ｂａｓｅｄｏｎｇｒａｙｌｅｖｅｌｃｏ－ｏｃｃｕｒｒｅｎｃｅｍａｔｒｉｘ［Ｊ］．ＪＣｌｉｎＲａｄｉｏｌ，２０１９，３８（３）：３８６－３８９．
［１３］ 谭红娜，武明辉，顾建钦，等．乳腺Ｘ线图像纹理特征预测乳asaspossible
腺癌腋窝淋巴结转移［Ｊ］．中国医学影像技术，２０１７，３３（１２）：１７７４－１７７８．
ＴＡＮＨＮ，ＷＵＭＨ，ＧＵＪＱ，ｅｔａｌ．Ｍａｍｍｏｇｒａｍｔｅｘｔｕｒｅａｎａｌｙｓｉｓｉｎｐｒｅｄｉｃｔｉｏｎｏｆａｘｉｌｌａｒｙｌｙｍｐｈｎｏｄｅｍｅｔａｓｔａｓｉｓｆｏｒｂｒｅａｓｔｃａｒｃｉｎｏｍａ［Ｊ］．ＣｈｉｎＪＭｅｄＩｍａｇｉｎｇＴｅｃｈｎｏｌ，２０１７，３３（１２）：１７７４－１７７８．
［１４］ ＨＯＬＭ，ＳＡＭＥＩＥ，ＭＡＺＵＲＯＷＳＫＩＭＡ，ｅｔａｌ．Ｃａｎｔｅｘｔｕｒｅａｎａｌｙ
美国2016大选ｓｉｓｂｅｕｓｅｄｔｏｄｉｓｔｉｎｇｕｉｓｈｂｅｎｉｇｎｆｒｏｍｍａｌｉｇｎａｎｔａｄｒｅｎａｌｎｏｄｕｌｅｓｏｎｕｎｅｎｈａｎｃｅｄＣＴ，ｃｏｎｔｒａｓｔ－ｅｎｈａｎｃｅｄＣＴ，ｏｒｉｎ－ｐｈａｓｅａｎｄｏｐ ｐｏｓｅｄ－ｐｈａｓｅＭＲＩ［Ｊ］．ＡＪＲＡｍＪＲｏｅｎｔｇｅｎｏｌ，２０１９，２１２（３）：
崇文门新世界电话５５４－５６１．
［１５］ ＳＯＮＧＧ，ＸＵＥＦ，ＺＨＡＮＧＣ．Ａｍｏｄｅｌｕｓｉｎｇｔｅｘｔｕｒｅｆｅａｔｕｒｅｓｔｏ
ｄｉｆｆｅｒｅｎｔｉａｔｅｔｈｅｎａｔｕｒｅｏｆｔｈｙｒｏｉｄｎｏｄｕｌｅｓｏｎｓｏｎｏｇｒａｐｈｙ［Ｊ］．ＪＵｌ ｔｒａｓｏｕｎｄＭｅｄ，２０１５，３４（１０）：１７５３－１７６０．
［１６］ ＺＨＡＮＧＧＭ，ＳＵＮＨ，ＳＨＩＢ，ｅｔａｌ．ＱｕａｎｔｉｔａｔｉｖｅＣＴｔｅｘｔｕｒｅａｎａｌｙ
ｓｉｓｆｏｒｅｖａｌｕａｔｉｎｇｈｉｓｔｏｌｏｇｉｃｇｒａｄｅｏｆｕｒｏｔｈｅｌｉａｌｃａｒｃｉｎｏｍａ［Ｊ］．Ａｂ ｄｏｍＲａｄｉｏｌ
（ＮＹ），２０１６，４２（２）：５６１－５６８．［１７］ ＧＡＮＥＳＨＡＮＢ，ＧＯＨＶ，ＭＡＮＤＥＶＩＬＬＥＨ，ｅｔａｌ．Ｎｏｎ－ｓｍａｌｌｃｅｌｌ
ｌｕｎｇｃａｎｃｅｒ：ｈｉｓｔｏｐａｔｈｏｌｏｇｉｃｃｏｒｒｅｌａｔｅｓｆｏｒｔｅｘｔｕｒｅｐａｒａｍｅｔｅｒｓａｔＣＴ［Ｊ］．Ｒａｄｉｏｌｏｇｙ，２０１３，２６６（１）：３２
６－３３６．
（编校：蔺癑）
临床影像组学列线图鉴别前列腺良恶性结节的应用价值
邢朋毅１，彭雯佳１，付 贝１，段绍峰２，阳青松１，陆建平１
Ａｐｐｌｉｃａｔｉｏｎｖａｌｕｅｏｆｃｌｉｎｉｃａｌｒａｄｉｏｍｉｃｓｎｏｍｏｇｒａｍｉｎｄｉｆｆｅｒｅｎｔｉａｌｄｉａｇｎｏｓｉｓｏｆｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｐｒｏｓｔａｔｉｃｎｏｄｕｌｅｓ
ＸＩＮＧＰｅｎｇｙｉ１，ＰＥＮＧＷｅｎｊｉａ１，ＦＵＢｅｉ１，ＤＵＡＮＳｈａｏｆｅｎｇ２，ＹＡＮＧＱｉｎｇｓｏｎｇ１，ＬＵＪｉａｎｐｉｎｇ
英语单词学习１１
ＤｅｐａｒｔｍｅｎｔｏｆＲａｄｉｏｌｏｇｙ，ｔｈｅＦｉｒｓｔＡｆｆｉｌｉａｔｅｄＨｏｓｐｉｔａｌ，ＮａｖａｌＭｅｄｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２００４３３，Ｃｈｉｎａ；２ＧＥＨｅａｌｔｈｃａｒｅ，Ｓｈａｎｇｈａｉ
２１００００，Ｃｈｉｎａ．
