目的:探讨双参数磁共振成像(biparametric magnetic resonance imaging,Bp-MRI)技术对前列腺癌(prostate cancer,PCa)的诊断价值。方法:回顾性收集2019年1月-2021年12月广东省中医院二沙岛医院收治的182例前列腺疾病患者,两名医师采用...目的:探讨双参数磁共振成像(biparametric magnetic resonance imaging,Bp-MRI)技术对前列腺癌(prostate cancer,PCa)的诊断价值。方法:回顾性收集2019年1月-2021年12月广东省中医院二沙岛医院收治的182例前列腺疾病患者,两名医师采用双参数磁共振成像(Bp-MRI)技术、多参数磁共振成像(multiparameter magnetic resonance imaging,Mp-MRI)技术、T_(2)加权联合动态增强磁共振成像技术在未知病理情况下分别对患者进行前列腺影像报告和数据系统(PI-RADS)评分,以病理结果为金标准,对比分析各影像技术对PCa的诊断效能。结果:两名医师使用Bp-MRI、Mp-MRI、T_(2)WI-DCE技术诊断PCa的AUC值分别为0.88、0.90、0.84,其中,Bp-MRI诊断PCa灵敏度、特异度为0.83、0.86,Mp-MRI为0.85、0.85,T_(2)WI-DCE为0.73、0.88,Bp-MRI与T_(2)WI-DCE的AUC差异具有统计学意义(P<0.05),Bp-MRI与Mp-MRI的AUC差异无统计学意义(P>0.05)。结论:Bp-MRI技术对PCa具有良好的诊断价值,在某些条件下,将Bp-MRI技术作为Mp-MRI技术的备选方案是可行的。展开更多
目的:探究表观弥散系数(apparent diffusion coefficient,ADC)及指数化ADC(exponential ADC,eADC)在双参数磁共振成像(bi-parametric magnetic resonance imaging,bpMRI)诊断临床显著性前列腺癌中的应用价值。方法:回顾并分析2014年1月...目的:探究表观弥散系数(apparent diffusion coefficient,ADC)及指数化ADC(exponential ADC,eADC)在双参数磁共振成像(bi-parametric magnetic resonance imaging,bpMRI)诊断临床显著性前列腺癌中的应用价值。方法:回顾并分析2014年1月—2021年12月在首都医科大学电力教学医院就诊的101例临床怀疑为前列腺癌患者的临床、影像学及病理学资料。依据穿刺活检结果分为组1(临床显著性前列腺癌组)和组2(非临床显著性前列腺癌+非前列腺癌),由2名阅片者依据前列腺影像报告和数据系统(Prostate Imaging Reporting and Data System,PI-RADS)指南评分标准分别按照bpMRI诊断方案和多参数MRI(multi-parametric MRI,mpMRI)诊断方案进行评分(记为bpMRI评分和mpMRI评分),并且测量病灶最大层面的ADC值和eADC值,将bpMRI评分和mpMRI评分分别与ADC值及eADC值联合构建logistic回归模型,绘制受试者工作特征(receiver operating characteristic,ROC)曲线评价ADC值、eADC值、bpMRI诊断方案、mpMRI诊断方案以及两者分别联合ADC值及eADC值对临床显著性前列腺癌的诊断价值,运用Z检验对比各方案的曲线下面积(area under curve,AUC)有无差异。结果:109例可疑病灶中,组1病灶共计50例,组2病灶共计59例。ADC值、eADC值、bpMRI评分及mpMRI评分是诊断临床显著性前列腺癌的有效指标(P<0.001),ADC值及eADC值的AUC值分别为0.888和0.931,差异无统计学意义(Z=1.512,P=0.1306)。BpMRI评分分别联合ADC值及eADC值的AUC值分别为0.973、0.978,高于单独运用bpMRI评分的AUC值(AUC=0.954),差异有统计学意义(Z=2.391,P=0.0168;Z=2.125,P=0.0336)。mpMRI评分分别联合ADC值及eADC值的AUC值分别为0.985、0.985,高于单独运用mpMRI评分的AUC值(AUC=0.974),但差异无统计学意义(Z=1.295,P=0.1953;Z=1.354,P=0.1757)。结论:ADC值和eADC值都是诊断临床显著性前列腺癌有价值的MRI定量指标,两者联合bpMRI评分可以显著地提高bpMRI的诊断效能与临床应用价值。展开更多
