基于全前列腺MRI的机器学习无创预测前列腺癌淋巴结受累

《Frontiers in Oncology》：Non-invasive prediction of lymph node involvement in prostate cancer via machine learning on whole-prostate MRI

　　

背景：评估淋巴结状态对于指导前列腺癌（PCa）患者的手术决策、预后评估和复发风险估计至关重要。因此，本研究旨在建立并验证一个集成预测模型，该模型利用T2加权MRI扫描准确识别PCa患者的淋巴结受累（LNI）。方法：评估了339例术前接受全前列腺MRI检查，随后接受根治性前列腺切除术和扩大盆腔淋巴结清扫术（ePLND）的前列腺癌患者的回顾性队列。为了无创预测LNI，研究人员开发了一种复合机器学习模型，该模型基于2012年Briganti列线图，整合了MRI衍生的影像组学、深度学习特征和临床参数。使用受试者工作特征曲线下面积（ROC-AUC）和决策曲线分析（DCA）评估模型性能和临床效用。结果：DRBN模型在训练集和验证集中均表现出优异的预测能力，ROC-AUC分别为0.963和0.920，PR-AUC值分别为0.950和0.921。此外，DRBN模型在两个队列中均显示出令人满意的校准度和临床效用。结论：整合全前列腺MRI的临床、影像组学和深度学习特征，为预测LNI提供了一种可行的无创方法。

论文解读：基于全前列腺MRI的机器学习模型无创预测前列腺癌淋巴结受累

研究背景与意义

前列腺癌（PCa）是全球男性第二大常见恶性肿瘤，其区域扩散的关键指标是盆腔淋巴结受累（LNI），这通常发生于远处转移之前。约12-15%的PCa患者会出现LNI，这与复发风险显著增加及预后不良密切相关。尽管扩大盆腔淋巴结清扫术（ePLND）是淋巴结分期的金标准，但其伴随的并发症使得术前准确识别高风险患者成为临床迫切需求。目前的临床列线图（如Briganti列线图）主要依赖临床病理变量，预测精度有限。磁共振成像（MRI）凭借其无创性和卓越的软组织分辨率已成为PCa管理的关键模态。然而，传统的影像组学特征存在不稳定性与泛化性不足的问题，而卷积神经网络（CNN）提取的深度学习特征虽能捕捉更复杂的空间异质性，但如何有效整合两者优势以构建高精度预测模型仍是研究热点。本研究发表于《Frontiers in Oncology》，旨在通过整合全前列腺MRI的临床、影像组学和深度学习特征，建立并验证一个非侵入性的术前LNI预测模型。

关键技术方法概述

研究人员回顾性纳入了2014年至2024年间单中心接受前列腺MRI及根治性前列腺切除术联合ePLND的339例患者。排除了图像伪影严重、缺乏病理结果或既往有前列腺手术史的患者。研究采用3.0T MRI扫描仪获取轴向T2加权图像，并由两名放射科医生手动勾画整个前列腺作为感兴趣区（ROI）。特征提取方面，利用Pyradiomics库提取影像组学特征，并利用预训练的ResNet50模型提取深度学习特征。通过组内相关系数（ICC）、t检验/Mann-Whitney U检验及最小绝对收缩和选择算子（LASSO）回归进行四步特征筛选与降维。随后，研究人员将筛选后的特征输入七种机器学习算法中以确定最优基模型，并最终构建了结合临床（基于2012 Briganti列线图）、影像组学和深度学习特征的DRBN集成模型。模型性能通过ROC曲线、PR曲线、校准曲线及决策曲线分析（DCA）进行综合评估。

研究结果

患者特征

研究共纳入339例患者，按7:3比例随机分为训练队列（n=237，LNI+ n=41）和验证队列（n=102，LNI+ n=18）。统计分析显示，训练队列和验证队列中LNI阳性组与阴性组在阳性穿刺核心百分比、临床T分期及Gleason分级等主要变量上均存在显著差异（P < 0.05），而PSA水平在两组间无统计学差异。

特征提取与选择

从轴向T2加权MRI图像中总共提取了1409个影像组学特征和2048个深度学习（DL）特征。经过ICC筛选去除可重复性差的特徵后，分别保留了781个影像组学特征和860个DL特征。进一步的统计检验和LASSO回归最终筛选出9个影像组学特征和14个DL特征用于模型构建。

模型构建与验证

在评估的七种机器学习方法中，XGBoost因其在训练队列内部五折交叉验证中表现最佳而被选为构建影像组学模型（R-Model）和深度学习模型（DL-Model）的基础算法。R-Model在训练集和验证集的AUC分别为0.908和0.865，DL-Model分别为0.916和0.795。研究人员进一步构建了DRBN集成模型，该模型在训练集（AUC = 0.963）和验证集（AUC = 0.920）中均表现出优于单一模型和Briganti列线图的预测能力。PR-AUC值分别为0.950和0.921。校准曲线显示DRBN模型具有较低的Brier评分（训练集0.076，验证集0.126），表明校准度良好。DCA分析证实该模型具有较高的净临床获益。混淆矩阵结果显示，该模型在训练队列正确识别了91.5%的阳性和89.8%的阴性病例，在验证队列正确识别了88.0%的阳性和84.6%的阴性病例。SHAP分析表明影像组学模型对DRBN模型的贡献度最高。

讨论与结论

本研究开发的DRBN模型通过整合临床变量、影像组学特征和深度学习特征，实现了对前列腺癌患者LNI状态的精准无创预测。与传统的仅依赖临床参数的列线图相比，该模型利用了全前列腺MRI中包含的更丰富的肿瘤微环境信息，克服了仅分析病灶可能遗漏弥漫性病变或微病灶的局限。尽管本研究存在单中心回顾性设计的局限性，且未纳入PSMA-PET等新兴模态，但其结果表明，结合全腺体分析和多模态特征融合的机器学习策略，有望成为优化术前风险分层、减少不必要的ePLND手术及其相关并发症的有力工具。研究人员得出结论：整合全前列腺MRI的临床、影像组学和深度学习特征，为预测LNI提供了一种可行的非侵入性方法，但这一初步发现仍需在多中心外部验证队列中进一步证实。