这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

MRI衍生的PRECISE评分与Delta-Radiomics模型预测前列腺癌主动监测患者疾病进展的对比研究

1. 研究作者、机构及发表信息

本研究由Nikita Sushentsev（剑桥大学放射学系）和Leonardo Rundo（剑桥大学癌症研究中心）共同领衔，合作者来自英国剑桥大学、赫特福德大学、俄罗斯谢切诺夫第一莫斯科国立医科大学等机构。研究于2021年发表在European Radiology期刊，标题为《Comparative performance of MRI-derived PRECISE scores and delta-radiomics models for the prediction of prostate cancer progression in patients on active surveillance》。

2. 学术背景

科学领域：研究属于前列腺癌影像学与机器学习交叉领域，聚焦于主动监测（Active Surveillance, AS）患者的疾病进展预测。

研究动机：
- 前列腺癌（PCA）是全球男性第二大常见癌症，约50%患者确诊时为低/中危局限性肿瘤，AS是推荐管理方案。但AS患者5年退出率高达27%，部分原因是缺乏客观的非侵入性工具监测疾病进展。
- 当前依赖MRI的PRECISE评分系统（2017年提出）虽能标准化AS患者的影像随访，但其主观性（尤其对PRECISE 4类病灶的判断）和依赖专家经验的问题限制了普适性。
- Delta-Radiomics（Δ-放射组学）通过量化MRI纹理特征的时序变化，可能提供更客观的生物学进展标志，但此前未在AS场景中验证。

研究目标：
对比PRECISE评分与三种Delta-Radiomics模型（Parenclitic Networks、Lasso回归、随机森林）预测AS患者组织病理学进展的性能。

3. 研究流程与方法

研究对象：
- 纳入64例AS患者（27例进展者，37例非进展者），中位随访46个月。
- 入组标准：活检确诊PCA、至少2年随访、至少一次重复靶向活检、基线及随访MRI在同一设备完成。
- 排除标准：MRI不可见病灶、既往治疗、金属植入物干扰。

实验流程：
1. MRI采集与分割：
- 使用3T MR750扫描仪（GE Healthcare）获取多参数MRI（T2WI、ADC等）。
- 由2名经验丰富的放射科医师手动分割肿瘤ROI（感兴趣区域），使用开源软件ITK-SNAP，并通过形态学扰动评估ROI稳健性。

1. PRECISE评分：

   • 4名泌尿放射科专家（5–16年经验）前瞻性应用PRECISE 5分量表（1–3分稳定，4–5分进展）。
     

2. Delta-Radiomics分析：

   • 特征提取：使用PyRadiomics从T2WI和ADC图提取纹理特征（共214个特征），经稳健性筛选（ICC>0.8）后保留128分箱下的34个T2WI和53个ADC特征。
     
   • 时序特征计算：Δ特征=随访值−基线值。
     
   • 建模方法：
     
     • Parenclitic Networks (PN)：基于特征对的SVM分类器构建网络拓扑指标。
       
     • Lasso回归：特征选择与正则化。
       
     • 随机森林 (RF)：500棵树，最大深度10。
       
   • 验证：留一交叉验证（LOOCV）。
     

3. 统计分析：

   • 性能指标：AUC、敏感性、特异性、PPV（阳性预测值）、NPV（阴性预测值）。
     
   • AUC比较：DeLong检验。
     

4. 主要结果

1. PRECISE与Delta-Radiomics性能对比：

   • PRECISE：AUC最高（84.4%），特异性（94.7%）和PPV（90.9%）最优，但敏感性（74.1%）较低。
     
   • Delta-Radiomics模型：
     
     • RF：敏感性（92.6%）和NPV（92.6%）最高，AUC 80.9%。
       
     • PN：AUC 81.5%，略优于传统方法。
       
     • Lasso回归：AUC 78.0%。
       
   • 统计差异：所有模型AUC无显著差异（p>0.34）。
     

2. 关键发现：

   • PRECISE的高特异性与Delta-Radiomics的高敏感性互补，提示二者联合潜力。
     
   • PN作为新型机器学习方法，在少量样本下表现与传统算法相当，适合放射组学研究。
     

3. 病例示例：

   • 部分患者组织病理学进展但PRECISE评分稳定（假阴性），而Delta-Radiomics模型成功预测（图1e-f），印证其补充价值。
     

5. 结论与价值

科学意义：
- 首次证明Delta-Radiomics在AS场景中与专家PRECISE评分性能相当，为客观量化肿瘤进展提供新工具。
- 提出PN在放射组学中的适用性，为小样本研究提供新思路。

应用价值：
- Delta-Radiomics可减少对专家经验的依赖，推动AS随访标准化。
- 未来可结合临床参数（如PSA动力学）优化模型，或扩展至全腺体分析。

6. 研究亮点

1. 创新方法：首次将Delta-Radiomics应用于AS患者的自然病程监测，突破传统治疗响应评估的局限。
   
2. 多模型对比：系统比较PN、Lasso、RF的性能，为方法选择提供证据。
   
3. 临床转化潜力：通过开源工具（ITK-SNAP、PyRadiomics）实现流程可复现性。
   

7. 其他价值

• 局限性：样本量小（n=64）、ROI手动分割可能引入偏差，未来需多中心验证。
  
• 补充材料：公开了MRI参数（附表S1）、PRECISE评分细则（附表S2）及放射组学特征列表（附表S4），增强透明度。
  

（报告字数：约1500字）