目的评估双参数磁共振成像(biparametric magnetic resonance imaging,bpMRI)的表观扩散系数(apparent diffusion coefficients,ADC)对前列腺癌(prostate cancer,PCa)进行预后相关的国际泌尿病理学会(International Society of Urologic...目的评估双参数磁共振成像(biparametric magnetic resonance imaging,bpMRI)的表观扩散系数(apparent diffusion coefficients,ADC)对前列腺癌(prostate cancer,PCa)进行预后相关的国际泌尿病理学会(International Society of Urological Pathology,ISUP)分级分组(grading group,GG)的能力,并且对最小表观扩散系数(minimum apparent diffusion coefficients,ADCmin)及平均表观扩散系数(mean apparent diffusion coefficients,ADCmean)的诊断效能进行比较。材料与方法回顾性分析91名患者的bpMRI图像和数据,计算主要病灶的ADCmin及ADCmean,绘制受试者工作特征(receiver operating characteristic,ROC)曲线确定ADC诊断界值并计算ROC曲线下面积(area under the curve,AUC),分析ADC对PCa的诊断效能。比较良恶性病变的ADC差异,依据风险分层比较低危与中高危病变的ADC差异。采用Spearman分析对ADC和ISUP GG之间的相关性进行分析。结果91例患者中48例为PCa(52.7%),43例为良性病变(47.3%)。PCa组的ADCmin及ADCmean的中位数均明显低于良性病变组,良性病变与恶性病变差异有统计学意义(P<0.05)。中高危PCa(intermediateand high-risk PCa,ihPCa)的ADCmin及ADCmean中位数显著低于良性组和低危组,差异均有统计学意义(P<0.05)。以0.49×10^(-3)mm^(2)/s(b=2000)为诊断界值,ADCmin诊断ihPCa的特异度、阳性预测值(positive predictive value,PPV)、Youden指数和AUC分别为88%、84%、68%、0.87。而以0.64×10^(-3)mm^(2)/s(b=2000)为诊断界值,ADCmean诊断ihPCa的特异度、PPV、Youden指数和AUC分别为85%、78%、59%、0.83。ADCmin及ADCmean值的大小与ISUP GG数值呈负性相关(ρ=-0.661,P<0.01)。结论随着ADC值降低,PCa的预后风险增高;bpMRI的ADC参数在诊断ihPCa时有较高的特异度和PPV,且ADCmin的诊断性能优于ADCmean。bpMRI的ADC参数可用于无创评估PCa预后相关风险分层,为PCa患者的风险预测和个体化治疗提供有效工具,并且建议影像医师在诊断中可以更偏重对ADCmin的使用。展开更多
目的比较基于双参数MRI(bpMRI)的改良版欧洲泌尿生殖系统放射学学会(ESUR)评分和Mehralivand分级对前列腺癌(PCa)包膜外侵犯(ECE)的评估价值。方法回顾性收集2019年3月至2022年3月苏州大学附属第一医院行3.0 T bpMRI检查并经手术病理证...目的比较基于双参数MRI(bpMRI)的改良版欧洲泌尿生殖系统放射学学会(ESUR)评分和Mehralivand分级对前列腺癌(PCa)包膜外侵犯(ECE)的评估价值。方法回顾性收集2019年3月至2022年3月苏州大学附属第一医院行3.0 T bpMRI检查并经手术病理证实为PCa的235例患者资料,年龄[M(Q_(1),Q_(3))][71(66,75)]岁,其中ECE阳性107例,ECE阴性128例。