基于多参数MRI影像组学特征与肿瘤异常蛋白(TAP)的机器学习模型在前列腺癌诊断中的创新研究

本研究针对前列腺癌早期诊断中PSA筛查特异性不足的临床难题，创新性地整合多参数磁共振成像(mpMRI)影像组学特征、肿瘤异常蛋白(TAP)及临床指标，构建随机森林预测模型。苏州大学附属第二医院团队通过提取T2WI和ADC(b=100/1000/2000 s/mm2)序列的390个特征，结合LASSO回归筛选出31个关键特征，最终模型AUC达0.92，显著提升前列腺癌与良性前列腺增生的鉴别效能，为无创诊断提供新范式。

　　

前列腺癌诊断的困境与突破
作为全球男性第二大高发癌症，前列腺癌的早期诊断长期依赖有创的前列腺活检，而临床广泛使用的PSA筛查存在特异性低、易导致过度诊断的缺陷。更棘手的是，早期前列腺癌症状隐匿，传统检测手段往往错过最佳干预窗口。在这一背景下，苏州大学附属第二医院张驰、王泽文等研究者独辟蹊径，将新兴的肿瘤标志物TAP（反映糖基化异常）与前沿的mpMRI影像组学技术相结合，构建了一套机器学习驱动的无创诊断体系。

技术路线创新
研究团队回顾性纳入了109例接受mpMRI和TAP检测的患者数据，采用3D Slicer软件在T2WI和不同b值ADC序列上精确勾画病灶ROI，提取包括形状特征、一阶统计量和纹理特征（GLRLM/GLCM等）在内的390个标准化特征。通过t检验和LASSO回归筛选出31个关键特征后，创新性地将dADC(b=100/2000 s/mm²)序列的影像组学特征与TAP、年龄等临床变量整合，采用随机森林算法构建多模态预测模型。

关键研究发现

1. 特征筛选结果
   从T2WI、dADC(b=100/1000 s/mm²)和dADC(b=100/2000 s/mm²)序列分别筛选出8、10、13个显著特征，其中ADC序列的GLCM相关性特征和GLDM依赖方差特征展现出最强鉴别力。

2. 模型性能对比

• 单一序列模型中，dADC(b=100/2000 s/mm²)表现最优（AUC=0.87）
• 纯临床模型（含TAP）AUC为0.85
• 融合dADC(b=100/2000 s/mm²)特征与临床数据的联合模型AUC跃升至0.92，特异性达94.1%

临床转化价值
该研究首次证实TAP与mpMRI影像组学的协同增效作用：TAP能捕捉肿瘤早期糖基化异常，而ADC序列特征可反映组织微观结构改变，二者互补形成"分子-影像"双维度诊断体系。值得注意的是，dADC(b=100/2000 s/mm²)的高b值设置更敏感捕获细胞密集区的扩散受限现象，这解释了该序列在模型中的突出贡献。

局限与展望
研究者坦承单中心回顾性设计的局限性，未来需通过多中心验证优化模型鲁棒性。值得关注的是，该团队已可视化随机森林的决策过程（见图6），这种可解释性设计有助于推动AI辅助诊断的临床落地。随着《Scientific Reports》发表这一成果，这种融合多组学数据的诊断范式或将成为前列腺癌精准医疗的新标准。