基于MRI的机器学习模型预测PI-RADS 3病变的良恶性及侵袭性

2021-12-08李天平骆训容罗明芳张涵谢海柱王培源

国际医学放射学杂志 2021年6期

李天平骆训容罗明芳张涵谢海柱王培源

前列腺癌（prostate cancer，PCa）是中老年男性最常见的泌尿生殖系统肿瘤，在全球男性的肿瘤发病率及死亡率中位居前五[1]。2019年发布的前列腺影像报告数据系统2.1版（Prostate Imaging-Reporting and Data System version 2.1，PI-RADS v2.1）[2]将前列腺病变分为5类，其中PI-RADS 3前列腺病变包括良性病变以及侵袭性不同的恶性病变，但PI-RADS v2.1并未明确PI-RADS 3病变是否需要活检。有研究[3]在292例PI-RADS 3病人的穿刺活检结果中发现32%（92/292）为PCa，其中23%（69/292）为临床有意义PCa（clinically significant PCa，csPCa），提示并非所有病人都需要进行活检。因而，准确判断病变的良恶性，有助于减少病人非必要活检带来的痛苦。此外，PI-RADS 3病变会向恶性或更高级别的病变转变，随诊研究显示4%的病变可转为更高级别的肿瘤[4]。因此，明确肿瘤的侵袭性并及时检测和识别高级别肿瘤，进而对病人及时治疗，可延缓肿瘤进展，延长病人的生命。病理学Gleason评分（Gleason score，GS）是判断PCa侵袭性最主要的独立预测因素，PI-RADS v2.1将GS≥7（3+4）定义为csPCa，即侵袭性PCa；GS≤6定义为临床无意义PCa（clinically insignificant PCa，ci PCa），即非侵袭性PCa。

影像组学可对影像数据进行定量分析，从而无创性地评估肿瘤生物学行为，已经广泛应用于PCa的诊断、侵袭性评估及临床决策等方面[5]。影像组学方法用于PCa良恶性的诊断及GS评分已表现出良好的预测效能[6]。目前尚未见采用影像组学机器学习模型对PI-RADS 3前列腺病变的良恶性鉴别和侵袭性评估的研究，本研究拟探讨机器学习预测模型预测PI-RADS 3前列腺病变的良恶性及PCa侵袭性的预测价值。