基于68Ga-PSMA PET/CT影像组学的机器学习模型构建与验证：多中心研究揭示前列腺癌ISUP分级预测新工具

来自中国多中心的研究团队通过68Ga-PSMA PET/CT影像组学结合机器学习，开发出预测前列腺癌ISUP分级的非侵入性模型。研究纳入415例患者，采用mRMR和LASSO算法筛选特征，构建的模型训练组AUC达0.868，整合SUVmax和PSA后提升至0.892，为临床精准诊疗提供新策略。

　　

这项开创性研究探索了前列腺特异性膜抗原(⁶⁸Ga-PSMA)正电子发射断层扫描(PET/CT)在预测前列腺癌国际泌尿病理学会(ISUP)分级中的应用。研究团队从湘雅医院等三家医疗中心招募415名患者，巧妙地将影像组学特征与最大标准化摄取值(SUV_max)和前列腺特异性抗原(PSA)相结合。

通过最小冗余最大相关(mRMR)和最小绝对收缩选择算子(LASSO)算法筛选关键特征后，研究人员训练了8种机器学习分类器。最佳模型在训练队列中表现出色，曲线下面积(AUC)达到0.868，而整合临床指标后性能进一步提升至0.892。外部验证组的结果(AUC 0.812-0.860)证实了模型的泛化能力。

这项里程碑式的工作不仅建立了目前最大规模的PSMA影像组学研究队列，更创新性地证明：将传统生物标志物与人工智能驱动的影像特征融合，可显著提升前列腺癌侵袭性评估的准确性，为无创诊疗决策开辟了新途径。