基于PSMA PET/CT定量特征与血清生物标志物的可解释XGBoost模型预测临床显著性前列腺癌：双中心回顾性研究

《Therapeutic Advances in Urology》：Explainable machine learning for PSMA PET/CT-based clinically significant prostate cancer diagnosis: A dual-center retrospective study

　　

背景：临床显著性前列腺癌（clinically significant prostate cancer, csPCa）的检测对于指导治疗并尽量减少不必要的有创操作至关重要。用于辅助临床风险分层的无创工具仍需深入探索。目的：开发并验证一个整合PSMA PET/CT（prostate-specific membrane antigen positron emission tomography/computed tomography, PSMA PET/CT）定量特征与血清生物标志物（serum biomarkers）的可解释机器学习（machine learning, ML）模型，用于预测csPCa，并探索其在临床决策和活检决策中的潜在价值。设计：双中心回顾性诊断研究，研究对象为从既往注册的前瞻性临床试验中连续入组的患者队列。方法：研究人员回顾性分析了开发队列（n=340）、时间独立内部验证队列（n=93）和外部验证队列（n=126）。比较九种机器学习算法并选择最佳模型。诊断性能通过受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）、敏感度（sensitivity）和特异度（specificity）评估；预设的前列腺特异性抗原（prostate-specific antigen, PSA）灰区亚组（4-20 ng/mL；n=197）单独分析。临床决策率定义为在预设高阈值（阳性预测值（positive predictive value, PPV）或阴性预测值（negative predictive value, NPV）≥97.5%）下被分类为低危或高危的患者比例。SHAP（Shapley Additive Explanations, SHAP）用于模型可解释性分析。结果：在所有候选模型中，XGBoost表现最佳。该模型在训练队列中AUC为0.96（95% CI: 0.94–0.98），在测试队列中为0.96（95% CI: 0.93–1.00），在时间独立内部验证队列中为0.90（95% CI: 0.83–0.96），在外部验证队列中为0.93（95% CI: 0.88–0.97）。在PSA灰区亚组中，该模型保持较高的诊断区分度，相应AUC分别为0.94（95% CI: 0.90–0.98）、0.96（95% CI: 0.91–1.00）、0.88（95% CI: 0.80–0.96）和0.87（95% CI: 0.79–0.96），优于单一影像学和血清学指标。在预设阈值下，XGBoost支持的潜在临床决策率在各队列中为51.6%至62.1%，同时保持可靠的预测性能。结论：结合PSMA PET/CT指标和血清指标的可解释XGBoost模型相比传统指标显示出更优的诊断准确性和扩展的临床决策性能，包括在PSA灰区中。这些发现令人鼓舞且具有产生假设的性质；然而，在任何临床转化或治疗应用之前，严格的前瞻性验证仍是必需的。

研究背景与问题：前列腺癌（prostate cancer, PCa）是男性常见恶性肿瘤，临床按侵袭性和预后分为临床显著性前列腺癌（clinically significant prostate cancer, csPCa）与非临床显著性前列腺癌（non-csPCa），准确区分对治疗策略和减少过度诊断、过度治疗至关重要。多参数磁共振成像（multiparametric magnetic resonance imaging, mpMRI）及前列腺影像报告和数据系统（Prostate Imaging Reporting and Data System, PI-RADS）是风险分层的重要工具，但存在读者间变异和可重复性限制，尤其PI-RADS 3病灶对csPCa检出率较低、阳性预测值有限。PSMA PET/CT（prostate-specific membrane antigen positron emission tomography/computed tomography）可提供最大标准化摄取值（maximum standardized uptake value, SUV_max）等定量参数，但缺乏标准化SUV_max阈值且良性/非特异摄取可致假阳性。血清PSA（prostate-specific antigen）相关指标如前列腺特异性抗原密度（prostate-specific antigen density, PSAD）和游离/总PSA比值（free-to-total PSA ratio, fPSA/tPSA）可及且具互补价值。减少活检依赖的策略证据仍不足，因此需要可靠、无创、可解释的预测模型用于精准风险分层。

研究开展、结论与意义：研究人员开展双中心回顾性诊断研究，整合PSMA PET/CT定量特征、血清PSA指标和活检病理，比较九种机器学习算法，建立并验证可解释XGBoost模型。模型在开发、时间独立内部验证和外部验证队列中表现稳定，PSA灰区仍保持较高诊断区分度；在预设PPV/NPV≥97.5%阈值下，约51.6%至62.1%的患者可获得低危或高危分类。研究提示该模型有潜力辅助csPCa风险分层和活检决策，尤其适用于诊断困难的PSA灰区，但属探索性、产生假设的研究，不能替代病理确认，临床转化前需前瞻性验证。