【Ａｂｓｔｒａｃｔ】 Ｏｂｊｅｃｔｉｖｅ：ＴｏｅｓｔａｂｌｉｓｈａｃｌｉｎｉｃａｌｒａｄｉｏｍｉｃｓｎｏｍｏｇｒａｍｂａｓｅｄｏｎｄｕａｌｐａｒａｍｅｔｅｒＭＲａｎｄｅｖａｌｕａｔｅｉｔｓａｐｐｌｉｃａｔｉｏｎｖａｌｕｅｉｎｄｉｆｆｅｒｅｎｔｉａｔｉｎｇｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｐｒｏｓｔａｔｉｃｎｏｄｕｌｅｓ．Ｍｅｔｈｏｄｓ：ＦｒｏｍＡｐｒｉｌ２０１４ｔｏＪｕｌｙ２０１７，２２７ｐａｔｉｅｎｔｓ（９９ｂｅｎｉｇｎｐｒｏｓｔａｔｉｃｈｙｐｅｒｐｌａｓｉａａｎｄ１２８ｐｒｏｓｔａｔｅｃａｎｃｅｒ）ｗｉｔｈｐｒｏｓｔａｔｅＭＲＩａｎｄｃｏｎｆｉｒｍｅｄｂｙｐａｔｈｏｌｏｇｙｗｅｒｅｓｅｌｅｃｔｅｄ．ＲａｄｉｏｍｉｃｓｆｅａｔｕｒｅｓｗｅｒｅｅｘｔｒａｃｔｅｄｆｒｏｍａｘｉａｌＴ２ＷＩａｎｄＡＤＣｉｍａｇｅｓｏｆｅａｃｈｐａｔｉｅｎｔ．Ｔｈｅｍｉｎｉｍｕｍａｂ ｓｏｌｕｔｅｃｏｎｔｒａｃｔｉｏｎａｎｄＬＡＳＳＯｒｅｇｒｅｓｓｉｏｎｗｅｒｅｕｓｅｄｔｏｒｅｄｕｃｅｔｈｅｄｉｍｅｎｓｉｏｎ，ａｎｄｔｈｅｅｆｆｅｃｔｉｖｅｆｅａｔｕｒｅｓｗｅｒｅｓｅｌｅｃｔｅｄａｎｄｔｈｅｒａｄｉｏｍｉｃｓｆｅａｔｕｒｅｍｏｄｅｌｗａｓｃｏｎｓｔｒｕｃｔｅｄ．Ｃｏｍｂｉｎｅｄｗｉｔｈｉｎｄｅｐｅｎｄｅｎｔｃｌｉｎｉｃａｌｒｉｓｋｆａｃｔｏｒｓ，ｍｕｌｔｉｖａｒｉａｔｅＬｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｗａｓｕｓｅｄｔｏｅｓｔａｂｌｉｓｈｒａｄｉｏｍｉｃｓｎｏｍｏｇｒａｍ．Ｔｈｅｃａｌｉｂｒａｔｉｏｎａｎｄｄ
ｉａｇｎｏｓｉｓｅｆｆｉｃｉｅｎｃｙｏｆｎｏｍｏｇｒａｍｗａｓｅｖａｌｕａｔｅｄｉｎｔｈｅｔｒａｉｎｉｎｇｓｅｔａｎｄｖｅｒｉｆｉｅｄｉｎｔｈｅｖｅｒｉｆｉｃａｔｉｏｎｓｅｔ．Ｆｉｎａｌｌｙ，ｔｈｅｃｌｉｎｉｃａｌａｐｐｌｉｃａｔｉｏｎｖａｌｕｅｏｆｎｏｍｏｇｒａｍｗａｓｅｖａｌｕａｔｅｄｂｙｄｅｃｉｓｉｏｎｃｕｒｖｅａｎａｌｙｓｉｓ．Ｒｅｓｕｌｔｓ：Ｔｈｅａｇｅｏｆｔｈｅｐａｔｉｅｎｔ，ＰＳＡ，ｔｈｅａｒｅａｏｆｔｈｅｌｅｓｉｏｎａｎｄｔｈｅｓｅｌｅｃｔｅｄｉｍａ ｇｉｎｇｆｅａｔｕｒｅｓｗｅｒｅｓｉｇｎｉｆｉｃａｎｔｌｙｃｏｒｒｅｌａｔｅｄｗｉｔｈｔｈｅｄｉｆｆｅｒｅｎｔｉａｌｄｉａｇｎｏｓｉｓｏｆｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｐｒｏｓｔａｔｉｃｎｏｄｕｌｅｓ．Ｔｈｅｒａｄｉｏｍｉｃｓｍｏｄｅｌｈａｄｇｏｏｄｄｉｓｃｒｉｍｉｎａｔｉｏｎｅｆｆｉｃｉｅｎｃｙｆｏｒｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｐｒｏｓｔａｔｉｃｎｏｄｕｌｅｓ．Ｔｈｅｔｒａｉｎｉｎｇｓｅｔ（ＡＵＣ＝０．９１，９５％ＣＩ：０．８７～０．９６）ａｎｄｖａｌｉｄａｔｉｏｎｓｅｔ（ＡＵＣ＝０．９０，９５％ＣＩ：０．８１～１．００）ｗｅｒｅｅｆｆｅｃｔｉｖｅ．Ｔｈｅｒａｄｉｏｍｉｃｓｎｏｍｏｇｒａｍ，ｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｒａｄｉｏｍｉｃｓｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｄｕａｌｐａｒａｍｅｔｅｒＭＲｉｍａｇｅｓａｎｄｉｎｄｅｐｅｎｄｅｎｔｃｌｉｎｉｃａｌｒｉｓｋｆａｃｔｏｒｓ，ｓｈｏｗｅｄｂｅｔｔｅｒｄｉｆｆｅｒｅｎｔｉａｔｉｏｎｅｆｆｉｃｉｅｎｃｙａｎｄｐａｔｈｏｌｏｇｉｃａｌｃｏｉｎｃｉｄｅｎｃｅｒａｔｅｉｎｔｒａｉｎｉｎｇｓｅｔ（ＡＵＣ＝０．９５，９５％ＣＩ：０．９１～０．９８）ａｎｄ
