文献阅读|基于PSMA PET/CT使用机器学习增强前列腺癌的诊断与风险评估
文章基本信息
标题Machine learning models for enhanced diagnosis and risk assessment of prostate cancer with 68Ga-PSMA-617 PET/CT
期刊名European Journal of Nuclear Medicine and Molecular Imaging
接收时间 2025.1 见刊时间 2025.3
影响因子 3.4（Q2）
DOI https://doi.org/10.1016/j.ejrad.2025.112063
摘要速递
前列腺癌异质性显著，早期识别不良病理特征对改善预后至关重要。本研究纳入191例经68Ga-PSMA-617 PET/CT确诊的前列腺癌或良性增生患者，提取放射组学特征，并采用六种机器学习算法预测恶性程度及不良病理指标（如Gleason评分、ISUP分级、肿瘤分期等）。通过mRMR与LASSO进行特征筛选，并在39例中开展蛋白质组学分析，评估影像与蛋白标志物的关联。模型在预测不良病理方面表现出色，AUC达0.938。对不良病理特征的预测AUC值为0.916。研究中识别出三个定量放射组学特征和十个与不良病理相关的蛋白质分子，这些放射组学特征与蛋白质生物标志物之间存在显著的相关性。放射蛋白质组学分析表明，蛋白质分子的分子变化可能会影响成像生物标志物。
结果表明基于68 Ga-PSMA-617 PET/CT放射组学特征的机器学习模型在患者分层方面表现出色，支持临床风险分层，并强调了放射组学特征与蛋白质生物标志物之间的联系。
研究思路
- 患者招募入组
- 使用ITK-SNAP勾画PET/CT的感兴趣区域，提取影像组学特征
- 使用LASSO和mRMR提取关键的影像组学特征构建前列腺癌不良病理特征预测模型
- 使用上述模型的特征与不良病理特征（Biopsy_GS，Biopsy_ISUP，RP_GS，RP_ISUP，pT，LN，PNI）进行相关性分析，发现6个特征中的三个都与这些特征相关，证明模型构建的可信性。
- 选取39名患者（恶性与增生）收集组织样本，进行差异分析，确定前列腺癌中显著上调的蛋白质。
- 使用LASSO和秩和检验从上述特征中筛选出显著上调的蛋白质。利用TCGA数据分析这些选定的蛋白质的表达水平。
- 发现在前列腺癌中转录组水平上调的蛋白，探索他们与影像组学的相关性。
研究方法
- 最小冗余最大相关性（Minimum Redundancy Maximum Relevance，mRMR）
- 核心原理：通过最大化特征与目标变量的相关性，同时最小化特征之间的冗余性，筛选出信息量大且互补的特征子集
- 应用场景：（1）高维数据（如基因表达、医学影像特征）；（2）需保留特征可解释性的场景（例如生物标志物筛选）
- 最小绝对收缩和选择算子（LASSO）
- 核心原理：通过L1正则化对回归系数施加约束，将不重要特征的系数压缩至0，实现特征选择与模型简化。
- 应用场景：（1）线性/广义线性模型中的特征选择；（2）共线性数据（如临床多指标联合预测）
注：生物医学研究，常先通过mRMR初步筛选（如从10,000个基因到500个），再使用LASSO构建最终预测模型，兼顾效率与精度。
结果
-
参与者特征：可以最终共纳入191名患者，其中PCa 116人，BPH 75人
-
提取放射组特征建立机器学习模型诊断PCa
这里区分的是前列腺癌（PCa）与前列腺增生患者(BPH)
-
提取放射组特征，建立机器学习模型，预测PCa的不良病理特征
根据：Gleason score, ISUP group, tumor stage, lymph node infiltration, and perineural invasion等不良病理特征将前列腺患者又划分为高风险组与低风险组。这里区分的是高风险与低风险前列腺癌。
-
侵入性特征与放射组学特征的处理和相关性分析
-
蛋白质组学和转录组学分析
-
识别放射性特征与蛋白质分子之间的相关性
讨论
该研究基于PET/CT得到的影像组学特征，使用mRMR+LASSO组合进行降维得到的特征用于诊断前列腺癌（区分前列腺癌与前列腺增生），后使用同样的方法评估前列腺癌风险。之后使用患者的组织进行蛋白质组学与转录组学差异分析得到过表达的分子，并将此与放射组学特征进行相关性分析。最终研究结果表明，放射组学和蛋白质组学能够独立预测前列腺癌的侵袭性，且蛋白质生物标志物的表达与前列腺癌患者的放射组学特征相关。因此，通过68GaPSMA-617 PET/CT获得的定量成像生物标志物可以在组织病理学和蛋白质组学两个层面上表征前列腺癌的侵袭性。
该研究也存在一些局限性:
- 研究基于有限的样本群体，且未对所有接受PET/CT扫描的患者进行蛋白质组学分析。
- 未进行多中心验证。
努力看齐
- 虽然数据量不大，但是从蛋白质组学与转录组与影像组学结合，思路很值得学习，而且很好上手；
- 还可以进行拓展
引文
Zhu W, Tang Y, Qi L, et al. Machine learning models for enhanced diagnosis and risk assessment of prostate cancer with 68Ga-PSMA-617 PET/CT[J]. European Journal of Radiology, 2025, 186: 112063.