关键技术方法（不超过250字）：研究基于本中心CHETNUT前列腺癌专科数据库及独立医疗中心队列，患者来自既往注册前瞻性临床试验的连续入组病例。开发队列340例（训练271例、测试69例），时间独立内部验证93例，外部验证126例，共559例。比较逻辑回归、决策树、随机森林、XGBoost、LightGBM、弹性网、支持向量机、单隐层神经网络和k近邻九种算法；在训练集行5折交叉验证和网格搜索，按AUC优化超参数，Youden指数阈值仅在训练集确定。采用SHAP解释XGBoost，预设PPV或NPV≥97.5%阈值评估临床决策率，并行决策曲线分析（decision curve analysis, DCA）和校准评估。

研究结果：
Study Design and Population Characteristics：通过筛查2019年1月至2025年5月CHETNUT数据库1057例，排除PET/CT前接受前列腺手术、雄激素剥夺治疗或放疗者421例及病理确认不明确/记录不全者203例，得433例；2019年1月至2024年6月开发队列340例（训练271例、测试69例），2024年7月至2025年5月内部验证93例；外部中心126例；共559例。结论为建立了双中心开发与验证队列。
Performance comparison and selection of nine machine learning models：通过在测试队列比较九种算法，XGBoost准确率90%、Cohen’s κ=0.79、AUC=0.96，敏感度0.90、特异度0.89、PPV=0.93、NPV=0.86、F1=0.91、马修斯相关系数（Matthews correlation coefficient, MCC）=0.79、J-index=0.80、平衡准确率0.90；训练与测试间准确率差（ΔAcc）=0.01、AUC差（ΔAUC）=0.00，优于其他模型且未见明显过拟合，故 selected 为最优模型。
Feature Importance of the XGBoost Model：通过SHAP全局分析，SUV_{max_Pros}（前列腺原发灶SUV_max）最重要（平均SHAP值0.226），PSAD为0.087，fPSA/tPSA为0.039，tPSA为0.038，体重指数（body mass index, BMI）为0.037，年龄为0.030；蜂群图显示SUV_{max_Pros}和PSAD较高值与csPCa正预测相关，前列腺体积较大和fPSA/tPSA较高值与良性分类相关。结论为模型可解释，关键特征具临床合理性。
Diagnostic efficacy of XGBoost is better than traditional indicators：通过固定XGBoost输出并与单指标ROC比较，训练队列AUC=0.96（95% CI: 0.94–0.98），优于SUV_{max_Pros} 0.91（0.87–0.94）、PI-RADS 0.84（0.80–0.89）、PSAD 0.84（0.80–0.89）和fPSA/tPSA 0.71（0.64–0.77）；测试队列AUC=0.96（0.93–1.00）；PSA灰区训练AUC=0.94（0.90–0.98）、测试AUC=0.96（0.91–1.00），均优于单指标。结论为多模态XGBoost优于单一影像或血清指标。
Validation in Independent Cohorts：通过内部和外部独立队列验证，内部验证AUC=0.90（95% CI: 0.83–0.96），敏感度0.74、特异度0.88，灰区AUC=0.88（0.80–0.96）；外部验证AUC=0.93（0.88–0.97），敏感度0.91、特异度0.85，灰区AUC=0.87（0.79–0.96）；均优于传统指标，DCA示净获益优于单指标。结论为模型具较好跨队列泛化性。
Clinical decision performance of the XGBoost model under prespecified thresholds：通过在开发队列确定PPV/NPV≥97.5%阈值并固定用于验证，临床决策率开发队列62.06%（95% CI: 56.47–67.07）、内部验证51.61%（41.94–61.29）、外部验证62.70%（53.97–71.43），高于SUV_{max_Pros}、PSAD、fPSA/tPSA和PI-RADS；PPV分别为0.98、0.89、0.92，NPV分别为1.00、0.95、0.94，错分较少。结论为预设阈值下模型可对约一半至六成患者提供低/高危分层，支持活检决策探索。

讨论总结与结论翻译：讨论指出，不必要的活检尤其是PSA灰区活检仍具感染、血尿、疼痛和心理负担等风险，惰性肿瘤检出可致过度治疗；模型较高NPV提示有潜力辅助排除non-csPCa，低危者或可考虑主动监测或延迟活检，高危者需进一步评估，但上述应用仅为探索性，不能独立建立治疗指征或替代病理确认。模型虽以⁶⁸Ga-PSMA PET/CT训练，在¹⁸F示踪剂外部队列仍获AUC=0.93，提示泛化性；将SUV_{max_Pros}与BMI同时输入可经非线性特征交互校准BMI相关偏倚。局限包括开发队列活检多由单一术者完成、回顾性研究可能存在选择/验证/谱偏倚、未行先验样本量计算、外部中心数量有限。结论翻译：总之，研究人员开发了一个整合PSMA PET/CT定量参数与血清生物标志物的XGBoost模型，用以改进csPCa的无创预测，并在独立队列中表现稳定，在PSA灰区维持准确性。在预设阈值下，该模型在选定患者中显示出个体化临床决策的潜力。未来需要更大队列和更全面特征训练以进一步探索这一无活检方向。