基于深度学习的DWI放射组学诺莫图预测前列腺癌根治术后1年生化复发：一项多中心研究及其与肿瘤微环境的关联分析

　　本研究针对前列腺癌(PCa)根治术(RP)后生化复发(BCR)预测难题，开发了融合深度学习放射组学特征与临床参数的诺莫图。研究显示，该模型在开发队列中AUC达0.892，显著优于单一模型，且放射组学评分与肿瘤微环境(TME)特征显著相关，为PCa术后精准管理提供新策略。

　　

前列腺癌(PCa)患者在接受根治性前列腺切除术(RP)后出现生化复发(BCR)的情况并不罕见。研究表明，术后早期发现和管理BCR有助于提高PCa患者的生存率。

这项多中心研究旨在开发一种结合基于深度学习的放射组学特征和临床参数的诺莫图(nomogram)，用于预测RP术后1年内BCR的发生风险，并探索放射组学评分与肿瘤微环境(TME)之间的关联。

研究人员采用回顾性多中心研究设计，纳入2015年1月至2022年1月期间接受多参数磁共振成像(mpMRI)后行RP的349例患者数据。同时利用前瞻性收集的4例患者的单细胞RNA测序数据探究放射组学评分相关的TME特征。

通过基于扩散加权成像(DWI)训练的3D U-Net网络实现前列腺癌病灶分割，并提取目标病灶的放射组学特征。采用多变量Cox比例风险回归分析构建预测诺莫图，并从区分度、校准度和临床实用性三个方面对模型进行评估。

结果显示：在开发队列中，临床-放射组学诺莫图的受试者工作特征曲线下面积(AUC)达到0.892（95%置信区间：0.783-0.939），显著优于单独的放射组学特征模型和临床模型。Hosmer-Lemeshow检验表明该模型在开发队列(P=0.461)和验证队列(P=0.722)均表现良好。

决策曲线分析证实，临床-放射组学诺莫图在两组队列中均显示出比单独使用临床或放射组学特征更好的临床预测效用。研究还发现放射组学评分与TME模式存在显著差异关联。

这项研究证明了基于DWI的临床-放射组学诺莫图结合深度学习技术预测1年BCR的可行性。研究结果揭示了放射组学评分与特定肿瘤微环境特征之间的关联，为前列腺癌术后复发预测提供了新的见解。