基于机器学习融合多模态超声与临床指标的创新方法：前列腺癌格里森分级无创预测新策略

《European Journal of Medical Research》：An innovative approach for predicting prostate cancer Gleason grading: machine learning-based fusion of multimodal ultrasound, clinical and laboratory indicators

本研究针对前列腺癌格里森分级(Gleason Grade Group, GGG)依赖侵入性活检的临床困境，开发了一种融合多模态超声（包括弹性成像、超声造影CEUS和射频信号分析）与临床实验室指标（如tPSA、fPSA及系统性炎症标志物）的机器学习预测模型。通过纳入329例患者数据，研究发现梯度提升决策树(GBDT)模型预测性能最优（准确率达84.8%），为前列腺癌无创分级和个体化治疗策略制定提供了重要工具。

　　

前列腺癌是老年男性中常见的恶性肿瘤，全球每年新增约140万病例，死亡人数高达37.5万。尽管治疗手段不断进步，转移性前列腺癌的5年生存率仍低于30%，早期准确诊断和风险分层至关重要。格里森分级系统是目前评估前列腺癌侵袭性的金标准，通过分析腺体结构模式将肿瘤分为5个等级组（Grade Group 1-5），与转移风险（风险比=3.21）和生存结局显著相关。然而，依赖前列腺活检获取组织标本进行分级存在明显局限性：活检结果与术后病理分级不一致率较高，可能导致治疗决策偏差；且活检作为侵入性操作，部分患者耐受性差。因此，开发无创、准确的格里森分级预测方法成为临床研究的重点。

传统影像学方法如多参数磁共振成像(mpMRI)虽能通过PI-RADS v2.1标准实现较高阴性预测值（排除高级别肿瘤>90%），但存在成本高、禁忌症多、可及性差等问题。超声检查以其无创、无辐射、经济、操作简便等优势，成为前列腺癌筛查和活检引导的重要工具。近年来，微超声、超声造影、弹性成像等技术的发展提升了超声在前列腺癌诊断中的价值，但单一模态的诊断效能仍有提升空间。本研究创新性地融合多模态超声数据（灰阶超声、弹性成像、超声造影、射频信号）与临床实验室指标，利用机器学习算法构建预测模型，旨在实现格里森分级的无创、精准评估。

本研究采用单中心设计，纳入大连医科大学附属第一医院2023年2月至2025年1月收治的329例前列腺癌患者。所有患者均接受前列腺活检并完成格里森分级，分为低级别（Gleason评分≤6，n=147）、中级别（Gleason评分7，n=106）和高级别（Gleason评分≥8，n=76）三组。收集37项预测参数，包括临床实验室指标（年龄、BMI、tPSA、fPSA、fPSA/tPSA及系统性炎症标志物如中性粒细胞-淋巴细胞比值(NLR)、血小板-淋巴细胞比值(PLR)等）和多模态超声数据（灰阶超声特征、超声造影参数、弹性成像参数、射频信号特征）。超声数据由两位经验丰富的医师在双盲条件下独立采集取平均值。通过非参数检验、随机森林基尼不纯度算法和FastSHAP算法进行特征筛选，最终确定5个关键预测指标：超声造影梯度(Grad)、达峰时间(TtoPK)、射频信号低频带参数(S1)、截距(Intercept)和峰值强度(PI)。基于这些特征，研究团队构建了决策树、随机森林、K近邻(KNN)、XGBoost、梯度提升决策树(GBDT)和朴素贝叶斯6种机器学习模型，按4:1比例划分训练集与测试集，以准确率、召回率和F1值评估模型性能。

Development of a prediction model

特征选择结果显示，tPSA、fPSA、弹性评分、弹性比值、Intercept、S1、TtoPK、Grad、PI、Mid_band、S4和Atm等12个参数与格里森分级显著相关（P<0.05）。进一步通过特征重要性分析和SHAP贡献度评估，最终选定Grad、TtoPK、S1、Intercept和PI作为模型输入特征。

Model predictive performance

六种机器学习模型中，GBDT模型表现最优，准确率、召回率和F1值均达0.848以上；随机森林模型次之（准确率0.820）；KNN、XGBoost和朴素贝叶斯模型性能相对较低。决策树模型可视化显示其通过节点条件分裂实现分类，而混淆矩阵直观反映了各模型在不同分级中的预测准确性。

讨论

本研究通过多模态超声与临床指标的融合，构建了格里森分级的无创预测模型。弹性比值和Grad等参数与肿瘤生物学特性密切相关：高级别肿瘤细胞增殖密集、间质纤维化导致组织硬度增加，弹性比值升高；肿瘤新生血管紊乱、动静脉分流增多则使超声造影中Grad值上升。射频信号分析通过原始高频信号提取组织内在属性，减少了传统超声后处理算法带来的偏差。与既往研究相比，本模型综合了多维度信息，且所选指标易获取、可重复性强，具有较高临床转化潜力。然而，研究存在样本量有限、单中心数据可能引入选择偏倚、缺乏外部验证等局限性。未来可通过扩大样本量、结合深度学习算法自动化分析图像数据、整合mpMRI和液体活检等多模态信息进一步提升模型性能。

结论

多模态超声能够从不同角度反映前列腺癌病灶特征，超声造影模式可深入分析肿瘤血管生成情况，射频信号分析则能客观提取组织原始数据中的量化信息。本研究通过机器学习算法融合多模态超声参数与临床指标，建立的预测模型能有效对前列腺癌恶性程度进行分层，其中GBDT模型表现最佳，准确率接近85%。该模型为前列腺癌无创分级和个体化治疗提供了重要工具，有望减少不必要的活检次数，优化临床决策。