前列腺癌診斷及預后評估中MRI影像組學的應用分析

黃惠娟 福建省漳州市醫院影像科 （福建 漳州 363000）

內容提要： 目的：分析應用MRI影像組學診斷和預后評估前列腺癌的技術要點和臨床價值。方法：選取2021年1月～2022年12月疑似前列腺癌患者120例，采用MRI影像組學方法和病理檢查，提取影像紋理特征和構建模型，分析病理檢查結果、主要紋理特征，評價模型應用價值。結果：病理檢查顯示，前列腺癌61例，前列腺增生59例；影像紋理特征顯示，共6類1129個；模型分析顯示，前列腺病灶預測模型應用效能良好，訓練組AUC 0.87，95%可信任區間（0.72～1.00），敏感度81.0%，特異度90.0%，模型準確率100.0%，陽性預測值100.0%，陰性預測值85.00%，驗證組AUC 0.98，95%可信任區間（0.93～1.00），敏感度85.0%，特異度85.0%，模型準確率85.0%，陽性預測值85.0%，陰性預測值85.0%。結論：MRI影像組學可輔助醫師有效檢出前列腺病變，促進病灶識別，以ADC圖像為基礎確定影像組學特征搭建模型，可比較準確地判別前列腺癌與前列腺增生，指導臨床醫師科學治療疾病。

前列腺癌屬于上皮性惡性腫瘤，發病位置為前列腺區域，在泌尿系統惡性腫瘤中具有高發性，中老年發病率高于其他年齡段，嚴重威脅男性生命安全[1]?；顧z進行病理學分析是局限性前列腺癌的主要危險分層方法，但是前列腺解剖結構復雜，病理組織采集受限，取樣部位不同較易影響活檢結果。前列腺癌病變形態具有空間異質性，隨機活檢病理分級準確度較低，影像學靶向活檢可顯著降低誤診率[2]。DWI等常規磁共振檢查時，前列腺增生可能誤診為前列腺癌，導致診斷結果不準確。進行MRI影像組學研究，聯合抗體偶聯藥物（antibody-drug conjugate，ADC）等定量分析前列腺區域病灶，有利于提高前列腺癌診斷準確性[3]。本文從2021年1月～2022年12月接診的疑似前列腺癌患者中選取120例，說明MRI影像組學方法，分析應用價值。

1.資料與方法

1.1 臨床資料

選取2021年1月～2022年12月120例疑似前列腺癌病例，年齡49～84歲，平均（63.04±9.10）歲。

納入標準：①直腸指檢顯示前列腺增大，無顯著中間溝，患者出現尿頻、急性尿潴留、排尿困難、血尿或者膀胱刺激征等臨床表現；②實施前列腺區域MRI T2WI、DWI、T1WI和DCE檢查；③MRI檢查后1個月內實施穿刺活檢；④患者及家屬知情同意。

排除標準：①MRI檢查前前列腺區域穿刺史；②內分泌治療史；③放射性治療史；④認知功能異常；⑤精神、智力障礙；⑥資料不全。

1.2 方法

1.2.1 常規MRI檢查

全部患者實施前列腺常規MRI掃查，其中DWI為軸位單次激發平面回波序列掃描。參數設置見表1。

表1.MRI前列腺掃查參數

1.2.2 圖像分析

使用PACS系統導出患者MRI影像，資料格式設置為DICOM。兩位高年資泌尿系統影像科醫師分別閱片后形成一致性意見。在ITK-Snap軟件中輸入ADC圖，使用軟件針對軸位圖像手動勾畫ROI曲線。勾畫時，定位面積最大病灶，按照其最大層面，勾畫出病灶邊緣曲線。在此過程中避免覆蓋血管、尿道、鈣化區域、出血部位以及精囊根部。完成ROI勾畫后，在A.K.軟件中輸入原始圖像與ROI圖像，然后從中提取病灶紋理特征。

1.3 觀察指標

①病理檢查結果：實施穿刺活檢，統計病理檢查結果，分析前列腺癌、前列腺增生病例數和年齡分布情況。②影像紋理特征：進行影像特征參數篩選，采用Lasso回歸方法選取特征參數，并且構建生物學標志。對比前列腺癌患者和前列腺增生患者在訓練組與驗證組中的影像學標簽。③模型分析：構建模型，獲取訓練組、驗證組AUC值，比較兩組診斷和預測準確性、陰性與陽性預測可靠性。