ｖａｌｉｄａｔｉｏｎｓｅｔ（ＡＵＣ＝０．９２，９５％ＣＩ：０．８３～１．００）．Ｔｈｅｄｅｃｉｓｉｏｎｃｕｒｖｅｓｈｏｗｅｄｔｈｅｃｌｉｎｉｃａｌａｐ ｐｌｉｃａｔｉｏｎｖａｌｕｅｏｆｔｈｅｃｌｉｎｉｃａｌｒａｄｉｏｍｉｃｓｃｏｍｂｉｎａｔｉｏｎｍｏｄｅｌ．Ｃｏｎｃｌｕｓｉｏｎ：ＴｈｅｒａｄｉｏｍｉｃｓｎｏｍｏｇｒａｍｏｆｄｕａｌｐａｒａｍｅｔｅｒＭＲＩｃｏｍｂｉｎｅｄｗｉｔｈｃｌｉｎｉｃａｌｒｉｓｋｆａｃｔｏｒｓｃａｎｅａｓｉｌｙｉｄｅｎｔｉｆｙｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｐｒｏｓｔａｔｅｎｏｄｕｌｅｓ，ａｎｄｐｒｏｖｉｄｅｓｕｇｇｅｓ ｔｉｏｎｓｆｏｒｆｕｒｔｈｅｒｃｌｉｎｉｃａｌｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇ．
【收稿日期】 ２０２０－０８－２９【修回日期】 ２０２０－０９－２３
【基金项目】 国家临床重点专科军队建设项目（原总后卫生部）【作者单位】
１海军军医大学第一附属医院影像医学科，上海 ２００４３３２
progress可数吗
（ＧＥ）通用医疗，上海 ２１００００
【作者简介】 邢朋毅（１９７９－），男，河南洛阳人，副主任医师，博士，主要从事腹部影像学研究。Ｅ－ｍａｉｌ：ｄｒｘｉｎｇｐｅｎｇｙｉ＠１６３．ｃｏｍ
【通讯作者】 陆建平（１９５９－），男，江苏太仓人，主任医师，教授，博士生导师，主要从事腹部影像学研究。Ｅ－ｍａｉｌ：ｃｊｒ．ｌｕｊｉａｎｐｉｎｇ＠ｖｉｐ．１６３．ｃｏｍ
·
９０４１·现代肿瘤医学 ２０２１年０４月 第２９卷第０８期 ＭＯＤＥＲＮＯＮＣＯＬＯＧＹ，Ａｐｒ ２０２１，ＶＯＬ ２９，Ｎｏ ０８
【Ｋｅｙｗｏｒｄｓ】ｐｒｏｓｔａｔｅｃａｎｃｅｒ，ｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅｉｍａｇｉｎｇ，ｒａｄｉｏｍｉｃｓ，ｍａｃｈｉｎｅｌｅａｒｎｉｎｇ
ＭｏｄｅｒｎＯｎｃｏｌｏｇｙ２０２１，２９（０８）：１４０９－１４１４
【摘要】 目的：建立基于双参数ＭＲ的临床影像组学列线图，评价其鉴别前列腺良恶性结节的应用价值。方法：选择２０１４年４月至２０１７年７月间接受前列腺ＭＲＩ检查并经病理证实的前列腺结节患者２２７例（前列腺结节增生９９例，前列腺癌１２８例）。从每个患者的轴位Ｔ２ＷＩ和ＡＤＣ图像中提取影像组学特征。使用最小绝对收缩和ＬＡＳＳＯ回归进行降维，选择有效特征并构建影像组学特征模型。结合独立的临床危险因素，采用多元Ｌｏｇｉｓｔｉｃ回归模型建立影像组学列线图。列线图的校准和诊断效能在训练集中进行评估，并在验证集中进行验证。最后通过决策曲线分
析评价列线图的临床应用价值。结果：患者年龄、ＰＳＡ、病灶所在区域以及筛选出的影像组学特征与前列腺结节的良恶性鉴别显著相关。影像组学模型对前列腺良恶性结节有较好的鉴别效能，训练集（ＡＵＣ＝０．９１，９５％ＣＩ：０．８７～０．９６），验证集（ＡＵＣ＝０．９０，９５％ＣＩ：０．８１～１．００）。影像组学列线图结合了双参数ＭＲ图像的影像组学特征和独立的临床危险因素，在训练集（ＡＵＣ＝０．９５，９５％ＣＩ：０．９１～０．９８）和验证集（ＡＵＣ＝０．９２，９５％ＣＩ：０．８３～１．００）中表现出更好的鉴别效能和病理符合率，决策曲线展示了临床影像组学结合模型的临床应用价值。结论：结合双参数ＭＲＩ影像组学特征和临床危险因素的影像组学列线图可以简便地鉴别出前列腺结节的良恶性，为下一步临床决策提供建议。
【关键词】前列腺癌；磁共振成像；影像组学；机器学习
【中图分类号】Ｒ７３７．２５ 【文献标识码】Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７２－４９９２．２０２１．０８．０２８
【文章编号】１６７２－４９９２－（２０２１）０８－１４０９－０６
前列腺癌（ＰＣａ）是男性常见的恶性肿瘤之一，我国前列腺癌的发生率亦逐年上升［１］。前列腺癌的过度诊断和过度治疗是现代前列腺癌管理中备受关注的问题［２］。伴随着多参数磁共振（ｍｐＭＲＩ）的推广应用，大量的高级别前列腺癌被检出，降低了不必要的前列腺活检手术的发生率及
