作者：杨颖，内蒙古医科大学内蒙古临床医学院；赵建华，内蒙古自治区人民医院影像医学科

前列腺癌（prostatic cancer,PCa）是男性生殖系统最常见的恶性肿瘤。2022 年国际癌症研究机构发布的全球癌症数据显示，PCa 的全球发病率仅次于肺癌，居男性新发癌症排名第2 位。PCa 发病率随年龄增长而增高，存在明显的地区差异。近年来随着我国人口的老龄化加速，PCa 发病率持续增加。根治性前列腺切除术（radical prostatectomy，RP）和根治性放射治疗（radical radiotherapy，RT）是中高风险病人的主要治疗方法。然而，10%~25%的病人在接受这些治疗后5 年内发生生化复发（biochemical recurrence，BCR）。BCR 是侵袭性疾病的首发征象，通常发生在病变转移之前，是PCa 进展和死亡的危险因素。因此，识别预后较差和BCR 风险较高的PCa 病人对于疾病管理、指导治疗选择和评估病人预后极为重要。

目前，预测PCa 根治性治疗后BCR 的模型主要基于临床和病理学指标。例如通过欧洲泌尿外科学会风险组分类评估，评估参数包括临床T 分期、血清前列腺特异性抗原（prostate specific antigen，PSA）等血清生物学标志物和肿瘤的Gleason 分组。作为一种无创的肿瘤评估方法，MRI 在PCa 的检测、定位、减少低风险肿瘤的过度诊断、改善肿瘤局部分期和指导治疗方面都发挥着至关重要的作用，而多参数MRI（multi-parametric MRI，mpMRI）能够提供更为全面和准确的解剖学和生物学信息。

随着计算机技术的迅猛发展，人工智能（AI）已广泛应用于医学图像及大数据处理，使得影像组学研究得到飞速发展。机器学习是实现AI 的一种基本方式，深度学习则是机器学习领域的一类方法，这类方法大多基于特定类型的人工神经网络，具有大量的层和节点，而影像组学是标准机器学习流程在医学图像方面的应用。目前，影像组学作为一种无创、可靠、直观的诊断方法，已经逐渐应用于PCa 的诊断、分级、侵袭性的预测和监测PCa 治疗后的复发等方面。Salimi 等研究表明基于MRI 的影像组学在预测PCa 的BCR 方面具有潜力，尤其是在结合临床指标时表现更佳。

Wu 等证实了基于术前双参数MRI 的影像组学联合模型可以无创预测PCa 的术后组织病理学和BCR。基于不同成像模式的影像组学与其他临床和组织病理学数据整合，可以进一步提高决策模型的效能，辅助疾病风险分层。mpMRI影像组学可以提供更多代谢和生物信息，通过分析肿瘤强度、形状和异质性的定量特征，揭示肿瘤在特定感兴趣区域的异质性。本文就mpMRI 的AI 技术预测PCa 病人根治性治疗后BCR 的研究进展进行综述，并探讨其在PCa BCR 预测中的应用及研究进展，以期为临床诊疗和科研提供更多有价值的信息，指导临床制定个性化的治疗方案，从而改善PCa病人的预后。

1. BCR 的概念

美国泌尿外科协会和欧洲泌尿科协会将BCR定义为进行性PSA 水平升高，包括RP 术后连续2周PSA 值超过0.4 ng/mL，或RT 后无论是否接受其他治疗，PSA 超过放疗后最低点2 ng/mL。一项系统评价和Meta 分析研究了BCR 对临床预后的影响，结果显示BCR 的病人发生远处转移和PCa 特异性转移的风险增加，总死亡率增加。

BCR 主要发生于具有高危特征的病人，例如初始PSA 水平高、囊外延伸和精囊浸润、阳性手术切缘和手术Gleason 评分≥8。然而，即使在具有高危特征的病人中，RP 后复发的自然病程也存在异质性，这反映出PCa 在临床、肿瘤病理生理学和分子学方面存在高度异质性。因此，早期识别BCR 高风险的病人可以指导临床医生及时调整治疗方案，对于改善病人预后具有重要的临床意义。