1.4 統計學分析

以R語言軟件分析數據，回歸模型降維提取影像學組特征，線性分析構建前列腺癌模型和前列腺增生模型，評價診斷準確性。對比ROI曲線下面積（即AUC數據），病灶分類效果與AUC呈正相關。

2.結果

2.1 病理檢查結果

穿刺活檢結果顯示，120例患者中前列腺癌61例，年齡52～84歲，平均（66.27±7.40）歲；前列腺增生59例，年齡49～81歲，平均（60.12±7.26）歲。

2.2 影像紋理特征

病灶紋理特征共6類1129個，主要分為形態學特征、直方圖特征、游程矩陣特征、灰度共生矩陣特征和以其為基礎的Haralick特征，此外還有灰度連通區域矩陣特征。篩選影像特征參數，Lasso回歸分析選擇特征參數，篩選出參數后構建生物學標志?；貧w選擇紋理參數6個，常數項系數-0.0271。分別賦予訓練組和驗證組影像組學標簽。在訓練組和驗證組中，前列腺組影像學標簽均高于前列腺增生組，差異有統計學意義（P＜0.05），見表2。

表2.影像學標簽

2.3 模型分析

鑒別模型AUC、敏感度、特異度、模型準確率、陰性和陽性預測值見表3。

表3.模型分析結果

3.討論

3.1 MRI影像組學的主要特點

影像組學是計算機技術與醫學深度融合的產物，是先進的現代醫療技術。影像組學以臨床數據為依據，分析疾病圖像特征，進而分析疾病異質性。影像組學的優點是對患者無創傷，可行多次檢查，而且應用成本較低。在傳統MRI檢查中，醫師通過觀察MRI圖像針對檢查結果做出解釋，小病灶較易漏診誤診。MRI影像組學不僅可定性疾病，而且可進行定量分析，技術方法獲取的結果與傳統MRI相比可靠性和精準度更高。MRI影像組學檢查中，主要步驟為采集和分割MRI圖像，從中提取特征信息，然后建模分析[4]。

3.2 前列腺癌診療和預后評估中應用MRI影像組學的價值

MRI影像組學研究利用病變區域圖像紋理改變等變化，輔助醫師精準分析疾病。前列腺癌MRI影像組學分析中，通過分析圖像紋理提取圖像像素、體素灰度值特征，提取分布狀態數據以及變化趨勢等，定量分析前列腺癌異質性[5]。

MRI影像組學屬于新型定量分析方法，應用此種方法時，主要是深度挖掘高通量圖像數據，從而對疾病結構特征進行量化描述，得出疾病的定量生物學指標。MRI影像組學方法彌補了傳統MRI檢查的不足。在診斷前列腺癌以及該類疾病預后評估時，MRI影像組學獲取的信息更準確，應用價值更高。在此過程中，應結合臨床因素分析和診斷疾病。

在診斷和預后評估前列腺癌活動中，MRI影像組學具有重要應用價值。MRI影像組學未來發展中，應積極積累臨床經驗，加強實踐驗證，進一步完善技術。在疾病預后評估中，預測模型中樣本豐富性與預測準確性通常呈正相關。在MRI影像組學應用中，應統一數據獲取標準，拓寬樣本采集范圍，完善數據庫，從而提高MRI影像組學模型應用可靠性。應構建標準化工作流程，強化質量控制，提高技術可重復性。MRI影像組學分析與臨床因素結合，同時充分利用醫療大數據與人工智能技術，有利于科學診斷和預后評估疾病，促進精準醫療[6]。

3.3 MRI影像組學應用方法

3.3.1 采集圖像信息

在圖像采集環節中，通過MRI設備掃描采集標準化圖像數據，進行數據分析。圖像特征分析質量受到多種因素影響，包括設備質量、參數設置科學性以及臨床實踐因素等。為提高結果可靠性，在采集圖像時應設計執行標準化采集和重建圖像方案。通過重采樣、歸一化預處理圖像，統一像素、灰度與分辨率。采集信息構建數據庫，聯合前列腺腫瘤影像學檢查數據庫與相關醫療數據庫，形成磁電流成像（Magnetic Current Imaging，MCI）圖像。

