使用可解释的机器学习技术，基于PSMA PET/CT图像对mHSPC患者接受ADT联合ARPIs治疗的反应进行早期预测：一项实际研究

《European Journal of Nuclear Medicine and Molecular Imaging》：Early prediction of response to ADT plus ARPIs in mHSPC using interpretable machine learning on PSMA PET/CT: a real-world study

早期预测去势治疗联合雄激素受体抑制剂在转移性激素敏感前列腺癌中的疗效，本研究整合[68Ga]Ga-PSMA PET/CT影像特征（如m_TL_PSMA、w_SUVpeak、p_SUVmean）及临床数据，开发可解释的机器学习模型（CatBoost AUC 0.875），并与CHAARTED分期结合分层，发现低体积病灶患者应答佳，高体积非应答风险高。

　　

摘要

背景

目前仍缺乏可靠的工具，用于早期预测转移性激素敏感性前列腺癌（mHSPC）患者在接受雄激素剥夺疗法（ADT）联合新型雄激素受体通路抑制剂（ARPIs）治疗后的反应。本研究旨在开发并验证一个可解释的机器学习模型，该模型整合了[??Ga]Ga-PSMA PET/CT生成的影像特征，以在治疗开始前预测患者的反应。

方法

在这项真实世界研究中，纳入了212名新诊断的mHSPC患者，这些患者均接受了[??Ga]Ga-PSMA PET/CT检查。研究提取了18个影像特征和8个临床特征。应用了三种基于集成方法的递归算法进行特征选择，并构建了6个机器学习模型。使用SHAP分析来提高模型的可解释性。模型输出结果与CHAARTED定义的肿瘤负荷相结合，以进行更精细的风险分层。

结果

研究确定了10个关键特征，包括转移性总病变的PSMA摄取量（m_TL_PSMA）、全身峰值标准化摄取值（w_SUVpeak）和原发病变的平均标准化摄取值（p_SUVmean）。CatBoost模型的性能最佳（训练AUC = 0.908；测试AUC = 0.904；Kappa = 0.717）。在独立的时间验证队列中，该模型的AUC为0.875（95%置信区间：0.765–0.961），敏感性为0.72，特异性为0.89。结合CHAARTED分类后，该模型将患者分为不同的预后组：低体积疾病的响应者具有最佳的转移性去势抵抗性前列腺癌（mCRPC）无病生存率，而高体积疾病的非响应者预后最差。

结论

这种基于CatBoost的可解释模型通过整合定量PSMA PET/CT特征，在预测mHSPC患者对ADT加ARPIs治疗的反应方面表现出良好的准确性。将其与CHAARTED分类结合使用，有助于实现风险分层。未来需要进行多中心验证。

图形摘要