前列腺癌发病率逐年升高，已成为男性最好发的恶性肿瘤之一[1]。随着医学影像检查技术的发展，MRI已成为诊断前列腺癌最重要的方法之一[2,3,4]。2012年，欧洲泌尿生殖放射学会在其发表的前列腺癌诊疗规范中提出了前列腺影像报告和数据系统(prostateimagingreportinganddatasystem,PI-RADS)[5]并分别于2015年、2019年发布了其更新版本PI-RADSversion2[6]、PI-RADSversion2.1[7],PI-RADS使前列腺疾病的磁共振诊断流程更加系统化、规范化[8,9]。随着人工智能技术的兴起与图像后处理技术的发展，影像组学应运而生，其在前列腺癌的科学研究及临床工作中都表现出了广泛的应用前景。笔者对前列腺癌影像组学临床应用研究进展做系统性阐述。

1、影像组学概述

2012年，Lambin等[10]提出了影像组学(radiomics)的概念，这是一种通过计算机算法从医学影像图像中高通量地提取大量数字化影像组学量化特征的方法，通过结合机器学习方法，对特征进行筛选、分析，深度挖掘其代表的生物学信息，从而辅助临床诊断、治疗等工作[10,11,12,13,14]。影像组学不仅为医学影像诊断提供了新思路、新方法，同时大大拓宽了医学影像检查在疾病治疗领域的应用范围。

影像组学的工作流程主要包括：(1)图像采集，目前应用于影像组学的医学影像主要包括计算机体层摄影技术(computedtomography,CT)、MRI等，由于MRI软组织成像表现优异的同时对转移瘤也比较敏感，因此被广泛应用于前列腺检查。(2)感兴趣区分割，感兴趣区(regionofinterest,ROI)分割是指在医学影像图像上勾画出研究中感兴趣的区域，进而针对这一指定区域进行影像组学分析。目前感兴趣区分割主要包括：人工分割、半自动分割及自动分割三种方式，虽然目前针对许多疾病的感性兴趣分割的自动分割算法还有待开发与完善，但自动分割将在未来成为主流的感兴趣区分割方式[12,15]。(3)影像组学特征提取，目前影像组学特征主要包括：形态特征、纹理特征及高阶统计学特征等，不同的影像组学特征描述的生物信息的侧重点不同。(4)数据降维，通过上述流程提取的影像组学特征通常为高维数据，为了提高影像组学特征数据的使用效率，特征的降维是必不可少的。影像组学特征降维的方法主要有：最小绝对收缩和选择算子(leastabsoluteshrinkageandselectionoperator,LASSO)、主成分分析法(principalcomponentanalysis,PCA)、最大相关最小冗余(maximalrelevanceandminimalredundancy,mRMR)等，其中最常用的降维算法为LASSO[16,17,18]。(5)建立模型，目前在影像组学分析中用于建立预测模型的方法主要包括：logistics回归(logisticregression)、随机森林(randomforest,RF)、支持向量机(supportvectormachines,SVM)等，由于logistic归模型的简单易用，使其成为最常用的建立模型的方法。

