常临床工作流中奠定了坚实的技术基础。

综上所述，这项研究不仅提供了一个性能优越的前列腺癌无创诊断工具，更重要的是验证了一条通往临床规模化应用的可行路径——即“多模态影像+影像组学+自动化处理”。它为解决当前前列腺癌影像诊断中的痛点问题提供了新的思路和实证支持，有望在未来推动精准医疗在前列腺癌诊断领域的发展。