其并发症，当前影像组学在肿瘤异质性的研究受到越来越多的关注［３］，影像组学利用计算机技术对医学图像中的大量数据进行定量分析，其结果有助于临床决策，本研究旨在建立并验证基于双参数ＭＲＩ的影像组学特征和临床危险因素相结合的临床影像组学结合模型，用于鉴别前列腺结节的良恶性。１ 资料与方法
１．１ 临床资料
回顾性纳入海军军医大学第一附属医院２０１４年４月至２０１７年７月间接受３ＴＭＲ检查的前列腺结节病人，其中前列腺结节增生９９例，前列腺癌１２８例，年龄为３７～９０岁，平均年龄为（６６．７０±８．７４）岁，血清前列腺特异抗原（ｐｒｏｓｔａｔｅｓｐｅ ｃｉｆｉｃａｎｔｉｇｅｎ，ＰＳＡ）为４．１１～２３４．００ｎｇ／ｍＬ，平均为（２９．１９±２１．４）ｎｇ／ｍＬ。所有病人皆行ＭＲ引导下前列腺穿刺活检或前列腺全切根治术，并获得病理及完整临床资料。临床表现为有排尿困难、尿频、尿急等症状或ＰＳＡ升高（＞４ｎｇ／ｍＬ）。纳入标准：①前列腺穿刺活检或全切术后，病理确诊者；②术前行３ＴＭＲ检查且检查设备相同，序列一致；③ＭＲ检查后，两周内获得病理结果。排除标准：①行ＭＲ检查前，前列腺曾进行过活检、手术、放疗或内分泌治疗；②结节体积过小（最大直径＜３ｍｍ），病灶边界难以勾画；③ＭＲ图像存在伪影，并影响病灶分割。其他临床指标有前列腺病灶体积（ｐｒｏｓｔａｔｅｌｅｓｉｏｎｖｏｌｕｍｅ，ＰＬＶ）为０．３５～９０．３０ｍｍ３，平均为（７．３７±１４．０７）ｍｍ３，病灶位置（外周带７０例
、移行带１２６例、弥漫分布３１例）。肿瘤病例的Ｇｌｅａｓｏｎ评分：３＋３分３６例、３＋４分２４例、４＋３分１８例、４＋４分２３例、４＋５分１５例、５＋４分７例、５＋５分５例。本研究经海军军医大学第一附属医院伦理委员会审批。
１．２ 设备与方法
采用西门子３Ｔ超导ＭＲ系统（ＭＡＧＮＥＴＯＭＳｋｙｒａ，Ｓｉｅ ｍｅｎｓＨｅａｌｔｈｃａｒｅ，Ｅｒｌａｎｇｅｎ，Ｇｅｒｍａｎｙ），采用标准１８通道相控阵体线圈和３２通道集成脊柱线圈采集信号。横断面Ｔ２ＷＩ参数为重复时间／回波时间（ＴＲ／ＴＥ）＝５４６０／１０４ｍｓ，视野（ＦＯＶ）为１８０ｍｍ２×１８０ｍｍ２，矩阵３８４×３８４，层数２４，层厚４ｍｍ，层间距为０，回波链长度１８，采集时间为３ｍｉｎ４９ｓ；横断面ＤＷＩ的主要参数为ＴＲ／ＴＥ＝５１００／８９ｍｓ，ＦＯＶ为２２４ｍｍ２×２８０ｍｍ２，矩阵１２０×１５０，层数２０，层厚４ｍｍ，层间距为０，加速因子２，ｂ值＝０，１５００ｓ／ｍｍ２，采集三个正交方向的信号，采集时间为７ｍｉｎ５９ｓ。
１．３ 影像组学分析
病灶分割和特征提取：预处理后的Ｔ２ＷＩ和ＡＤＣ图像中成像层面应保持匹配，ＭＲＩ上所描绘的感兴趣区（ＲＯＩ）要与病理描述的位置相一致，外周带（ＰＺ）病变勾画以ＡＤＣ图为主，移行带
（ＴＺ）病变勾画以Ｔ２ＷＩ为主。选择病灶最大截面，沿着病灶边界勾画感兴趣区，如图１所示，以获得二维数据，对于多灶前列腺癌病灶，选择Ｇｌｅａｓｏｎ评分（ＧＳ）最高的病变勾画感兴趣区，如果ＧＳ相同，则选择直径最大的病变勾画病灶，对于活检病理证实的非癌前列腺区域的患者，勾画感兴趣区的直径不小于３ｍｍ。采用组内和组间相关系数（ＩＣＣ）评价影像组学特征提取的重复性。两位在前列腺癌诊断方面有６年（医生Ａ）和１０年（医生Ｂ）经验的影像科医生在Ｔ２ＷＩ和ＡＤＣ图像上手动将病灶感兴趣区分割出来，病理结果对他们盲化。首先，两位医生随机分析了３０张图片，以评估组间的重复性。一周后，医生Ａ重复了同样的程序，ＩＣＣ大于０．７５表示特征提取的一致性很好，其余的图像分割由医生Ａ执行。图像预处理及特征计算使用ＡＫ软件（Ａｒｔｉｆｉ ｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅＫｉｔ；ｖｅｒｓｉｏｎ３．２．０，ＧＥＨｅａｌｔｈｃａｒｅ）。