医师1和医师2分别根据改良版ESUR评分和Mehralivand分级对每例患者的ECE情况进行评分,并采用受试者工作特征曲线和Delong检验来比较两者的评估效能。随后将差异有统计学意义的临床因素纳入多因素二元logistic回归模型分析获得预测因子,并结合医师1的两种评分分别构建联合模型,再比较两种联合模型与单独评分方法间的评估效能。结果医师1采用Mehralivand分级评估ECE的曲线下面积(AUC)值高于医师1和医师2的改良版ESUR评分的AUC值[0.746(95%CI:0.685~0.800)分别比0.696(95%CI:0.633~0.754)和0.691(95%CI:0.627~0.749),均P<0.05];医师2采用Mehralivand分级评估ECE的AUC值高于医师1和医师2的改良版ESUR评分的AUC值[0.753(95%CI:0.693~0.807)分别比0.696(95%CI:0.633~0.754)和0.691(95%CI:0.627~0.749),均P<0.05]。基于改良版ESUR评分的联合模型1和基于Mehralivand分级的联合模型2诊断ECE的AUC值高于单独使用改良版ESUR评分的AUC值[0.826(95%CI:0.773~0.879)和0.841(95%CI:0.790~0.892)比0.696(95%CI:0.633~0.754),均P<0.001],也高于单独使用Mehralivand分级的AUC值[0.826(95%CI:0.773~0.879)和0.841(95%CI:0.790~0.892)比0.746(95%CI:0.685~0.800),均P<0.05]。结论基于bpMRI的Mehralivand分级较改良版ESUR评分对评估PCa患者术前ECE具有更高的诊断价值,且影像学评分方法和临床因素的联合可进一步提升对ECE的诊断。展开更多
目的 基于前列腺影像报告和数据系统2.1版(Prostate Imaging Reporting and Data System version 2.1,PI-RADS v2.1)分析双参数磁共振成像(biparametric magnetic resonance imaging, BP-MRI)及其联合临床预测指标对前列腺癌(prostate c...目的 基于前列腺影像报告和数据系统2.1版(Prostate Imaging Reporting and Data System version 2.1,PI-RADS v2.1)分析双参数磁共振成像(biparametric magnetic resonance imaging, BP-MRI)及其联合临床预测指标对前列腺癌(prostate cancer, PCa)的诊断价值。材料与方法 本研究回顾性分析2020年1月至2022年5月我院171例在进行系统活检前接受多参数磁共振成像(multiparametric MRI, MP-MRI)检查的临床可疑PCa患者病例资料。由两名经验丰富的放射科医师以PI-RADS v2.1评分系统对所有病灶的MR图像进行BP-MRI及MP-MRI评分,并将病灶分为全部病灶组、病灶位于周围带(peripheral zone, PZ)组和病灶位于移行带(transition zone, TZ)组。对PCa组及非前列腺癌(non prostate cancer, No PCa)组的BP-MRI、MP-MRI及各临床预测指标进行单因素分析及多因素分析,确立独立预测因素,并通过受试者工作特性(receiver operating characteristic, ROC)曲线分析两种评分及BP-MRI联合独立预测因素方案的诊断性能。结果 在全部病灶组(PZ+TZ)中,BP-MRI、MP-MRI、年龄、前列腺特异性抗原密度(prostate specific antigen density, PSAD)及游离/总前列腺特异性抗原(free/total prostate specific antigen, f/tPSA)是PCa的独立预测因素,BP-MRI与MP-MRI之间诊断效能差异无统计学意义[ROC曲线下面积(area under the curve, AUC)为0.888、0.886, P>0.05]。