基于PSMA PET/CT影像组学模型预测前列腺癌包膜外侵犯：与Mehralivand分级系统的对比研究

本研究针对前列腺癌手术中包膜外侵犯(EPE)术前评估的临床难题，通过构建PSMA PET/CT影像组学模型，首次与MRI-based Mehralivand分级系统进行头对头比较。结果显示，基于随机森林算法的多模态模型AUC达76.8%，显著优于三位放射科医师的评估结果(66.8%/63.5%/60.2%)，为优化前列腺癌手术方案提供了新型分子影像学工具。

　　

前列腺癌作为男性最常见的恶性肿瘤之一，根治性前列腺切除术(RP)是其重要治疗手段。然而手术面临两难抉择：保留神经(NS)技术可减少尿失禁和勃起功能障碍等并发症，但若存在包膜外侵犯(EPE)时采用NS技术又会增加切缘阳性和生化复发风险。目前临床依赖多参数MRI(mpMRI)进行EPE评估，但存在主观性强、低级别EPE诊断准确率低等问题。与此同时，靶向前列腺特异性膜抗原(PSMA)的PET/CT因其分子成像优势，在肿瘤检测中展现出独特价值，但其在EPE评估中的应用尚未充分探索。

为解决这一临床难题，复旦大学附属肿瘤医院联合上海交通大学转化医学研究院的研究团队开展了一项创新性研究。该研究首次将PSMA PET/CT影像组学技术应用于EPE预测，并与当前主流的Mehralivand分级系统进行直接对比。研究纳入了206例接受根治性前列腺切除术的患者，其中63例同时具有PSMA PET/CT和mpMRI数据。通过提取PET、CT及融合模态的定量特征，构建支持向量机(SVM)和随机森林机器学习模型，最终在《Cancer Imaging》发表了这项开创性成果。

关键技术方法包括：1)从18F-PSMA-1007 PET/CT图像提取1892个手工制作放射组学特征(HRFs)；2)采用T检验和M3USelector进行特征选择；3)通过特征拼接(PET/CT-concat)和特征平均(PET/CT-mean)两种方法实现多模态融合；4)采用五折分层交叉验证评估SVM和随机森林模型的性能；5)三位经验不同的放射科医师独立应用Mehralivand分级系统评估mpMRI图像。

【基线特征】研究队列包含206例患者(88例EPE阳性，118例阴性)，其中63例双模态数据(25例阳性，38例阴性)。患者平均年龄68岁，平均PSA水平16.7 ng/mL，为典型前列腺癌人群。

【影像组学模型性能】随机森林模型在PET/CT-mean模态表现最优，AUC达0.77。特征选择后，PET单模态的随机森林模型AUC提升至0.75，敏感性从48%提高到59%。值得注意的是，CT单模态预测价值有限，最优AUC仅0.61，凸显PET分子影像的主导作用。

【Mehralivand系统表现】三位读者AUC分别为66.8%、63.5%和60.2%，呈现明显的观察者间变异。分级3的PPV达100%，但分级1的PPV仅42.1%-47.1%，显示该系统对早期EPE识别存在局限。典型误诊案例显示，前列腺炎性改变导致的假性包膜不规则是误判主因。

【模型对比】在63例双模态亚组中，放射组学模型AUC(76.8%)显著高于三位读者(DeLong检验p=0.013/0.003/0.001)。模型敏感性(72.0%)和特异性(81.5%)均衡，而读者组敏感性普遍低于60%。

讨论部分指出，PSMA PET/CT放射组学的优势在于：1)分子靶向特性可识别传统影像难以发现的微浸润；2)定量分析减少主观偏差；3)多参数融合提升预测稳定性。研究创新性地证实，相比依赖形态学改变的MRI评估，基于分子影像的放射组学能更早捕捉EPE相关生物学特征。但作者也承认样本量限制，特别是低级别EPE亚组分析不足，需更大队列验证。

这项研究为前列腺癌术前规划提供了重要决策工具。临床实践中，精确的EPE预测可指导术式选择——对低风险患者实施NS技术保留功能，对高风险患者扩大切除范围确保肿瘤根治。未来研究可探索深度学习算法与放射组学的结合，并整合临床参数构建多模态预测模型，进一步提升EPE评估的精准度。