·
０
１
４
新东方英语培训学校１
·邢朋毅，等 临床影像组学列线图鉴别前列腺良恶性结节的应用价值
图１ 病灶分割
患者，７２岁，移行带前列腺癌，ＰＳＡ为２４．３３ｎｇ／ｍＬ，Ｇｌｅａｓｏｎ评分为３＋４分。以ＡＤＣ图和ＤＷＩ为参照，在Ｔ２ＷＩ上勾画肿瘤感兴趣区。Ａ－Ｂ：轴位Ｔ２加权成像（Ｔ２ＷＩ）；Ｃ：扩散加权成像（ＤＷＩ），ｂ值＝１５００ｓ／ｍｍ２；Ｄ：表观扩散系数图（ＡＤＣ）。
Ｆｉｇ．１ Ｌｅｓｉｏｎｓｅｇｍｅｎｔａｔｉｏｎ
Ｔｈｅｐａｔｉｅｎｔ，７２ｙｅａｒｓｏｌｄ，ｈａｄｔｒａｎｓｉｔｉｏｎａｌｚｏｎｅｐｒｏｓｔａｔｅｃａｎｃｅｒｗｉｔｈａＰＳＡｏｆ２４．３３ｎｇ／ｍＬ，Ｇｌｅａｓｏｎｓｃｏｒｅｏｆ３＋４．ＷｉｔｈＡＤＣｍａｐａｎｄＤＷＩａｓｒｅｆｅｒｅｎｃｅ，ｔｈｅｒｅｇｉｏｎｏｆｉｎｔｅｒｅｓｔｏｆｔｕｍｏｒｗａｓｄｅｌｉｎｅａｔｅｄｏｎＴ２ＷＩ．Ａ－Ｂ：ＡｘｉａｌＴ２－ｗｅｉｇｈｔｅｄｉｍａｇｉｎｇ（Ｔ２ＷＩ）．Ｃ：Ｄｉｆｆｕｓｉｏｎ－ｗｅｉｇｈｔｅｄｉｍａｇｉｎｇ（ＤＷＩ），ｂｖａｌｕｅ＝１５００ｓ／ｍｍ２．Ｄ：Ａｐｐａｒｅｎｔｄｉｆｆｕｓｉｏｎｃｏｅｆｆｉｃｉｅｎｔ（ＡＤＣ）．
１．３．１ 影像组学特征选择与标签构建 采用适用于高维数据回归的最小绝对收缩选择算子（ＬＡＳＳＯ）Ｌｏｇｉｓｔｉｃ回归算法［４］，从训练集中选取与前列腺良恶性结节鉴别最相关的非零系数特征，并对所选特征各自的系数加权进行线性组合，为每个患者计算影像组学评分（Ｒａｄｓｃｏｒｅ），以量化影像组学特征。在训练集和验证集中，影像组学特征的预测准确性通过受试者操作特征曲线下的面积（ＡＵＣ）来量化。１．３．２ 影像组学列线图的构建 多元Ｌｏｇｉｓｔｉｃ回归分析用于筛选与前列腺结节良恶性鉴别的独立预测因素，其中包括潜在的预测因素，如影像组学特征和临床危险因素。为了给临床医生提供个体化鉴别良恶性结节的定量工具，我们在多元Ｌｏｇｉｓｔｉｃ回归模型的基础上构建了兼具影像组学和临床特征的影像组学列线图。
１．３．３ 影像组学列线图的性能和验证 量化影像组学列线图的鉴别性能，使用从训练数据导出的公式计算验证数据中每个患者的Ｒａｄｓｃｏｒｅ，同时除计算ＡＵＣ外，亦进行了校准和Ｈｏｓｍｅｒ－Ｌｅｍｅｓｈｏｗ检验。通过量化不同阈值概率下联合模型训练集和验证集的净效益，进行决策曲线分析（ＤＣＡ）。１．４ 统计学分析
采用Ｒ软件（３．５．１版，ｗｗｗ．Ｒｐｒｏｊｅｃｔ．ｏｒｇ）进行统计分析。采用连续变量的ｔ检验和分类变量的Ｆｉｓｈｅｒ精确检验来检测非ＰＣａ组和ＰＣａ组的临床特征差异。经统计学处理，差异有统计学意义（Ｐ＜０．０５）。计算组内相关系数（ＩＣＣ）以确定观察者间和观察者内的一致性，并保留ＩＣＣ值＞０．７５的特征。ＬＡＳＳＯ回归是使用“ｇｌｍｎｅｔ”包执行的，
ＲＯＣ分析用“ＰＲＯＣ”进行，校准曲线和Ｈｏｓｍｅｒ－Ｌｅｍｅｓｈｏｗ检验分别用“ＭｏｄｅｌＧｏｏｄ”和“ＤｅｓｃＴｏｏｌｓ”进行。最后，使用“ｒｍｄａ”软件包进行决策曲线分析，以确定影像组学特征及列线图的临床实用性。
２ 结果
２．１ 临床模型
在临床因素方面，单因素Ｌｏｇｉｓｔｉｃ分析显示，年龄、ＰＳＡ、病灶所在区域是预测有临床意义的ＰＣａ的显著因素（表１）。多因素Ｌｏｇｉｓｔｉｃ回归分析显示，年龄、ＰＳＡ和病灶所在区域有统计学差异（Ｐ＜０．０５），这３个临床因素可以作为独立的预测因素（表１）。最后，根据选定的临床特征建立Ｌｏｇｉｓｔｉｃ回归分类器。临床模型鉴别效能见表２。
