基于双参数MRI机器学习模型对前列腺癌和临床显著性前列腺癌的诊断价值

目的:探讨基于双参数MRI机器学习模型对前列腺癌和临床显著性前列腺癌（csPCa）的诊断价值。方法:回顾性收集2015年5月至2020年12月江苏省内3个医疗中心共1 368例行术前MRI且经病理证实的前列腺疾病患者的影像资料，其中csPCa 412例，无显著临床意义的前列腺癌（ciPCa）242例，良性前列腺病变714例，年龄30~92（69.4±8.2）岁。采用Python内嵌random工具包将中心一和中心二数据按照7∶3比例进行无放回随机数法采样划分为训练组和内部测试组，中心三数据设为独立外部测试组，其中训练组包括243例csPCa、135例ciPCa和384例良性病变，内部测试组包括104例csPCa、58例ciPCa和165例良性病变，外部测试组包括65例csPCa、49例ciPCa和165例良性病变。分别提取T 2加权成像、弥散加权成像和表观扩散系数图的影像组学特征，采用Pearson相关系数分析、方差分析筛选影像组学特征，分别使用随机森林（RF）和支持向量机两种算法构建机器学习模型，并在内部测试组和外部测试组对模型进行测试。最后，选取诊断效能较高的机器学习模型辅助调整医师前列腺影像报告和数据系统（PI-RADS）评分，命名为调整后PI-RADS。通过受试者工作特征（ROC）曲线评估机器学习模型和PI-RADS的诊断效能，使用Delong检验比较机器学习模型和PI-RADS的ROC曲线下面积（AUC）。 结果:在诊断前列腺癌时，基于RF算法的机器学习模型和医师PI-RADS评分的AUC在内部测试组中分别为0.869（95% CI：0.830~0.908）和0.874（95% CI：0.836~0.913），两者差异无统计学意义（ P=0.793）；在外部测试组中分别为0.845（95% CI：0.794~0.897）和0.915（95% CI：0.880~0.951），两者差异有统计学意义（ P=0.01）。在诊断csPCa时，基于RF算法的机器学习模型和医师PI-RADS评分的AUC在内部测试组中分别为0.874（95% CI：0.834~0.914）和0.892（95% CI：0.857~0.927），两者差异无统计学意义（ P=0.341）；在外部测试组中分别为0.876（95% CI：0.831~0.920）和0.884（95% CI：0.841~0.926），两者差异无统计学意义（ P=0.704）。医师PI-RADS评分经过机器学习模型辅助诊断后，诊断前列腺癌时，内部测试组特异度从63.0%提升到80.0%，外部测试组特异度从92.7%提升到93.3%；诊断csPCa时，内部测试组特异度从52.5%提升到72.6%，外部测试组特异度从75.2%提升到79.9%。 结论:基于双参数MRI机器学习模型对前列腺癌和csPCa诊断水平达到高年资放射科医师诊断水平并具有良好的泛化性；经过机器学习模型辅助诊断后PI-RADS评分特异度有所提升。