整合前列腺及前列腺周围脂肪组织MRI特征的双区域深度学习模型用于前列腺癌骨转移预测

《Frontiers in Oncology》：Dual-region deep learning model integrating prostate and peri-prostatic adipose tissue MRI features for bone metastasis prediction in prostate cancer

　　

背景与目的：骨转移（BM）在前列腺癌（PCa）管理中至关重要。本研究开发了一种多模态模型，整合来自前列腺（PG）和前列腺周围脂肪组织（PPAT）的MRI衍生深度特征与临床变量，用于BM风险评估。
方法：回顾性纳入464例患者，按7:3随机分为训练队列和内部测试队列。使用预训练的ResNet-50作为固定特征提取器，从T₂加权MRI的PG和PPAT区域提取深度特征。通过患者水平交叉验证构建临床、PG和PPAT组件模型。使用逻辑回归元学习器整合其折外概率，构建基于深度特征的PG-PPAT-临床（DPPC）模型。使用ROC-AUC、平均精确率（AP）、校准分析、决策曲线分析和SHAP分析评估模型性能。
结果：DPPC模型在训练队列中ROC-AUC为0.922（95%CI，0.887–0.954），内部测试队列为0.928（95%CI，0.864–0.978）。其ROC-AUC在训练队列中显著高于临床模型，在内部测试队列中显著高于PPAT模型，而其余两两差异无统计学意义。在概率阈值0.5时，内部测试敏感度和特异度分别为65.1%和95.9%。高危组观察BM率为87.5%，低危组为13.9%。
结论：通过协同整合PG和PPAT的深度学习特征与临床因素，DPPC模型在BM风险分层中展现出良好的性能，但仍需外部验证和进一步的校准评估。

前列腺癌（PCa）是男性第二常见恶性肿瘤，骨骼是最常见的远处转移部位，骨转移（BM）的发生会根本改变患者的临床分期、治疗策略和预后。由于骨影像诊断效能随临床风险组变化，且前列腺特异性抗原（PSA）缺乏足够个体特异性，改进无创BM风险评估对初始分期决策具有重要意义。肿瘤微环境（