2、前列腺癌影像组学的临床应用

影像组学(radiomics)这一概念一经提出后受到了学者的广泛关注，目前已经被应用于前列腺癌的诊断、治疗方案以及预后的预测等诸多领域。

2.1 影像组学在前列腺癌诊断中的应用

基于影像组学特征或影像组学特征结合其他独立危险因素构建的预测模型，已经被广泛应用于前列腺癌诊断的研究。Xu等[19]通过分析患者的T2加权图像(T2weightedimage,T2WI)、扩散加权成像(diffusionweightedimaging,DWI)、ADC影像组学特征区分前列腺病变的良恶性，结果表明基于影像组学的预测模型在诊断前列腺癌方面具有较好的表现，诊断效能优于基于临床因素的诊断模型。该研究共包含331例患者，研究样本量相对较大。同时在构建预测模型过程中除了常规的影像组学标签(radiomicssignature)、血清前列腺特异性抗原(prostatespecificantigen,PSA)浓度以及年龄，还将癌胚抗原(carcino-embryonicantigen,CEA)水平、是否高血压纳入了被筛选变量中。然而该研究未将基于影像组学的诊断模型与前列腺影像报告和数据系统(prostateimagingreportinganddatasystem,PI-RADS)的区分前列腺良恶性病变的效能做对比，在今后的研究中应就影像组学模型与PI-RADS的诊断效能做对比从而更好地体现影像组学在前列腺癌诊断中的价值。Chen等[20]首次通过回顾性研究中将基于T2WI、ADC以及联合T2WI、ADC的影像组学特征的模型与放射科医生通过PI-RADSversion2的区分前列腺良恶性病变的诊断效能进行比较，结果表明基于影像组学的预测模型区分前列腺良恶性病变的准确性优于放射科医师通过PI-RADSversion2区分前列腺病变良恶性的诊断效能。研究中作为参考金标准的病理结果来源于前列腺穿刺活检，并没有后续的前列腺切除的病理结果，在未来的研究中需要前列腺切除后的病理结果对前列腺病变病理类型做进一步确认。Bonekamp等[21]首次对比了基于影像组学的机器学习模型、平均ADC值模型及放射科医生通过PI-RADS诊断前列腺临床显著癌的价值，结果表明相较于放射科医师常规诊断流程，基于平均ADC值模型可以提高诊断前列腺临床显著癌的准确率，基于影像组学的机器学习模型的诊断效能与平均ADC模型无统计学意义。该研究未建立基于平均ADC值的机器学习模型并将其与放射科医生的诊断效能进行对比，在今后的研究中将进一步对诊断模型进行优化并做进一步对比。血清PSA浓度正常值低于4ng/ml，当血清PSA浓度值为介于4～10ng/ml时被称为灰度区，此时患者进行穿刺活检的阳性率仅为约20%[22]，因此对处于灰度区的患者进行穿刺前筛查可以有效抑制过度医疗，使患者免于遭受不必要的痛苦。在Qi等[23]首次通过提取影像组学特征并结合年龄、血清PSA密度(PSAdensity,PSAD)以及PI-RADSversion2评分构建模型预测血清PSA浓度为4～10ng/ml患者的前列腺癌，并取得了良好的诊断效能，诊断效能优于传统的临床-影像学模型，并且提高了前列腺癌的检出率。作为单中心研究，研究结果的可靠性需要在未来的来自多中心的数据做进一步验证。

2.2 影像组学在前列腺癌Gleason评分、风险分级的应用

Gleason评分系统依据前列腺腺体主要和次要分化类型进行评分[24]。依据Gleason评分，Gleason评分≤6、Gleason评分=7、Gleason评分≥8的前列腺癌分别为低危组、中危组、高危组[25]，其中Gleason评分≥7的前列腺癌又被定义为临床显著癌[6,26,27]。Hectors等[18]回顾性研究了基于前列腺MRI影像组学特征在预测Gleason评分的应用价值，并通过建立基于患者的T2WI、ADC、扩散峰度成像(diffusionkurtosisimaging,DKI)序列的影像组学特征、病灶尺寸及PI-RADS评分的预测模型预测Gleason评分≥8的前列腺癌，最终预测模型具有良好的诊断效能。该研究的包含了临床工作不常用的DKI序列，同时将常规诊断流程中的病灶尺寸以及PI-RADS评分纳入了研究。然而该研究样本量较少，在未来的研究中应该通过更大样本量的前瞻性研究做进一步探究。Liu等[28]探究了基于DCE-MRI序列的影像组学模型预测前列腺癌侵袭性的效能，结果表明联合强化后第一期、强化最明显的期相的影像组学特征运用logistic回归方法建立的预测模型具有最佳的诊断效能。前列腺DCE-MRI相较于T2WI、DWI序列能更好地显示肿瘤边界，利于感兴趣区的分割。然而该研究仅针对DCE-MRI序列的影像组学特征，在今后的研究中需要与其他序列相结合提高影像组学模型的诊断效能。Toivonen等[29]和Min等[17]运用基于MRI的影像组学特征对于前列腺临床显著癌与前列腺非临床显著癌的鉴别能力，预测模型均取得了良好的区分效果，初步验证了基于DCE-MRI的影像组学特征对于前列腺临床显著癌与前列腺非临床显著癌的鉴别能力。相较于前人研究中提取的相对局限的影像组学特征，Min等[17]的研究中提取了大量的影像组学特征，对影像组学区分前列腺临床显著癌与前列腺非临床显著癌的效能进行更深入的探究。