联合模型、BP-MRI+f/tPSA、BP-MRI+PSAD的(AUC=0.937, 0.924, 0.915)诊断效能均高于MP-MRI(AUC=0.886),差异具有统计学意义(P<0.05),三者间差异无统计学意义(P>0.05);临床独立预测因素中PSAD诊断效能最高(AUC=0.837);相较于单独应用,各临床独立预测指标联合BP-MRI后诊断准确性明显提升,差异具有统计学意义(P<0.05),而相较于年龄或f/tPSA,BP-MRI联合PSAD的综合临床诊断价值更高;在PZ或TZ组中,BP-MRI(AUC=0.821, 0.908)、MP-MRI(AUC=0.817, 0.908)是PCa的独立预测因素,两者AUC值差异无统计学意义(P>0.05)。结论 BP-MRI与MP-MRI对PCa的诊断效能相当,BP-MRI联合PSAD可提高诊断效能,避免临床不必要活检。展开更多
目的使用外部数据验证前列腺双参数磁共振成像(bpMRI)图像序列甄别模型的泛化性能。方法回顾性搜集2018年1月至2021年2月前列腺bpMRI影像,匿名化后使用既往训练好的Med3D多分类模型对各个序列进行分类。以医师做出的序列分类为“金标准...目的使用外部数据验证前列腺双参数磁共振成像(bpMRI)图像序列甄别模型的泛化性能。方法回顾性搜集2018年1月至2021年2月前列腺bpMRI影像,匿名化后使用既往训练好的Med3D多分类模型对各个序列进行分类。以医师做出的序列分类为“金标准”,研究Med3D多分类模型对外部数据分类的准确率。使用混淆矩阵显示多分类预测结果,使用PYCM包进行多分类诊断效能分析。结果563例病例的合格bpMRI数据纳入研究,使用了5台MR扫描仪,其中97.2%使用3.0 T MR检查,2.8%使用1.5 T MR检查。格式转换后,共5209个合格图像序列可用于模型预测,包括1063个ADC、1691个DWI_High(b>50 s/mm^(2))、709个DWI_Low(b≤50 s/mm^(2))、750个T_(2)WI_nan和996个T2WI_Fs序列。ADC、DWI_High、DWI_Low、T_(2)WI_Fs、T_(2)WI_nan等各个序列的预测准确率分别为98.5%、98.1%、97.2%、99.1%和99.8%。结论使用外部数据验证显示Med3D多分类模型对前列腺bpMRI图像分类具有很高的准确率,泛化能力强。展开更多
目的探讨基于双参数磁共振成像(biparameter magnetic resonance imaging,Bp-MRI)影像组学及临床信息对前列腺良恶性病变的诊断、鉴别及风险评估。材料与方法回顾性分析161例经病理学证实的前列腺疾病患者病例,按7∶3的比例随机、分层...目的探讨基于双参数磁共振成像(biparameter magnetic resonance imaging,Bp-MRI)影像组学及临床信息对前列腺良恶性病变的诊断、鉴别及风险评估。材料与方法回顾性分析161例经病理学证实的前列腺疾病患者病例,按7∶3的比例随机、分层分为训练集和验证集。采用t检验/Wilcoxon秩和检验、最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法、Spearman相关分析和logistic回归模型对临床特征和影像组学特征进行分析,构建影像组学模型及联合模型。通过绘制受试者工作特征(receiver operating characteristic,ROC)曲线并计算曲线下面积(area under the curve,AUC),对模型的性能进行评价。然后,利用放射组学特征和临床特征构建联合列线图,并进行验证。结果影像.组学模型在训练集和验证集预测前列腺病变良恶性的AUC分别为0.946(95%CI:0.903~0.982)、0.902(95%CI:0.862~0.958);联合模型在两组间预测前列腺病变良恶性的AUC分别为0.965(95%CI:0.904~0.989)、0.924(95%CI:0.868~0.980)。结论基于Bp-MRI的联合模型对于前列腺癌具有较高的诊断效能。结合总前列腺特异性抗原(total prostate specific antigen,tPSA)、游离前列腺特异抗原(free prostate specific antigen,fPSA)/tPSA比值(f/t)和影像组学特征的联合列线图可能为前列腺疾病患者的风险预测和个体化治疗提供有效工具。展开更多
