基于机器学习的 68Ga-PSMA PET/CT 影像组学模型检测原发性前列腺癌的构建与外部验证：一项多中心研究

目的：近期研究表明，68Ga-前列腺特异性膜抗原（68Ga-PSMA）正电子发射断层扫描/计算机断层扫描（PET/CT）可开辟前列腺癌（PCa）的无创诊断途径。然而，这些研究入组患者数相对较少，限制了统计验证并在一定程度上导致偏倚。此外，68Ga-PSMA PET/CT影像组学分析在检测PCa中的性能尚未被广泛评估。因此，本多中心研究致力于在相对较大的队列中开发并验证基于68Ga-PSMA PET/CT的影像组学模型，用于检测原发性PCa。方法：本研究纳入了在三个医学中心进行68Ga-PSMA PET/CT检查后接受系统活检（SB）和PSMA PET/CT靶向活检（TB）的疑似PCa连续患者。以整个前列腺作为感兴趣体积（VOI）。采用八种机器学习（ML）算法分别构建基于选定影像组学特征的模型，之后将性能最佳的影像组学模型与最大标准化摄取值（SUVmax）整合创建联合模型。计算每个模型的受试者工作特征（ROC）曲线和曲线下面积（AUC）值、准确率、敏感性、特异性、阳性预测值（PPV）和阴性预测值（NPV）。结果：共招募609例患者，包括195例良性前列腺疾病（BPD）患者、30例临床非显著性前列腺癌（ciPCa，Gleason评分[GS]=3+3）患者和384例临床显著性前列腺癌（csPCa，GS≥3+4）患者。对于csPCa预测，由极端梯度提升（XGBoost）算法开发的影像组学模型表现出最佳性能。与SUVmax整合后，联合模型在内部验证队列中实现了最高的AUC 0.921。外部验证队列1和2也显示出有前景的结果，AUC分别为0.906和0.898。对于PCa预测，XGBoost算法结合SUVmax在三个验证队列中也表现良好，AUC范围从0.860到0.918。结论：这是迄今为止最大的多中心研究，提供了一种基于68Ga-PSMA PET/CT影像组学分析联合机器学习建模的无创、定量方法用于预测PCa。这种方法有望在活检前评估PCa风险。