2. mpMRI 在BCR 中的应用

2.1 mpMRI 概述

MRI 具有优越的软组织分辨力和空间分辨力，不仅能提供器官的结构信息，清晰地显示病变，也能够提供丰富的定量和定性参数，同时具备多序列、多参数优势，结合AI 等技术还能实现智能辅助诊断。mpMRI 是一种将结构成像序列（T1WI 和T2WI）与功能序列相结合的方法。T2WI通过反映组织的横向弛豫时间，有效显示PCa 病灶，但特异性有待提升。

功能序列是扩散加权成像（DWI），通过测量水分子的表观扩散系数（ADC），揭示癌细胞的致密性与基质结构变化，是鉴别复发肿瘤与正常组织的关键；多期动态对比增强MRI（DCE－MRI）是功能MRI 的一种，通过快速连续扫描监测机体对对比剂的摄取和清除程度，评估病灶组织与肿瘤血管的生理学特性，已被确定为有PCa风险病人的标准诊断检查。作为一种筛查工具，mpMRI 比PSA 显示出更高的敏感性和特异性，可用于评估PCa 的生长速率和代谢活性，从而更准确地预测PCa 病人BCR 的风险。

Reisater 等筛选mpMRI 各序列中与BCR 发生相关的影像学特征构建Cox 比例风险预测模型，然后将预测模型生存的风险分级与癌症前列腺风险评估（cancer of the prostate risk assessment，CAPRA）评分、D’Amico 进行对比，发现增加mpMRI 影像特征的CAPRA 和D’Amico 模型预测BCR 的受试者操作特征（ROC）曲线下面积（AUC）分别为0.72、0.71，均大于CAPRA（0.63）及D’Amico（0.57）模型。

上述研究结果表明mp-MRI 在优化PCa 术前危险分级和提高BCR 预测模型效能方面具有重要价值，其中ADC 值和前列腺包膜外侵犯均与BCR 显著相关。Park 等回顾性分析272 例RP 术后1 年内病人的MRI 数据，评估DCE 结果与阳性手术切缘的相关性，并使用Kaplan-Meier 和logistic 回归分析DCE 结果对BCR 的预测价值，结果发现前列腺切除术后mpMRI 检查提示局灶性结节强化与不良临床病理因素相关，可能预示RP 病人1 年内发生BCR 的风险。

2.2 mpMRI 结合临床参数预测BCR 

Luzzago 等回顾性分析了1 439 例在RP 术前接受mpMRI 检查的PCa 病人并随机分为训练集和测试集，采用临床和影像学参数[包括PSA 密度、国际泌尿外科病理学会分级、前列腺影像报告和数据系统（PI－RADS）分类、欧洲泌尿生殖放射学会前列腺外展评分和淋巴结]构建多变量Cox 回归模型，训练集用Kaplan-Meier 图估计生存概率。根据多变量Cox 回归模型将病人分为5 个风险类别，其5 年无BCR 生存率分别为：极低风险（92%）、低风险（84%）、中风险（71%）、高风险（56%）和极高风险（26%）。

研究发现该模型在训练集和测试集中的C 指数分别为0.74和0.73，表明这种多变量Cox 回归模型通过整合mpMRI 信息，能够更准确地识别高风险病人，从而优化治疗决策，避免对高风险病人的治疗不足或对低风险病人的治疗过度。此外，有研究认为临床病理学指标联合mpMRI构建的风险分级系统较单纯的临床模型更能够提高RP 后BCR 的风险评估效能，如Gandaglia 等纳入804 例PCa 病人，基于mpMRI 参数（PI-RADS 评分、包膜外延伸和精囊侵犯）以及临床和病理因素构建模型，并进行内部验证；采用多变量Cox 回归分析评估BCR 的预测因素，结果发现mpMRI 特征中的PI-RADS 评分、精囊和包膜有无侵犯、主要病灶直径都是BCR 重要的预测因素，然后将上述预测因素纳入风险预测模型，结果显示该模型预测BCR显示出最高的识别率（77％）。与欧洲泌尿外科风险组协会（62%）和PCa 风险评估评分（60%）等分类方法相比，该模型提高了临床医生识别术后早期复发风险较高病人的能力。

