基于深度学习的多模态融合模型精准预测原发性前列腺癌术后国际泌尿病理学会分级的研究

为解决前列腺癌（PCa）病理分级的异质性问题，研究人员开展了一项将18F 前列腺特异性膜抗原（18F-PSMA）靶向正电子发射断层扫描 / 计算机断层扫描（18F-PSMA-PET/CT）成像特征与临床变量相结合的研究。结果显示融合模型在预测术后 ISUP 分级上表现出色，有助于优化手术和治疗策略。

　　为了解决前列腺癌（PCa）病理分级的异质性问题，研究人员开发了一种可解释的多模态融合模型，该模型整合了¹⁸F 前列腺特异性膜抗原（¹⁸F-PSMA）靶向正电子发射断层扫描 / 计算机断层扫描（¹⁸F-PSMA-PET/CT）成像特征和临床变量，用于预测术后国际泌尿病理学会（ISUP）分级（psISUP≥4 与 < 4）。这项回顾性研究分析了 2020 - 2024 年接受¹⁸F-PSMA PET/CT 检查的 222 例 PCa 患者。研究构建了一个深度迁移学习框架，纳入了 PET/CT 的影像组学特征和临床参数。研究将模型性能与三种已有的方法以及术前活检格里森评分进行了对比验证。此外，利用 SHapley Additive exPlanations（SHAP）值来阐明特征的贡献，并开发了影像组学列线图以便于临床应用。结果显示，融合模型在 psISUP 分级方面具有卓越的判别能力（测试集曲线下面积（AUC） = 0.850，95% 置信区间 [CI] 0.769 - 0.932；验证集 AUC = 0.833，95% CI 0.657 - 1.000），显著优于术前格里森评分。SHAP 分析确定了 PSMA 摄取异质性和 PSA 密度是关键的预测特征。列线图通过可视化的风险分层展示了临床可解释性。结论表明，基于深度学习的多模态融合模型能够准确地在术前预测侵袭性 PCa 病理（ISUP≥4），有可能优化手术规划和个性化治疗策略。该可解释框架增强了人工智能辅助决策在临床上的可信度。