编辑推荐：
这篇综述系统回顾已发表文献，评估基于 MRI 的影像组学预测 PI-RADS 3 类病变中 csPCa 的现状及研究质量。14 项研究符合标准，模型综合表现（AUC 为 0.823 ）有潜力，但方法学质量有待提升，需加强验证和数据公开。
### 研究背景与目的
前列腺癌（prostate cancer，PCa）是男性常见的恶性肿瘤之一，准确诊断对于治疗决策和患者预后至关重要。前列腺影像报告和数据系统（Prostate Imaging Reporting and Data System，PI-RADS）3 类病变的临床管理存在挑战，其良恶性判断存在一定难度。基于 MRI 的影像组学技术，有望为预测 PI-RADS 3 类病变中具有临床意义的前列腺癌（clinically significant prostate cancer，csPCa）提供新途径。本研究旨在评估基于 MRI 的影像组学在预测 PI-RADS 3 类病变中 csPCa 的现状，并通过系统回顾已发表文献，评估这些影像组学研究的质量。
研究方法
研究人员在 2017 年 1 月至 2024 年 9 月期间，于 PubMed、EMBASE 和 SCOPUS 数据库进行文献检索。检索词包含 PI-RADS-3 和影像组学在摘要和标题中的不同表述形式。针对每项研究，收集影像组学工作流程的详细信息，包括影像组学模型的统计性能指标 —— 受试者工作特征曲线下面积（area under the curve，AUC） 。同时计算各研究的合并 AUC 值，并采用影像组学质量评分（Radiomics Quality Score，RQS）来评估影像组学方法的质量。
研究结果
- 研究筛选结果：共检索到 52 篇文章，其中 14 篇符合选择标准。
- 研究设备与图像选择：12 项研究使用 3T MRI 扫描仪。8 项研究采用 T2 加权成像（T2WI）、扩散加权成像（DWI）和表观扩散系数（ADC）图像进行特征提取。
- 分割方法与特征提取工具：13 项研究进行手动分割。除两项研究外，其余均使用PyRadiomics平台作为特征提取工具。
- 特征选择方法与数量：最常用的影像组学特征选择方法是最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）。提取的特征总数在 107 至 2553 之间，用于模型的影像组学特征中位数为 10 个。
- 临床变量纳入情况：9 项研究在影像组学模型中探索了临床变量，最常见的是年龄和前列腺特异性抗原（PSA）。
- 模型构建方法：8 项研究在构建最终模型时，采用逻辑回归、单变量和多变量建模方法。
- 模型性能与质量评分：模型的总体合并 AUC 为 0.823（95% 置信区间为 0.72 - 0.92）。平均 RQS 评分为 15/36，评分范围在 13 - 19 之间。
研究结论
基于 MRI 的影像组学模型在预测 PI-RADS 3 类病变中 csPCa 方面具有一定潜力。然而，依据 RQS 评分结果，现有及未来的研究在方法学质量上有明显的提升空间。后续研究应着重于广泛的验证工作，并公开数据以提高研究的可重复性，从而进一步优化基于 MRI 的影像组学技术在预测 PI-RADS 3 类病变中 csPCa 的应用。