表１ 临床因素单变量和多变量Ｌｏｇｉｓｔｉｃ分析结果Ｔａｂ．１ ＵｎｉｖａｒｉａｔｅａｎｄｍｕｌｔｉｖａｒｉａｔｅＬｏｇｉｓｔｉｃａｎａｌｙｓｉｓｒｅｓｕｌｔｓ
Ｃｌｉｎｉｃａｌ
ｆａｃｔｏｒｓ
Ｕｎｉｖａｒｉａｔｅ
ＯＲ（９５％ＣＩ）Ｐ
Ｍｕｌｔｉｖａｒｉａｔｅ
ＯＲ（９５％ＣＩ）Ｐ
Ａｇｅ１．０７（１．０３～１．１２）０．００１１．０６（１．０１～１．１２）０．０４０
Ｚｏｎｅ０．１８（０．１５～０．４９）＜０．００１０．１３（０．０６～０．２８）＜０．００１ＰＳＡ１．０６（１．０３～１．１１）０．００３１．１０（１．０５～１．１７）＜０．００１ＰＬＶ１．０１（０．９９～１．０５）０．３４０－－注：ＯＲ：优势比；ＰＳＡ：前列腺特异抗原；Ｚｏｎｅ：前列腺病灶所在区域；ＰＬＶ：前列腺病灶体积。
Ｎｏｔｅ：ＯＲ：Ｏｄｄｓｒａｔｉｏ．ＰＳＡ：Ｐｒｏｓｔａｔｅｓｐｅｃｉｆｉｃａｎｔｉｇｅｎ．Ｚｏｎｅ：Ｚｏｎｅｏｆｐｒｏｓ ｔａｔｅｌｅｓｉｏｎ．ＰＬＶ：Ｐｒｏｓｔａｔｅｌｅｓｉｏｎｖｏｌｕｍｅ．
２．２ 影像组学模型
共从感兴趣区中提取了３９６个影像性特征。在观察者内和观察者间一致性检验中，所有特征的ＩＣ
Ｃ均大于０．７５。使用ＬＡＳＳＯ算法和１０倍交叉验证将所有特征精简为５个潜在的预测因子，这些预测因子基于训练队列中的１５９名患者，运用这些预测因子来建立ＬＡＳＳＯ回归模型（图２）。模型中使用的特征及影像学标签如图３所示。
这些选中的特征被用来计算影像组学评分，Ｒａｄｓｃｏｒｅ是由构建模型的特征乘以各自对应的系数之和所得到，公式为“Ｒａｄｓｃｏｒｅ＝βｉ×Ｘｉ＋常数”。加权特征如下所示：Ｒａｄｓｃｏｒｅ＝１．５０１×ＡＤＣ＿ｌｏｇ＿ｓｉｇｍａ＿３＿０＿ｍｍ＿３Ｄ＿ｇｌｒｌｍ＿ＲｕｎＬｅｎｇｔｈＮｏｎ Ｕｎｉｆｏｒｍｉｔｙ＋－０．１４６×Ｔ２＿ｌｏｇ＿ｓｉｇｍａ＿３＿０＿ｍｍ＿３Ｄ＿ｇｌｓｚｍ＿Ｓｉｚｅ ＺｏｎｅＮｏｎＵｎｉｆｏｒｍｉｔｙＮｏｒｍａｌｉｚｅｄ＋０．２２６×Ｔ２＿ｌｏｇ＿ｓｉｇｍａ＿３＿０＿ｍｍ＿３Ｄ＿ｆｉｒｓｔｏｒｄｅｒ＿Ｍａｘｉｍｕｍ＋０．０５４×Ｔ２＿ｌｏｇ＿ｓｉｇｍａ＿３＿０＿ｍｍ＿３Ｄ＿ｇｌｒｌｍ＿ＧｒａｙＬｅｖｅｌＶａｒｉａｎｃｅ＋－０．７５１×ＡＤＣ＿ｗａｖｅｌｅｔ＿ＬＬＬ＿ｆｉｒ ｓｔｏｒｄｅｒ＿１０Ｐｅｒｃｅｎｔｉｌｅ＋０．６８２。
影像组学模型对前列腺结节良恶性鉴别的预测效率较高，见表２。
２．３ 临床影像组学联合模型
结合年龄、ＰＳＡ和病灶所在区域和影像组学评分建立临床影像组学列线图如图４所示。临床－影像
组学联合模型显示了对前列腺良恶性结节良好的鉴别能力，训练组和验证组的ＡＵＣ值分别为０．９５（９５％ＣＩ：０．９１～０．９８）和０．９２（９５％ＣＩ：０．８３～１．００），较高的病理符合率在校准曲线（图５）中体现，表２中列出了三种模型的ＡＵＣ、准确性、敏感性和特异性。我们绘制了这三种模型ＲＯＣ曲线及决策曲线进行比较
·
１
１
４
１
·
现代肿瘤医学 ２０２１年０４月 第２９卷第０８期 ＭＯＤＥＲＮＯＮＣＯＬＯＧＹ，Ａｐｒ ２０２１，ＶＯＬ ２９，Ｎｏ ０８
（图６、７）。结果表明：临床影像组学模型对前列腺良恶性结
节的鉴别能力高于单纯的临床模型及影像组学模型。
表２ 临床、影像组学及联合模型鉴别前列腺良恶性结节的ＡＵＣ结果
Ｔａｂ．２ ＴｈｅＡＵＣｒｅｓｕｌｔｓｏｆｃｌｉｎｉｃａｌ，ｒａｄｉｏｍｉｃｓａｎｄｃｏｍｂｉｎｅｄｍｏｄｅｌｓｔｏｉｄｅｎｔｉｆｙｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｎｏｄｕｌｅｓ
ＩｎｄｅｘＣｌｉｎｉｃａｌｍｏｄｅｌ
Ｔｒａｉｎｉｎｇｓｅｔ
Ｖａｌｉｄａｔｉｏｎｓｅｔ
Ｒａｄｉｏｍｉｃｓｍｏｄｅｌ
Ｔｒａｉｎｉｎｇｓｅｔ
Ｖａｌｉｄａｔｉｏｎｓｅｔ
商务英语培训班
Ｃｏｍｂｉｎｅｄｍｏｄｅｌ
