基于[18F]PSMA-1007 PET/CT半定量参数与临床病理多模态整合的前列腺癌转移预测模型研究

《Frontiers in Oncology》：Multimodal integration of [18F]PSMA-1007 PET/CT semiquantitative parameters and clinicopathological data for predicting prostate cancer metastasis

本研究创新性地整合[18F]PSMA-1007 PET/CT半定量参数（SUVmax、PSMA-TVp、TL-PSMAp等）与临床病理特征，采用XGBoost算法构建前列腺癌转移预测模型，验证集准确率达90.32%（AUC=0.8977）。SHAP分析揭示PSMA相关肿瘤负荷参数的突出贡献，为前列腺癌精准诊疗提供了可解释性决策工具。

　　

背景与目标

前列腺癌是男性泌尿生殖系统最常见的恶性肿瘤之一，其转移发生显著影响治疗策略和预后。当前转移风险评估主要依赖单一影像或病理指标，存在准确性不足和个体差异大的局限性。本研究旨在通过整合[¹⁸F]PSMA-1007 PET/CT半定量参数与关键临床病理特征，构建高性能的前列腺癌转移预测模型。

材料与方法

研究回顾性纳入了101例经病理证实的前列腺癌患者，所有患者均接受[¹⁸F]PSMA-1007 PET/CT检查。采集的影像学参数包括最大标准化摄取值（SUV_max）、平均标准化摄取值（SUV_mean）、前列腺PSMA肿瘤体积（PSMA-TV_p）和前列腺总病灶PSMA（TL-PSMA_p）。临床病理变量涵盖年龄、总前列腺特异性抗原（tPSA）和格里森评分（Gleason score）。数据集按7:3比例随机划分为训练集（70例）和验证集（31例）。研究采用逻辑回归、支持向量机、随机森林、朴素贝叶斯和XGBoost五种机器学习算法进行模型构建，通过准确率、敏感性、特异性及受试者工作特征曲线下面积（AUC）评估性能，并应用SHAP方法对最优模型进行可解释性分析。

结果

患者基线特征显示，转移组与非转移组在tPSA、格里森评分、SUV_max、SUV_mean、PSMA-TV_p和TL-PSMA_p上存在显著差异（p<0.05），而年龄无统计学差异（p=0.096）。在验证集中，XGBoost模型表现最优，准确率达90.32%，敏感性为90.0%，特异性为94.74%，AUC为0.8977。SHAP全局分析表明，PSMA-TV_p和TL-PSMA_p是预测转移的最重要特征，其次为SUV_max、tPSA和格里森评分。个体水平SHAP力图示进一步揭示了特征对具体病例预测结果的贡献方向与强度，证实了模型决策的透明性。

讨论

本研究构建的多模态融合模型显著提升了前列腺癌转移的预测效能。与传统依赖单一指标相比，整合PSMA PET/CT参数与临床病理数据能更全面反映肿瘤生物学行为。XGBoost算法在处理高维非线性数据时的优势得以凸显。SHAP分析不仅验证了PSMA衍生肿瘤负荷参数（如PSMA-TV_p、TL-PSMA_p）的核心预测价值，还凸显了其相对于传统指标SUV_max的稳定性与综合性。该模型为临床个体化风险分层和治疗决策提供了数据驱动支持。

结论

基于XGBoost的多模态模型在预测前列腺癌转移方面表现出卓越的准确性与可解释性。PSMA PET/CT半定量参数，尤其是反映整体肿瘤负荷的PSMA-TV_p和TL-PSMA_p，在预测中贡献显著，超越了传统临床指标。这一研究为前列腺癌的精准医疗实践提供了重要技术支撑。