基于机器学习的68Ga-PSMA PET/CT影像组学模型构建与多中心验证：前列腺癌无创检测新突破

《Journal of the National Cancer Center》：Construction and external validation of radiomics models to detect primary prostate cancer with machine learning: a multicenter study based on 68Ga-PSMA PET/CT

本研究针对前列腺癌(PCa)传统诊断方法存在创伤性、准确率有限等问题，开展了基于68Ga-PSMA PET/CT影像组学结合机器学习(ML)的多中心研究。通过609例患者队列验证，XGBoost算法构建的联合模型对临床显著前列腺癌(csPCa)检测AUC达0.921，为PCa无创诊断提供了量化新工具。

　　

当男性因前列腺特异性抗原(PSA)升高或直肠指检异常被怀疑患有前列腺癌(PCa)时，目前的标准诊断流程是进行经直肠超声引导下的前列腺穿刺活检。然而这种有创检查不仅伴随出血、疼痛和感染等并发症风险，更存在过度检测良性前列腺疾病(BPD)和漏诊恶性肿瘤的双重困境。传统多参数磁共振成像(mpMRI)虽能一定程度改善诊断，但其特异性有限，且约10%的前列腺癌会被漏诊。

近年来，⁶⁸镓标记的前列腺特异性膜抗原(⁶⁸Ga-PSMA)正电子发射断层扫描/计算机断层扫描(PET/CT)在高危前列腺癌分期和生化复发监测中展现出显著优势。这种分子影像技术相比mpMRI具有更高的敏感性和特异性，但其在前列腺癌初始诊断中的价值尚未得到充分验证。既往研究多局限于单中心小样本，统计验证力度不足且存在偏倚风险。同时，半定量参数如最大标准化摄取值(SUVmax)易受注射剂量、扫描时间间隔等因素影响，限制了其普适性。

为此，来自中南大学湘雅医院等三家医疗中心的研究团队开展了这项迄今规模最大的多中心研究，旨在基于⁶⁸Ga-PSMA PET/CT影像组学结合机器学习算法，开发并验证前列腺癌无创诊断新方法。该研究发表于《Journal of the National Cancer Center》，为前列腺癌的精准诊断提供了重要循证依据。

研究团队采用回顾性多中心设计，纳入了2019年7月至2023年7月期间三家医疗中心共609例疑似前列腺癌患者。所有患者均接受了系统活检(SB)和必要的PSMA PET/CT靶向活检(TB)。研究以整个前列腺腺体作为感兴趣体积(VOI)，采用八种机器学习算法构建影像组学模型，最终将最优模型与SUVmax整合形成联合模型。

研究结果显示，在临床显著前列腺癌(csPCa)预测方面，基于XGBoost算法的影像组学模型表现最佳。当与SUVmax整合后，联合模型在内部验证队列中AUC达到0.921，外部验证队列1和2的AUC分别为0.906和0.898。对于总体前列腺癌(PCa)预测，联合模型在三个验证队列中的AUC介于0.860至0.918之间，展现出稳定的诊断性能。

临床特征分析

研究共纳入609例患者，包括195例良性前列腺疾病(BPD)患者、30例临床无意义前列腺癌(ciPCa，Gleason评分[GS]=3+3)和384例临床显著前列腺癌(csPCa，GS≥3+4)。三家医疗中心患者基线特征存在一定异质性，但模型在不同验证队列中均保持良好性能，证明了其强大的泛化能力。

csPCa预测模型构建

研究人员从PSMA PET和CT图像中提取了2353个影像组学特征，经过最小冗余最大相关(mRMR)和最小绝对收缩和选择算子(LASSO)算法筛选后，保留12个最相关特征用于模型构建。在八种机器学习算法中，XGBoost算法在训练队列中取得最高AUC(0.902)，在内部和外部验证队列中也表现出色。通过SHapley加性解释(SHAP)分析发现，"PET_wavelet.LHL_firstorder_Mean"是与csPCa存在最强相关性的影像组学特征。

联合模型性能验证

将XGBoost影像组学模型与SUVmax整合后，联合模型在内部验证队列中AUC提升至0.921，灵敏度、特异性、阳性预测值(PPV)和阴性预测值(NPV)分别为85.3%、94.8%、97.1%和76.4%。决策曲线分析(DCA)显示，联合模型在风险阈值超过25%时明显优于"全部活检"策略，具有显著的临床净获益。

mpMRI亚组分析

在完成mpMRI检查的患者亚组中，以PI-RADS评分≥4为临界值时，mpMRI诊断csPCa的AUC在两个中心分别为0.823和0.720，均低于PSMA PET/CT联合模型的性能，证实了后者在前列腺癌检测中的优势。

PCa预测模型评估

对于总体前列腺癌预测，XGBoost算法同样表现最优，联合模型在内部验证队列中的AUC为0.918，外部验证队列中保持在0.860以上。DCA分析表明，联合模型在风险阈值超过40%时具有临床适用性。

该研究的创新之处在于首次在大规模多中心队列中系统评估了⁶⁸Ga-PSMA PET/CT影像组学在前列腺癌诊断中的价值。与传统mpMRI相比，PSMA PET/CT不仅对原发灶检测更准确，还能同时评估全身肿瘤负荷，具有更好的成本效益比。研究中发现的关键影像组学特征"PET_wavelet.LHL_firstorder_Mean"同时捕获了病灶代谢活性和纹理信息，为前列腺癌生物学行为评估提供了新视角。

然而，研究也存在一些局限性。回顾性设计可能引入选择偏倚，需要前瞻性研究进一步验证。部分患者未接受mpMRI检查，可能影响亚组分析结果的可靠性。此外，PSMA PET/CT在前列腺导管腺癌等罕见病理类型中的诊断准确性仍有待探讨。

这项研究标志着前列腺癌诊断进入了一个新阶段。通过将先进的分子影像技术与人工智能算法相结合，研究人员成功开发出一种可靠的无创诊断工具，有望在未来改变前列腺癌的临床诊疗路径，减少不必要的穿刺活检，降低医疗负担，最终造福广大患者。