编辑推荐：
这篇综述聚焦前列腺癌（PCa）生化复发（BCR）的预测。通过对相关研究的系统回顾与荟萃分析，评估基于 MRI 影像组学的机器学习（ML）模型预测 PCa 治疗后 BCR 的准确性和质量，为后续研究指明方向。
背景与目的
前列腺癌（PCa）治疗后的生化复发（BCR）是转移和死亡的重要指标。早期预测 BCR 对指导治疗决策、优化患者管理策略意义重大。MRI 在 PCa 的诊断和监测中起着关键作用。本研究旨在评估基于 MRI 影像组学的机器学习（ML）模型预测 PCa 治疗后 BCR 的准确性和质量。
方法
研究者在 PubMed、Scopus、Embase、Web of Science 和 IEEE 这五个电子数据库中，检索截至 2024 年 12 月 23 日的文献，筛选出基于 MRI 影像组学特征开发的用于预测 PCa 中 BCR 的 ML 模型相关研究。运用 QUADAS-2 和 METRICS 工具对这些研究进行质量评估。采用双变量随机效应模型，对验证队列中的影像组学模型、临床模型以及临床 - 影像组学模型进行荟萃分析，以汇总敏感性、特异性和曲线下面积（AUC）。
结果
系统综述共纳入 24 项研究，其中 14 项纳入荟萃分析。基于影像组学的 ML 模型汇总 AUC 为 0.75，敏感性为 72%，特异性为 78%。临床 - 影像组学模型表现最佳，汇总 AUC 达 0.88，敏感性为 85%，特异性为 79%。QUADAS-2 评估发现存在显著的方法学偏倚，尤其体现在索引测试、流程和时间方面。各项研究的 METRICS 平均得分为 65.68%，范围在 43.8% - 82.2% 之间，整体质量良好，但部分领域仍存在方法学漏洞。
结论
基于 MRI 的影像组学在预测 PCa 的 BCR 方面展现出一定潜力，特别是与临床变量结合时。然而，目前该技术距离广泛的临床应用仍有较大差距，需要进一步标准化并改进关键方法学，以提升其通用性和稳健性。未来研究应采用多中心设计，并进行充分的外部验证，增强在不同患者群体中的适用性。