Ｔｒａｉｎｉｎｇｓｅｔ
Ｖａｌｉｄａｔｉｏｎｓｅｔ
Ｃｕｔ－ｏｆｆ０．０２
英语在线－０．２１
－０．４７
ＡＵＣ（９５％ＣＩ）０．８４（０．７８～０．９０）
０．８７（０．７８～０．９６）
０．９１（０．８７～０．９６）
０．９０（０．８１～１．００）
０．９５（０．９１～０．９８）
０．９２（０．８３～１．００）
Ａｃｃｕｒａｃｙ０．８００．８１０．８６０．８５０．８９０．９０Ｓｅｎｓｉｔｉｖｉｔｙ０．７９０．８２０．９００．９５０．８８０．８８Ｓｐｅｃｉｆｉｃｉｔｙ０．８１０．８００．８１０．７３０．９１０．９３ＰＰＶ０．８４０．８４０．８６０．８２０．９３０．９５ＮＰＶ
０．７５０．７７０．８６０．９２０．８５０．８３Ｐ（ｖｓｃｏｍｂｉｎｅｄｍｏｄｅｌ）
＜０．００１
＜０．００１
＜０．００１
＜０．００１
－
opus
－
注：９５％ＣＩ：９５％置信区间；ＰＰＶ：阳性预测值；ＮＰＶ：阴性预测值。
Ｎｏｔｅ：９５％ＣＩ：９５％ｃｏｎｆｉｄｅｎｃｅｉｎｔｅｒｖａｌ．ＰＰＶ：Ｐｏｓｉｔｉｖｅｐｒｅｄｉｃｔｖａｌｕｅ．ＮＰＶ：Ｎｅｇａｔｉｖｅｐｒｅｄｉｃｔｉｖｅｖａｌｕｅ
．
图２ ＬＡＳＳＯ回归模型的建立
Ａ：双参数ＭＲ影像组学模型二项式偏差随参数λ变化曲线图。纵轴为二项式偏差，横轴表示ｌｏｇ（λ）值，上方数字表示筛选出特征的数量，模型的二项式偏差最小处的λ为最优值（垂直虚线）。Ｂ：双参数ＭＲ模型影像组学特征系数随λ变化的曲线图。上方数字表示筛选出特征的数量。
Ｆｉｇ．２ ＴｈｅｅｓｔａｂｌｉｓｈｍｅｎｔｏｆＬＡＳＳＯｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌ
Ａ：ＣｕｒｖｅｏｆｂｉｎｏｍｉａｌｄｅｖｉａｔｉｏｎｏｆｂｉｐａｒａｍｅｔｅｒＭＲｒａｄｉｏｍｉｃｓｍｏｄｅｌｖａｒｙｉｎｇｗｉｔｈｐａｒａｍｅｔｅｒλ．Ｔｈｅｖｅｒｔｉｃａｌａｘｉｓｉｓｂｉｎｏｍｉａｌｄｅｖｉａｔｉｏｎ．Ｔｈｅｈｏｒｉｚｏｎｔａｌａｘｉｓｒｅ ｐｒｅｓｅｎｔｓｔｈｅｌｏｇ（λ）ｖａｌｕｅ．Ｔｈｅｎｕｍｂｅｒａｂｏｖｅｒｅｐｒｅｓｅｎｔｓｔｈｅｎｕｍｂｅｒｏｆｓｅｌｅｃｔｅｄｆｅａｔｕｒｅｓ，ａｎｄｔｈｅλａｔｔｈｅｍｉｎｉｍｕｍｂｉｎｏｍｉａｌｄｅｖｉａｔｉｏｎｏｆｔｈｅｍｏｄｅｌｉｓｔｈｅｏｐｔｉｍａｌｖａｌｕｅ（ｔｈｅｃｕｒｖｅｏｆｔｈｅｉｍａｇｅｇｒｏｕｐｃｈａｒａｃｔｅｒｉｓｔｉｃｃｏｅｆｆｉｃｉｅｎｔｏｆｔｈｅｖｅｒｔｉｃａｌｄｏｔｔｅｄｌｉｎｅ）．Ｂ：ＢｉｐａｒａｍｅｔｅｒＭＲｍｏｄｅｌｃｈａｎｇｉｎｇｗｉｔｈλ．Ｔｈｅｎｕｍｂｅｒａｂｏｖｅｉｎｄｉｃａｔｅｓｔｈｅｎｕｍｂｅｒｏｆｆｅａｔｕｒｅｓｆｉｌｔｅｒｅｄｏｕｔ
．
图３ 组学模型中使用的特征以及影像组学标签
Ａ：双参数ＭＲ模型筛选出的影像组学特征；Ｂ：双参数ＭＲ模型训练集（左）与验证集（右）影像组学评分的比较，蓝色标签为前列腺结节增生，黄色标签为前列腺癌。
Ｆｉｇ．３ Ｆｅａｔｕｒｅｓａｎｄｒａｄｉｏｍｉｃｓｌａｂｅｌｓｕｓｅｄｉｎｔｈｅｇｒｏｕｐｍｏｄｅｌ
Ａ：Ｉｍａｇｉｎｇｆｅａｔｕｒｅｓｓｃｒｅｅｎｅｄｂｙｔｗｏ－ｐａｒａｍｅｔｅｒＭＲｍｏｄｅｌ．Ｂ：Ｃｏｍｐａｒｉｓｏｎｏｆｉｍａｇｉｎｇｓｃｏｒｅｂｅｔｗｅｅｎｔｗｏ－ｐａｒａｍｅｔｅｒＭＲｍｏｄｅｌｔｒａｉｎｉｎｇｓｅｔ（ｌｅｆｔ）ａｎｄｖａｌｉｄａｔｉｏｎｓｅｔ（ｒｉｇｈｔ）．Ｔｈｅｂｌｕｅｌａｂｅｌｉｓｐｒｏｓｔａｔｅｎｏｄｕｌａｒｈｙｐｅｒｐｌａｓｉａａｎｄｔｈｅｙｅｌｌｏｗｌａｂｅｌｉｓｐｒｏｓｔａｔｅｃａｎｃｅｒ．
·２１４１·邢朋毅，等 临床影像组学列线图鉴别前列腺良恶性结节的应用价值
图４ 临床影像组学列线图
Ｚｏｎｅ中０表示外周带，１表示移行带，２表示弥漫分布。
