多参数MRI测量的放射组学特征预测前列腺癌的侵袭性( Radiomics features measured with multiparametric MRI predict prostate cancer aggressiveness )

SJ Hectors M Cherny KK Yadav AT Beksa B Taouli prostatic neoplasms magnetic resonance imaging prostatectomy genomics machine learning

目的：（1）评估基于多参数磁共振成像(MRI)的放射学特征与前列腺癌(PCa)组织病理学Gleason评分、基因特征和基因表达水平的相关性；（2）建立基于放射学特征的机器学习模型，预测不良组织病理学评分和破译基因组转移风险评分。材料与方法：回顾性分析64例前列腺癌患者（平均年龄64Y，范围41~76Y)，2016年01/2017年01/2016年01/2017年01/2017年01/2016年01/2017年01/2017年01/2017年01/2017年01/2017年01/2016年01/2017年01/2017年01/2017年01/2016年01/2017年01/2017从T2加权、表观扩散系数和扩散峰度成像图中提取226个MRI影像学特征（直方图和纹理特征，以及病灶大小和PI-RADS评分）。放射学特征与病理Gleason评分、40个基因表达特征（包括Decipher）和698个PCA相关基因表达水平相关。建立了基于放射学特征的交叉验证Lasso正则化logistic回归机器学习模型，并对Gleason评分≥8和破译评分≥0.6的预测进行了评估。结果：14项影像学特征与Gleason评分显著相关（最高相关r=0.39,P=0.001)。31个纹理和直方图特征与19个基因特征显著相关，尤其与PORTOS特征显著相关（最强相关r=-0.481,P=0.002)。弥散加权成像的40个特征与132个基因表达水平显著相关。机器学习预测模型在Gleason分数≥8(AUC=0.72)和破译分数≥0.6(AUC=0.84)的预测中表现良好。结论：MRI放射学特征在组织病理学和基因组学水平上是PCa侵袭性的有希望的标志。

SciDown文献求助系统（解决99%问题） Public Download 万方 NCBI ResearchGate pcf.org