2.3 基于mpMRI 影像组学评估BCR 

影像组学的迅速发展可指导PCa 的诊断和精准治疗。影像组学将传统的医学影像数据转换为可采集的高维数据，根据影像进行肿瘤定量评估来反映肿瘤内组织病理学特征。Bourbonne 等在2019 年首次将影像组学特征作为潜在的影像生物标志物来指导RT 后辅助治疗决策，研究结果表明，临床信息与影像组学特征结合的多维度模型在预测效能上有所提升。为了探讨mpMRI 影像组学特征与RT 治疗后局限性PCa BCR 的关系，Zhong 等对91 例RT 治疗后病人（29 例发生BCR）进行了回顾性研究，结果表明mpMRI 影像组学用于预测PCa 病人RT 治疗后BCR 方面具有潜力。

Dutta 等纳入142 例RT 前行MRI 检查的PCa 病人，从T2WI、ADC 影像提取影像组学特征，结果发现基于手动前列腺分割的随机森林模型的影像组学特征预测BCR 的效能最高（AUC=0.89）。Zhang 等回顾性分析140 例临床显著PCa 病人，基于其T2WI、ADC 图及DWI 影像分别从病灶内、病灶周围提取影像组学特征，使用血清总PSA水平联合影像组学评分（Rad-score）建立病灶内、病灶周围影像组学特征及临床因素的列线图，列线图的AUC、准确度、平衡准确度和F1 评分分别为0.96、0.94、0.95 和0.95。

决策曲线分析显示，基于列线图预测临床显著PCa 的概率（即阈值概率）高于0.06 时，使用该列线图指导临床决策（例如是否进行活检）比以往“全部治疗”或“全部不治疗”的策略有更高的临床净获益。病灶周围及病灶内组合影像组学模型的AUC、准确度、平衡精度和F1 评分（分别为0.94、0.83、0.80 和0.87） 均高于病灶内影像组学模型（分别为0.90、0.77、0.74 和0.83），病灶周围联合病灶内组学特征提高了影像组学模型的辨别能力。综上，基于MRI 的影像组学较好地预测PCa病变的风险程度。其在囊外侵袭评估、PCa 的风险程度预测、Gleason 评分分级分组等方面具有较高的应用潜能。

2.4 基于mpMRI 的深度学习预测BCR 

AI 技术特别是机器学习和深度学习算法，在PCa 诊治中展现出广泛的应用前景。深度学习的核心是通过神经网络学习并模拟人脑神经元之间的连接和信息传递过程。应用于PCa 研究的深度学习方法主要有卷积神经网络、循环神经网络及其变体等。近年来DL已广泛应用于前列腺病理学，包括癌症检测、Gleason分级、基因组特征预测和术后BCR 预测。利用影像组学特征分析和深度学习，可以显著提高PCa 病人BCR 的预测准确性。

Lee 等对437例RP 术前接受过mpMRI 检查的病人进行研究，从T2WI、ADC 图和对比增强序列中提取影像组学特征。使用EfficientNet 深度学习网络和传统影像组学方法分别构建模型以预测PCa BCR，结果显示mpMRI 衍生的深度学习模型在测试集中C 指数达0.74，其预测效能优于传统的影像组学模型（C 指数=0．66），可以改善RP 后的病人分层和个体化术后管理。该研究还发现，随着深度学习在影像组学中的应用，基于神经网络提取的深度特征可以建立更加精确的预测模型，为临床医师提供合理的治疗决策和预后评估。

Yan 等在一项纳入485 例接受过RP 病人的多中心回顾性研究中，基于T2WI 提取影像组学特征，利用深度学习网络建立基于深度学习的生存分析（DRS-BCR）模型，然后使用Cox 回归联合临床指标与DRS-BCR 深度学习模型构建DRC-BCR 联合模型用于预测经RP 治疗后病人的BCR。该联合模型在训练队列和验证队列中的C 指数均达到0.802，高于CAPRA 评分（0.677）、国家综合癌症网络模型（0.586）和Gleason 评分系统（0.583），结果表明DRS-BCR 辅助MRI 的定量影像特征在预测BCR 方面表现良好，在优化PCa 病人的全身新辅助或辅助治疗方面具有较大潜力。与其他传统预测方法相比，该模型能够降低假阳性率，从而使近三分之一的病人避免过度治疗。