Ｆｉｇ．４ Ｃｌｉｎｉｃａｌｒａｄｉｏｍｉｃｓｎｏｍｏｇｒａｍ
Ｉｎｚｏｎｅ，０ｉｎｄｉｃａｔｅｓｔｈｅｐｅｒｉｐｈｅｒａｌｚｏｎｅ，１ｉｎｄｉｃａｔｅｓｔｈｅｔｒａｎｓｉｔｉｏｎｚｏｎｅ，ａｎｄ２ｉｎｄｉｃａｔｅｓｔｈｅｄｉｆｆｕｓｅｄｉｓｔｒｉｂｕｔｉｏｎ．
３ 讨论
影像组学近年来在肿瘤研究中得到了广泛的应用，其优势在于它可以自动从图像中过滤获得全面的数据［５］，在宏观图像和分子水平的基因或蛋白质变化中识别肿瘤的异质性［３］，目前已被广泛用于对头颈部肿瘤、肺癌和结直肠癌等病变的检测、分类、治疗反应评估及预测［６］，影像组学具有无创、快速、可重复性强和低成本的特点，以磁共振成像为基础的影像组学作为一个发展趋势和前景广阔的研究领域，已被广泛应用于肿瘤异质性的评价，并取得了较高的诊断效率［７］。
在本研究中，我们建立并验证了一个基于ＭＲ双参数影像组学特征的列线图来鉴别前列腺结节的良恶性。此临床影像组学列线图提供了一种易于使用、可量化和个体化的筛查前列腺癌的工具，有助于避免对前列腺癌患者进行不必要的治疗和侵入性检查，并防止及推迟了低级别前列腺癌的进展。影像组学特征在前列腺非癌组织与癌组织之间以及移行带、外周带肿瘤之间均有显著差异存在［８］。ＷＩＢＭＥＲ等［９］对１４７例患者的ＡＤＣ、Ｔ２ＷＩ图像进行全病灶纹理分析，结果表明Ｈａｒａｌｉｃｋ纹理特征可区分前列腺组织的癌性和非癌性，ＡＤＣ
图上的肿瘤能量和熵与格里森得分相关。
图５ 临床影像组学列线图预测前列腺结节良恶性的结果与病理结果一致性的校准曲线（左侧为训练集，右侧为验证集）
Ｆｉｇ．５ Ｔｈｅｃａｌｉｂｒａｔｉｏｎｃｕｒｖｅｏｆｃｌｉｎｉｃａｌｒａｄｉｏｍｉｃｓｎｏｍｏｇｒａｍｆｏｒｐｒｅｄｉｃｔｉｎｇｔｈｅｃｏｎｓｉｓｔｅｎｃｙｏｆｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｐｒｏｓｔａｔｅｎｏｄｕｌｅｓｗｉｔｈｐａｔｈｏｌｏｇｉｃａｌｒｅ ｓｕｌｔｓ（ｔｈｅｔｒａｉｎｉｎｇｓｅｔｉｓｏｎｔｈｅｌｅｆｔ，ａｎｄｔｈｅｖａｌｉｄａｔｉｏｎｓｅｔｉｓｏｎｔｈｅｒｉｇｈｔ
）
图６ 三种模型预测前列腺良恶性结节的受试者操作特征（ＲＯＣ）曲线（左侧为训练集，右侧为验证集）
Ｆｉｇ．６ Ｐｒｅｄｉｃｔｉｏｎｏｆｒｅｃｅｉｖｅｒｏｐｅｒａｔｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃ（ＲＯＣ）ｃｕｒｖｅｏｆｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｐｒｏｓｔａｔｉｃｎｏｄｕｌｅｓｂｙｔｈｒｅｅｍｏｄｅｌｓ（ｔｈｅｔｒａｉｎｉｎｇｓｅｔｉｓｏｎｔｈｅｌｅｆｔ，ａｎｄｔｈｅｖａｌｉｄａｔｉｏｎｓｅｔｉｓｏｎｔｈｅｒｉｇｈｔ
重庆心理咨询师培训）
图７ 三种模型的临床决策曲线
Ｆｉｇ．７ Ｃｌｉｎｉｃａｌｄｅｃｉｓｉｏｎｃｕｒｖｅｏｆｔｈｅｔｈｒｅｅｍｏｄｅｌｓ ＬＩＴＪＥＮＳ等［１０］对７０例前列腺全切患者术前ｍｐＭＲＩ的影像研究发现，高ｂ值ＤＷＩ图像在鉴别良性前列腺增生（ＢＰＨ）和前列腺癌方面优于ＡＤＣ，而ＡＤＣ最适合鉴别前列腺上皮内瘤变（ＰＩＮ）和前列腺癌。用Ｔ２加权和ＤＷＩ训练的Ｕ－Ｎｅｔ实现了与临床前列腺成像报告和数据系统评估类似的性能［１１］。影像组学特征的诊断效率高于临床独立危险因素，表明影像组学方法比传统的临床特征更能反映前列腺恶性结节存在的风险。因此，影像组学方法可以通过我们现有的ＭＲＩ图像结合简易的临床指标无创地量化肿瘤的异质性。
·
３
１
４
１
·
现代肿瘤医学 ２０２１年０４月 第２９卷第０８期 ＭＯＤＥＲＮＯＮＣＯＬＯＧＹ，Ａｐｒ ２０２１，ＶＯＬ ２９，Ｎｏ ０８