文摘目的:探讨双参数磁共振成像(biparametric magnetic resonance imaging,Bp-MRI)技术对前列腺癌(prostate cancer,PCa)的诊断价值。方法:回顾性收集2019年1月-2021年12月广东省中医院二沙岛医院收治的182例前列腺疾病患者,两名医师采用双参数磁共振成像(Bp-MRI)技术、多参数磁共振成像(multiparameter magnetic resonance imaging,Mp-MRI)技术、T_(2)加权联合动态增强磁共振成像技术在未知病理情况下分别对患者进行前列腺影像报告和数据系统(PI-RADS)评分,以病理结果为金标准,对比分析各影像技术对PCa的诊断效能。结果:两名医师使用Bp-MRI、Mp-MRI、T_(2)WI-DCE技术诊断PCa的AUC值分别为0.88、0.90、0.84,其中,Bp-MRI诊断PCa灵敏度、特异度为0.83、0.86,Mp-MRI为0.85、0.85,T_(2)WI-DCE为0.73、0.88,Bp-MRI与T_(2)WI-DCE的AUC差异具有统计学意义(P<0.05),Bp-MRI与Mp-MRI的AUC差异无统计学意义(P>0.05)。结论:Bp-MRI技术对PCa具有良好的诊断价值,在某些条件下,将Bp-MRI技术作为Mp-MRI技术的备选方案是可行的。
文摘目的:探究表观弥散系数(apparent diffusion coefficient,ADC)及指数化ADC(exponential ADC,eADC)在双参数磁共振成像(bi-parametric magnetic resonance imaging,bpMRI)诊断临床显著性前列腺癌中的应用价值。方法:回顾并分析2014年1月—2021年12月在首都医科大学电力教学医院就诊的101例临床怀疑为前列腺癌患者的临床、影像学及病理学资料。依据穿刺活检结果分为组1(临床显著性前列腺癌组)和组2(非临床显著性前列腺癌+非前列腺癌),由2名阅片者依据前列腺影像报告和数据系统(Prostate Imaging Reporting and Data System,PI-RADS)指南评分标准分别按照bpMRI诊断方案和多参数MRI(multi-parametric MRI,mpMRI)诊断方案进行评分(记为bpMRI评分和mpMRI评分),并且测量病灶最大层面的ADC值和eADC值,将bpMRI评分和mpMRI评分分别与ADC值及eADC值联合构建logistic回归模型,绘制受试者工作特征(receiver operating characteristic,ROC)曲线评价ADC值、eADC值、bpMRI诊断方案、mpMRI诊断方案以及两者分别联合ADC值及eADC值对临床显著性前列腺癌的诊断价值,运用Z检验对比各方案的曲线下面积(area under curve,AUC)有无差异。结果:109例可疑病灶中,组1病灶共计50例,组2病灶共计59例。ADC值、eADC值、bpMRI评分及mpMRI评分是诊断临床显著性前列腺癌的有效指标(P<0.001),ADC值及eADC值的AUC值分别为0.888和0.931,差异无统计学意义(Z=1.512,P=0.1306)。BpMRI评分分别联合ADC值及eADC值的AUC值分别为0.973、0.978,高于单独运用bpMRI评分的AUC值(AUC=0.954),差异有统计学意义(Z=2.391,P=0.0168;Z=2.125,P=0.0336)。mpMRI评分分别联合ADC值及eADC值的AUC值分别为0.985、0.985,高于单独运用mpMRI评分的AUC值(AUC=0.974),但差异无统计学意义(Z=1.295,P=0.1953;Z=1.354,P=0.1757)。结论:ADC值和eADC值都是诊断临床显著性前列腺癌有价值的MRI定量指标,两者联合bpMRI评分可以显著地提高bpMRI的诊断效能与临床应用价值。