根據前列腺癌臨床研究需求采集影像數據，結合患者臨床表現，使用標簽標記獲取的數據。影像組學研究要求樣本量≥100個，保證樣本規模有利于適度擬合。為保證科學提取圖像特征，應標準化設置像素規模和層厚參數，統一圖像采集設備。并且在提取圖像特征前，針對圖像進行標準化計算機算法處理。當層厚、圖像分辨率不同時，應針對圖像重采樣，后續歸一處理像素[7]。

3.3.2 科學分割圖像

分割前列腺圖像時，ROI分別選取腫瘤和前列腺腺體區域，實施分割。在圖像分割環節，可采用手動、半自動與多重分割方法[8]。其中手動分割的優點是精度較高，主要是因為手動分割時影像學醫師需要手動操作進行ROI勾畫，通過人工手動操作可精準勾畫邊緣信息；缺點是效率較低，操作時間較長，適宜處理小規模數據，難以高效率處理大規模數據[9]。不僅如此，手動分割時，醫師技術水平、經驗、操作熟練度等均會直接影響ROI勾畫效果，病灶ROI較易出現顯著差異，可疑病灶識別時，醫師可能做出錯誤判斷，得出錯誤ROI，導致提取不準確的圖像特征。在進行手動分割時，應由高年資醫師操作，并且適用于小規模樣本[10]。

也可在計算機算法輔助下自動分割ROI。半自動、自動分割方法應用效率較高，應用計算機算法和開源軟件分割圖像。自動分割顯著提高了工作效率，但是自動分割較易受到圖像噪聲干擾，導致準確度較低[11]。應用U-Net算法等算法可提高自動分割準確性，例如，應用此種算法在前列腺T2WI圖像中可自動分割前列腺輪廓，還可自動測量前列腺徑線。MRI影像組學分析前列腺癌過程中，應科學選擇ROI，促進精準研究[12]。

3.3.3 提取圖像特征

完成ROI分割后是提取圖像特征環節，提取圖像特征是核心環節[13]。選擇有價值的信息提取正常與異常圖像。在此環節中，基于特征信息分類和預測疾病[14]。圖像特征包括兩類，其一是數學定量描述，主要針對病變不可見特征，包括形態學特征、一階特征、二階特征與高階特征；其二是提取定性特征[15]。數學定量描述中，形態學特征描述方法是統計學數值；一階特征也稱直方圖特征，含有偏差、方差、標準差等；二階特征為病變異質性信息，利用灰度游程矩陣、灰度共生矩陣等方法使像素、體素形成合理的空間關系；高階特征是使用拉普拉斯濾波器等提取圖像特征[16]。

在此過程中，應積極提高模型魯棒性與精準度，促進適度擬合，應從諸多特征信息中提取核心特征，核心特征信息量最豐富、應用價值最高[17]。通過算法和機器學習進行嵌入，通過MRI影像組學分析提取紋理、強度、形狀等圖像特征[18]。

3.3.4 建模分析

完成上述步驟后，構建分析模型。在建模環節，重點是合理選擇特征，應用科學建模方法，并且在建模后驗證模型[19]。綜合臨床數據、生物學數據、遺傳信息、患者治療史信息與影像學特征信息，數據驅動選擇特征，從而保證模型具有良好效能[20]。為保證模型穩定性，應納入多種機器學習法，全周期記錄學習過程與結果信息，并且進行內部、外部驗證[21]。隨機森林、卷積神經網絡、支持向量機是常用模型[22]。在模型效能評價中，主要方法為ROC曲線分析和評估診斷特異度、靈敏度和準確度[23]。

本次研究中，病理檢查檢出前列腺癌61例、前列腺增生59例，影像紋理特征6類1129個。本次研究結果表明，MRI影像組學模型預測前列腺病灶效能良好，訓練組、驗證組AUC值、敏感度、特異度均較好，模型準確率較高，陰性與陽性預測值較高。構建預測模型并且進行學習后，病灶鑒別模型下ROI曲線下面積較好，顯示模型診斷效能較高。該結果表明，在臨床診療前列腺癌時，可采用MRI影像組學方法，病灶分析結果準確性較好，分析結果比較科學，可準確分類病灶，指導臨床治療[24]。

綜上所述，前列腺癌臨床診斷中，MRI影像組學具有顯著應用價值。通過MRI影像組學可挖掘標準圖像的圖像特征，進行定量分析，輔助醫師臨床診斷疾病和預測疾病未來發展趨勢。應用此種方法，可提高疾病診斷準確性，促進前列腺癌科學診斷和治療。