基于PSMA PET/CT的多模态深度学习模型用于预测前列腺癌患者盆腔淋巴结转移的精准性

深入解析基于PSMA PET/CT的多模态深度学习模型以预测前列腺癌患者淋巴结转移

背景介绍

前列腺癌(Prostate Cancer, PCA)是男性中最常见的恶性肿瘤之一,也是导致癌症相关死亡的主要原因之一。在临床局限性前列腺癌患者中,扩展盆腔淋巴结清扫(Extended Pelvic Lymph Node Dissection, EPLND)通常被视为淋巴结分期的最准确方式。然而,这种手术操作范围广,不仅会增加术中和术后并发症的风险,还可能延长手术时间和提高医疗成本。尽管EPLND在淋巴结转移(Lymph Node Invasion, LNI)评估中的作用备受争议,但仍有许多患者因其预测LNI的高效性而需接受该操作。

当前,临床上主要通过预测模型(如Memorial Sloan Kettering Cancer Center (MSKCC)和Briganti-2017)来判断患者是否需进行EPLND。然而,这些临床预测模型普遍存在假阳性率较高的问题,导致近70%的患者在未实际存在潜在风险的情况下接受了这一侵入性操作。同时,PET(Positron Emission Tomography)作为一种新兴的分子影像技术,结合前列腺特异性膜抗原(Prostate-Specific Membrane Antigen, PSMA)在淋巴结评估中展现了较高的特异性和灵敏度。然而,由于PSMA PET扫描技术在微小肿瘤转移的检测中仍然存在一定局限,其在临床决策中的价值尚未完全发挥。

为了解决这一问题,本研究团队提出了一种结合PSMA PET/CT影像和多模态深度学习的新模型,以优化LNI预测并减少不必要的EPLND操作。

来源与作者介绍

本文的主要研究由来自中国中南大学湘雅医院、瑞士伯尔尼大学医院核医学科、德国慕尼黑技术大学及中国重庆交通大学等机构的科学家联合完成。主要作者包括Qiaoke Ma, Bei Chen, Robert Seifert, Rui Zhou等,该文章发表于 European Journal of Nuclear Medicine and Molecular Imaging,并于2024年正式接受,预期于2025年出版。

研究工作流程

研究对象与分组

本研究是一项回顾性研究,共纳入了116名在2020年4月至2024年9月期间接受[68Ga]Ga-PSMA-617 PET/CT扫描的前列腺癌患者。这些患者均在手术时接受了前列腺根治术(Radical Prostatectomy, RP)和EPLND,并根据7:3的比例划分为训练组(82人)和测试组(34人)。该研究排除了在PET扫描前接受过治疗、缺乏完整临床或病理数据以及扫描和手术时间间隔超过一个月的患者。

数据采集与影像分析

研究获得了所有患者的临床、影像和病理数据。临床参数包括患者年龄、初始前列腺特异性抗原(Prostate-Specific Antigen, PSA)水平、系统性活检的国际泌尿病理学会(International Society of Urological Pathology, ISUP)分级组以及经多参数磁共振成像(Multiparametric Magnetic Resonance Imaging, mpMRI)或PSMA PET/CT影像的临床肿瘤分期(TNM分期)。值得注意的是,PSMA PET/CT影像由两名核医学医生根据PSMA-RADS v2.0标准系统性评分。

此外,本研究的一个关键步骤是通过一种名为Med3D的深度学习模型提取影像特征。该模型经过大量三维医学影像数据的预训练,能够从PSMA PET和CT影像中提取高维特征,表现出良好的数据适应性和可迁移性。

深度学习模型的开发

本研究基于多核支持向量机(Multi-Kernel Support Vector Machine, SVM)算法建立了一个多模态深度学习预测模型。模型输入包括PSMA PET/CT深度学习特征、SUVmax(最大标准摄取值)以及所有患者的临床参数。具体流程包括以下几步:

  1. 数据预处理:对PET和CT影像进行归一化及裁剪以提高数据质量。
  2. 深度特征提取:分别在整个前列腺和病灶体积内提取高阶影像特征。
  3. 模型训练与交叉验证:模型通过一对一交叉验证(Leave-One-Out Cross Validation)优化,同时采用5–5和10–10分层交叉验证以确保其稳定性。
  4. 模型评估:在测试集中与传统预测模型和PET影像的视觉评估结果进行对比。

数据分析方法

在实验结果分析中,利用Receiver Operating Characteristic(ROC)曲线计算各模型的曲线下面积(Area Under Curve, AUC),并结合校准曲线与决策曲线分析(Decision Curve Analysis, DCA)评估模型的预测准确性和临床应用价值。

研究结果分析

模型性能比较

在训练集中的表现结果显示,多模态模型的AUC达到0.89(95% CI: 0.81-0.97),优于仅基于PSMA PET视觉评估结果(AUC 0.82)和传统的MSKCC与Briganti-2017模型(AUC分别为0.75和0.73)。模型的灵敏度为71%,特异性达到97%,在校准曲线和决策曲线分析中也展现了较高的净收益。

在测试组中,多模态模型同样展现出稳定优异的性能(AUC 0.85, CI: 0.69-1.0)。以31%作为风险阈值,多模态模型可避免约50%不必要的EPLND,同时仅错过不到10%的LNI阳性病例。

数据支持

研究发现,与LNI阴性患者相比,阳性患者的PSA值(31.3 vs 17.4 ng/mL, p=0.015)和SUVmax值(16.7 vs 13.7, p=0.022)显著升高。在校准试验中,Hosmer-Lemeshow检验结果(p值均大于0.05)表明多模态模型的预测与实际观察值高度一致。

研究结论和意义

本研究首次提出了结合PET影像人工智能评估及传统临床参数的多模态模型,在前列腺癌淋巴结风险预测中表现优于传统预测工具,为术前精准分期提供了一种新的选择。研究结果表明,通过涵盖全前列腺深度学习特征的综合评估,可以显著减少不必要的手术操作,同时降低漏诊风险。

研究亮点

  1. 创新性方法:首次在PSMA PET/CT全影像范围内引入Med3D深度学习特征。
  2. 临床价值:在提高预测准确性和判读一致性的同时降低假阳性及假阴性风险。
  3. 扩展性:研究中的模型架构具有通用性,可在未来结合不同影像学技术、病例大数据改进预测性能。

尽管小样本量和单中心设计是本研究的局限性,但其实验方法和结果仍为未来开展跨中心外部验证和更多分子影像研究提供了宝贵的依据。