文摘目的基于第二版前列腺影像报告数据系统(PI-RAVS V2)对比双参数磁共振成像(BP-MRI)和多参数磁共振成像(MP-MRI)对前列腺癌(PCa)的诊断价值。方法选取2015年3月至2017年12月南京医科大学附属淮安第一医院收治的66例未经治疗临床怀疑PCa的患者进行MRI检查,包括T2加权成像(T2WI)、扩散加权成像(DWI)及动态对比增强磁共振成像(DCE-MRI),均经前列腺活检确定病理结果。两名放射科医师基于PI-RADS V2对BP-MRI及MP-MRI方案的诊断性能进行评估。结果病理证实27例PCa,其中23例位于外周带,4例位于移行带。BP-MRI检测PCa的灵敏度、特异度、准确度、阳性预测值、阴性预测值分别为90.6%(25/27)、97.7%(38/39)、92.4%(61/66)、95.8%(23/24)、94.7%(36/38),MP-MRI为87.2%(23/27)、95.3%(36/39)、93.9%(62/66)、89.3%(25/28)、90.5%(34/43)。结论与常规MP-MRI方案相比,3.0 T BP-MRI方案具有相似的诊断精度,检查时间较短且无需使用对比剂。
文摘目的比较基于双参数MRI(bpMRI)的改良版欧洲泌尿生殖系统放射学学会(ESUR)评分和Mehralivand分级对前列腺癌(PCa)包膜外侵犯(ECE)的评估价值。方法回顾性收集2019年3月至2022年3月苏州大学附属第一医院行3.0 T bpMRI检查并经手术病理证实为PCa的235例患者资料,年龄[M(Q_(1),Q_(3))][71(66,75)]岁,其中ECE阳性107例,ECE阴性128例。医师1和医师2分别根据改良版ESUR评分和Mehralivand分级对每例患者的ECE情况进行评分,并采用受试者工作特征曲线和Delong检验来比较两者的评估效能。随后将差异有统计学意义的临床因素纳入多因素二元logistic回归模型分析获得预测因子,并结合医师1的两种评分分别构建联合模型,再比较两种联合模型与单独评分方法间的评估效能。结果医师1采用Mehralivand分级评估ECE的曲线下面积(AUC)值高于医师1和医师2的改良版ESUR评分的AUC值[0.746(95%CI:0.685~0.800)分别比0.696(95%CI:0.633~0.754)和0.691(95%CI:0.627~0.749),均P<0.05];医师2采用Mehralivand分级评估ECE的AUC值高于医师1和医师2的改良版ESUR评分的AUC值[0.753(95%CI:0.693~0.807)分别比0.696(95%CI:0.633~0.754)和0.691(95%CI:0.627~0.749),均P<0.05]。基于改良版ESUR评分的联合模型1和基于Mehralivand分级的联合模型2诊断ECE的AUC值高于单独使用改良版ESUR评分的AUC值[0.826(95%CI:0.773~0.879)和0.841(95%CI:0.790~0.892)比0.696(95%CI:0.633~0.754),均P<0.001],也高于单独使用Mehralivand分级的AUC值[0.826(95%CI:0.773~0.879)和0.841(95%CI:0.790~0.892)比0.746(95%CI:0.685~0.800),均P<0.05]。结论基于bpMRI的Mehralivand分级较改良版ESUR评分对评估PCa患者术前ECE具有更高的诊断价值,且影像学评分方法和临床因素的联合可进一步提升对ECE的诊断。
文摘目的 基于前列腺影像报告和数据系统2.1版(Prostate Imaging Reporting and Data System version 2.1,PI-RADS v2.1)分析双参数磁共振成像(biparametric magnetic resonance imaging, BP-MRI)及其联合临床预测指标对前列腺癌(prostate cancer, PCa)的诊断价值。材料与方法 本研究回顾性分析2020年1月至2022年5月我院171例在进行系统活检前接受多参数磁共振成像(multiparametric MRI, MP-MRI)检查的临床可疑PCa患者病例资料。由两名经验丰富的放射科医师以PI-RADS v2.1评分系统对所有病灶的MR图像进行BP-MRI及MP-MRI评分,并将病灶分为全部病灶组、病灶位于周围带(peripheral zone, PZ)组和病灶位于移行带(transition zone, TZ)组。对PCa组及非前列腺癌(non prostate cancer, No PCa)组的BP-MRI、MP-MRI及各临床预测指标进行单因素分析及多因素分析,确立独立预测因素,并通过受试者工作特性(receiver operating characteristic, ROC)曲线分析两种评分及BP-MRI联合独立预测因素方案的诊断性能。