Wang 等回顾性分析131 例晚期PCa 病人数据，并将其分为训练集和测试集，使用AI 模型分割治疗前的ADC 影像识别可疑PCa 区域，分别构建临床模型、常规影像组学模型和基于深度学习的影像组学模型，结果发现基于深度学习的影像组学模型显示ROC 的曲线下面积（AUC=0.954） 显著高于临床模型（AUC=0.717）和常规影像组学模型（AUC=0.771），而临床模型与常规影像组学模型的AUC 差异无统计学意义。该研究表明基于深度学习的影像组学模型在预测晚期PCa 的BCR 方面具有潜力，且效能优于临床模型和常规影像组学模型。将影像学特征与临床病理信息相结合，可以进一步提高预测的准确性。

Hou 等回顾性分析了579例PCa 病人的临床指标、MRI 影像特征和组织病理学数据，采用最小绝对收缩和选择算子（LASSO）算法和Cox 比例风险回归从2 554 个MRI 特征中筛选与PCa BCR 显著相关的影像组学特征（radiomics signature，RadS），基于深度学习分别构建用于预测肿瘤T3 分期和淋巴结转移的AI 辅助诊断模型，并通过联合临床指标（如PSA 水平）、影像特征（包括RadS 和AI 预测结果）以及病理参数，构建多模态深度生存网络（iBCR-Net）模型。结果显示，用于预测肿瘤T3 分期和淋巴结转移的AI 辅助诊断模型效能良好，iBCR-Net 模型表现出良好的预测效能（C指数0.81~0.83）。研究表明基于AI 的iBCR-Net 能够无创且准确地预测PCa 病人的BCR 风险，为临床术前风险分层提供了可靠的替代方案。

3. 局限性及挑战

AI 技术的发展和进步使得影像组学模型效能不断提高，其中影像组学和深度学习技术为PCa 的预后分析提供新的契机。但现有预测模型的一些局限性限制了其在临床实践中的广泛应用。首先，AI 在医疗领域的有效应用高度依赖于大规模、多样化的数据集。然而，现阶段医疗数据获取受限，多数相关研究基于小样本、单中心、回顾性设计，存在过拟合的潜在风险。另外，这些模型的效能高度依赖采集和重建参数、分割方法和特征选择，从而阻碍了结果的可重复性。

因此，亟需开发具有更强泛化能力的算法来提高适应性：（1） 须确保采集和后处理方法的标准化，以及成像流程的统一。（2）数据协调是保证影像组学研究可重复性的重要环节，包括影像的重采样需统一层厚、体素大小和像素灰度范围。（3）分割是识别和分析影像中特定区域的关键步骤，未来可以考虑采用半自动或全自动的病灶分割方法以提高效率和稳定性。（4）未来影像组学质量评分应严格遵循TRIPOD （个体预后或诊断多变量预测模型的透明报告）-AI 指南的声明要求，将大大提高AI 相关模型的可重复性和泛化性，并促进其临床应用。

其次，多数研究中采用的是“黑匣子”深度学习算法，模型的可解释性不足，这也是目前限制AI 模型临床转化的一个因素。仅依赖单一组学方法难以全面理解肿瘤中涉及的复杂生物学过程。整合多组学数据能够提供更为全面的分析视角。未来的研究应侧重于影像基因组学、影像转录组学和影像病理组学等多组学综合分析，探索与PCa 预后相关的生物标志物。多技术应用将增加这些模型的稳健性和可解释性。

前列腺特异性膜抗原（prostate-specific membrane antigen，PSMA） 是一种在PCa 细胞上过表达的致癌性跨膜糖蛋白，其表达程度的升高与PCa 进展和复发密切相关。目前已有前瞻性研究将mpMRI 和PSMA-PET 的信息相结合，为中高危PCa 病人的诊断以及检测肿瘤复发提供补充信息，克服了单一技术分析的局限性。因此，基于机器学习或深度学习影像组学的PSMA-PET/mpMRI 模型在预测新诊断PCa 病人的BCR 和风险分层方面具有较大的潜力。期望未来的临床试验能够充分利用这些基于AI 的、无创成像生物标志物，以精确反映肿瘤微环境的特征和侵袭性程度，从而助力精准医疗的发展，为个性化治疗策略的开发奠定基础。

来源：杨颖,赵建华.基于多参数MRI的人工智能预测前列腺癌生化复发的研究进展[J].国际医学放射学杂志,2025,48(04):465-469.DOI:10.19300/j.2025.Z22091.