2.3 影像组学在前列腺癌治疗中的应用

Lee等[30]探究了14例前列腺癌患者的T2WI、ADC的影像组学特征在进行高剂量近距离放射治疗后的影像组学特征的变化，最终发现在放疗前在T2WI及ADC序列中分别存在16个、1个影像组学特征与正常组织存在统计学差异，有10个T2WI影像组学特征、7个ADC影像组学特征在放疗后发生了明显变化。该研究虽然没有体现出直接的临床应用价值，但为影像组学在前列腺癌放疗中的应用奠定了基础。或许由于样本中患者数太少，并未在影像组学特征降维的基础上做进一步研究。在今后的研究中应加大样本含量并做更深入的统计分析，提高研究的实用性。Abdollahi等[31]创新性地在前瞻性研究中建立了基于强度调控放射治疗前后T2WI、ADC影像组学特征预测强度调控放射治疗对前列腺癌治疗效果的预测模型，结果表明基于治疗后T2WI的影像组学特征模型的预测效果最佳。该研究样本中仅包含33例患者，因此仅通过交叉验证对模型做了内部验证，并没有做外部验证，在今后的研究中应加大样本含量，运用测试集数据对模型做外部验证以提高模型的诊断准确性。Shiradkar等[32]首次提出了一个基于MRI影像组学的辅助前列腺癌靶向放射治疗的计算机辅助系统。该系统主要由3个模块组成，首先是基于MRI的影像组学的前列腺癌探测模块；其次是多模态配准模块，用于将在MRI图像上探测的前列腺癌映射到CT图像上；第三个模块基于影像组学生成应用于近距离放射治疗及高剂量外照射放疗的照射剂量方案。最终临床试验结果表明运用该方案对前列腺癌进行治疗可以在降低照射器官的受射剂量的同时提高对前列腺癌性组织的照射剂量对于前列腺癌的治疗具有重要临床意义。该研究创新性地将前列腺癌的影像组学直接应用于前列腺癌放射治疗的方案制定，具有极高的临床应用价值。然而该系统的前列腺癌探测模块并不能准确分辨前列腺的边界，因此在未来的研究中应运用更大样本量的训练集数据优化系统对前列腺癌病灶的探测能力。Abdollahi等[33]首次将MRI影像组学应用于预测接受强度调控放射治疗的前列腺癌患者的股骨头早期变化，本研究提取30例患者的60个股骨头治疗前后的T1WI、T2WI以及ADC的影像组学特征并分析其在接受强度调控放射治疗前后发生的变化，最终T1WI、T2WI中分别有20个、5个影像组学特征发生了明显变化，ADC中的影像组学特征没有发生明显变化。股骨头内影像组学特征的早期变化或许可以用来预测前列腺癌患者的放疗后引发骨折的概率，对于预测前列腺癌患者放疗后并发症具有重要意义。然而在临床工作中，前列腺癌放射治疗导致的股骨头损伤会在放疗后多年持续进展，而本研究仅针对放射治疗后短时间内影像组学特征，在未来的研究中应对患者进行长期随访以获得更大的发现。

2.4 影像组学在前列腺癌预后预测中的应用

Gnep等[34]和Shiradkar等[35]将影像组学应用于预测前列腺癌的生化复发。Gnep等[34]创新性地将T2WI的灰度共生矩阵影像组学特征应用于对前列腺癌的生化复发的预测，预测模型的AUC为0.9，实验结果表明T2WI的灰度共生矩阵与前列腺癌生化复发有密切联系。该研究样本含量较少，仅包含74例患者，同时研究中仅提取了灰度共生矩阵影像组学特征，在接下来的研究中应当运用更大样本量的数据提取更多影像组学特征做进一步研究。相较于Gnep等[34]和Shiradkar等[35]采用多中心研究，提取治疗前患者的T2WI、ADC序列内的更多的影像组学特征，实验结果表明术前MRI的影像组学特征可以用来辅助预测治疗后的生化复发，筛选出更适合进行辅助化疗的患者，有利于对患者进行个性化治疗。在该研究中，发生生化复发与未发生生化复发的患者的随访时间不同，预测生化复发发生的时间或许比预测是否发生生化复发更合适，因此在接下来的研究中应当应用大量的在不同时间发生生化复发的患者数据建立预测模型。

