摘要

目的：探讨基于双参数MRI影像组学联合临床因素的机器学习模型对移行带前列腺癌（TZ-Pca）的诊断效能。方法：回顾性收集两个中心经病理证实的共280例（中心1:203例；中心2:77例）TZ-Pca和良性前列腺增生（BPH）患者的临床及影像资料。中心1以7∶3的比例完全随机分为训练集（142例）和内部验证集（61例）；中心2作为独立的外部验证集。通过单因素和多因素Logistic回归分析筛选出临床独立风险因素。基于T2WI和ADC图提取病灶长径最大层面的整个移行带区域的影像组学特征，使用最小绝对收缩和选择算子（LASSO）算法进行特征筛选，采用6种机器学习算法构建、筛选出最佳影像组学模型，并联合临床独立风险因素构建临床-影像组学联合模型。通过受试者工作特征（ROC）曲线的曲线下面积（AUC）比较不同模型的诊断效能。采用校准曲线和决策曲线评估联合模型的校准度和临床实用价值。结果：多因素Logistic回归分析显示，前列腺影像报告和数据系统（PI-RADS）评分和总血清前列腺特异抗原（tPSA）是TZ-Pca的临床独立风险因素。基于支持向量机（SVM）算法的ADC+T2WI联合序列影像组学模型在训练集和内部验证集中的AUC分别为0.865和0.850，临床-影像组学联合模型在训练集、内部验证集和外部验证集中的AUC分别为0.963、0.889和0.829。结论：基于双参数MRI影像组学的机器学习模型有助于TZ-Pca的诊断，加入临床因素PI-RADS评分和tPSA的临床-影像组学联合模型可进一步提高诊断效能。

关键词