临床和MRI影像组学及深度学习联合模型预测初发前列腺癌骨转移

目的 基于临床、MRI影像组学及深度学习(DL)构建联合模型,评估其预测初发前列腺癌(PCa)骨转移(BM)的价值.方法 回顾性分析286例经病理证实的初发PCa,根据患者来源将其分为训练集(53例BM、121例无BM)和测试集(29例BM、83例无BM).采用单因素分析及多因素logistic回归分析筛选初发PCa BM的临床独立风险因素,构建临床模型;基于MR T2WI和弥散加权成像(DWI)提取并筛选最佳影像组学特征,构建影像组学标签评分(Rad-score),以最佳DL特征建立DL标签评分(DL-score),进而构建影像组学-DL模型;最后基于临床独立风险因素、Rad-score及DL-score构建联合模型.绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),评估各模型预测初发PCa BM的效能,以决策曲线分析(DCA)对比其临床获益.结果 血清前列腺特异抗原(PSA)(OR=1.003,P<0.01)及国际泌尿病理学会(ISUP)评分(OR=3.023,P=0.01)为初发PCa BM的临床独立风险因素;以之构建的临床模型预测训练集及测试集初发PCa BM的AUC分别为0.79及0.81.以影像组学-DL模型及联合模型预测训练集和测试集初发PCa BM的AUC分别为0.90、0.93及0.92、0.95,联合模型在训练集(Z=3.12、P<0.01,Z=1.76、P=0.04)和测试集的AUC(Z=2.89、P<0.01,Z=2.23、P=0.03)均高于临床模型及影像组学-DL模型.DCA显示,阈值取0.10～0.78时,联合模型的临床获益高于临床模型及影像组学-DL模型.结论 临床和MRI影像组学及DL联合模型可有效预测初发PCa BM.