结果 在全部病灶组(PZ+TZ)中,BP-MRI、MP-MRI、年龄、前列腺特异性抗原密度(prostate specific antigen density, PSAD)及游离/总前列腺特异性抗原(free/total prostate specific antigen, f/tPSA)是PCa的独立预测因素,BP-MRI与MP-MRI之间诊断效能差异无统计学意义[ROC曲线下面积(area under the curve, AUC)为0.888、0.886, P>0.05]。联合模型、BP-MRI+f/tPSA、BP-MRI+PSAD的(AUC=0.937, 0.924, 0.915)诊断效能均高于MP-MRI(AUC=0.886),差异具有统计学意义(P<0.05),三者间差异无统计学意义(P>0.05);临床独立预测因素中PSAD诊断效能最高(AUC=0.837);相较于单独应用,各临床独立预测指标联合BP-MRI后诊断准确性明显提升,差异具有统计学意义(P<0.05),而相较于年龄或f/tPSA,BP-MRI联合PSAD的综合临床诊断价值更高;在PZ或TZ组中,BP-MRI(AUC=0.821, 0.908)、MP-MRI(AUC=0.817, 0.908)是PCa的独立预测因素,两者AUC值差异无统计学意义(P>0.05)。结论 BP-MRI与MP-MRI对PCa的诊断效能相当,BP-MRI联合PSAD可提高诊断效能,避免临床不必要活检。
文摘目的使用外部数据验证前列腺双参数磁共振成像(bpMRI)图像序列甄别模型的泛化性能。方法回顾性搜集2018年1月至2021年2月前列腺bpMRI影像,匿名化后使用既往训练好的Med3D多分类模型对各个序列进行分类。以医师做出的序列分类为“金标准”,研究Med3D多分类模型对外部数据分类的准确率。使用混淆矩阵显示多分类预测结果,使用PYCM包进行多分类诊断效能分析。结果563例病例的合格bpMRI数据纳入研究,使用了5台MR扫描仪,其中97.2%使用3.0 T MR检查,2.8%使用1.5 T MR检查。格式转换后,共5209个合格图像序列可用于模型预测,包括1063个ADC、1691个DWI_High(b>50 s/mm^(2))、709个DWI_Low(b≤50 s/mm^(2))、750个T_(2)WI_nan和996个T2WI_Fs序列。ADC、DWI_High、DWI_Low、T_(2)WI_Fs、T_(2)WI_nan等各个序列的预测准确率分别为98.5%、98.1%、97.2%、99.1%和99.8%。结论使用外部数据验证显示Med3D多分类模型对前列腺bpMRI图像分类具有很高的准确率,泛化能力强。
文摘目的探讨基于双参数磁共振成像(biparameter magnetic resonance imaging,Bp-MRI)影像组学及临床信息对前列腺良恶性病变的诊断、鉴别及风险评估。材料与方法回顾性分析161例经病理学证实的前列腺疾病患者病例,按7∶3的比例随机、分层分为训练集和验证集。采用t检验/Wilcoxon秩和检验、最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法、Spearman相关分析和logistic回归模型对临床特征和影像组学特征进行分析,构建影像组学模型及联合模型。通过绘制受试者工作特征(receiver operating characteristic,ROC)曲线并计算曲线下面积(area under the curve,AUC),对模型的性能进行评价。然后,利用放射组学特征和临床特征构建联合列线图,并进行验证。结果影像.组学模型在训练集和验证集预测前列腺病变良恶性的AUC分别为0.946(95%CI:0.903~0.982)、0.902(95%CI:0.862~0.958);联合模型在两组间预测前列腺病变良恶性的AUC分别为0.965(95%CI:0.904~0.989)、0.924(95%CI:0.868~0.980)。结论基于Bp-MRI的联合模型对于前列腺癌具有较高的诊断效能。结合总前列腺特异性抗原(total prostate specific antigen,tPSA)、游离前列腺特异抗原(free prostate specific antigen,fPSA)/tPSA比值(f/t)和影像组学特征的联合列线图可能为前列腺疾病患者的风险预测和个体化治疗提供有效工具。