3、前列腺癌影像组学临床应用中面临的挑战

前列腺癌影像组学体现了其广阔的临床应用价值，然而其作为一种新兴技术，在未来的研究与应用中仍存在诸多挑战：(1)目前应用于前列腺癌的影像组学研究大多数为单中心、回顾性研究，且样本数量较少，对研究结果的准确性造成一定影响，因此在未来需要更大样本量的多中心、前瞻性研究对研究结果做进一步验证。(2)目前前列腺癌的影像组学研究大多不包含DCE-MRI序列，而临床工作中进行的前列腺MRI扫描通常包含DCE-MRI序列，为了提高影像资料的利用效率，在未来的研究中应当包含DCE-MRI序列。(3)目前针对前列腺的自动分割算法还不够完善，感兴趣区的勾画主要通过手动分割。由于前列腺癌好发于老年男性，前列腺增生、前列腺炎症会导致周围带变扁、信号不均，而前列腺癌好发于周围带，这为前列腺癌感兴趣区勾画带来了挑战。(4)大多数前列腺病变的恶性程度极低，因此不会采取前列腺切除治疗方案。目前对前列腺内可疑病变的确诊主要依赖病理检查，因此病理检查结果主要依赖于穿刺活检，穿刺活检存在漏诊或误诊的风险。影像组学模型的建立通常以病理结果为参考标准，不准确的病理结果会对影像组学模型的诊断效能产生直接影响。

4、总结与展望

影像组学将人工智能技术与传统医学影像相结合，顺应了大数据时代的发展潮流。目前影像组学在前列腺癌的应用几乎延伸到了各个领取，从前列腺癌的诊断到分级，从辅助前列腺癌的治疗到前列腺患者预后的预测。影像组学通过与机器学习方法，对前列腺癌进行相对客观地诊断，并对患者的治疗效果做预测，符合精准医学与个性化治疗的理念。目前已经有相关研究将前列腺癌影像组学与基因组学相结合，形成了影像基因组学[36,37]。影像基因组学有望成为对前列腺癌基因类型无创检测的方法，将成为辅助前列腺癌的诊断与治疗的工具。随着人工智能技术的进一步发展与影像组学技术的完善，影像组学将会在前列腺癌的更多领域越来越好地发挥作用，具有良好的应用前景。

参考文献：

[2]章绪辉,梁文,李欣明,等.DCE-MRI定量参数对早期前列腺癌的应用研究.磁共振成像,2018,9(8):607-611.

[3]王滨.前列腺的影像学检查应进一步重视.医学影像学杂志,2007,17(10):1011-1012.

[4]王倩,房俊芳,王滨.磁共振扩散张量成像诊断前列腺癌的理论基础.磁共振成像,2015,6(1):76-80.

[8]彭峰河,沈秀芝,蔡建新,等.基于PI-RADSV2多参数MRI对移行带前列腺癌的诊断价值.磁共振成像,2018,9(12):922-927.

[9]李鹏,黄云海,张进,等.PI-RADSV2在3.0TMR前列腺中央腺体癌诊断中的应用价值.磁共振成像,2018,9(10):773-777.

[15]吴佩琪,刘再毅,何兰,等.影像组学与大数据结合的研究现状.中华放射学杂志,2017,51(7):554-558.

[22]黄乐生,黎晋宇,李深福,等.扩散加权成像与超声对血清PSA<10.0μg/L前列腺癌的诊断意义.海南医学,2016,27(5):741-744.DOI:10.3969/j.issn.1003-6350.2016.05.019

张涵,黄程,王滨.前列腺癌影像组学临床应用研究进展[J].磁共振成像,2020,11(11):1063-1066.

基金:山东省自然科学基金(编号:ZR2016HL40);山东省重点研发计划(编号:2017GSF18121).