目的探讨基于双参数MRI影像组学特征的机器学习模型在前列腺癌风险分层中的作用。方法收集128例经病理证实的前列腺癌患者的临床资料,其中低风险组(Gleason评分≤3+4分)60例、高风险组(Gleason评分≥4+3分)68例。所有患者均接受3.0 T MRI检查,采集参数相同。统计与前列腺癌相关的临床危险因素,包括年龄、病灶体积、病灶位置、前列腺特异性抗原及前列腺影像报告和数据系统(PI-RADS)评分等。按7∶3将患者随机分为训练集和验证集,分别用于影像组学模型的机器学习和验证。影像组学特征包括基于梯度的直方图特征、形态特征、灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、灰度大小区域矩阵(GLSZM)和Haralick特征。应用多因素logistic回归分析建立3个前列腺癌风险分层的预测模型:临床模型、影像组学模型和临床-影像组学联合模型,分别通过ROC曲线和决策曲线分析比较各模型的诊断效能与临床效益。结果影像组学模型和临床-影像组学联合模型对验证集的预测效能相当(AUC=0.78,95%CI 0.63~0.93),并且均优于临床模型(AUC=0.75,95%CI 0.60~0.91)。决策曲线分析表明,影像组学模型和临床-影像组学联合模型比临床模型具有更高的临床净收益。结论与仅评估前列腺癌相关的临床危险因素相比,基于双参数MRI影像组学的临床-影像组学机器学习模型可以提高对前列腺癌风险分层预测的准确性。
