新型關聯規則模型對PSA灰區前列腺癌的預測價值

[Abstract]Objective：BycreatinganewassociationrulemodelbasedonclinicaldatasuchasProstate ImagingReporting andDataSystemversion2.1（PI-RADSV2.1）score，toevaluatetheeficiencyof themodelforpredictingprostatecancer（PCa） intheprostate-specificantigen（PSA）greyzone.Methods：Atotalof1OoOpatientswithprostatediseasewereretrospectively colected.Thepatientswererandomlydividedintoamodelinggroup（70cases）andavalidationgroup（30Ocases）.The asociationruleanalysiswasperformedontheclinicaldataofthemodelinggroup，takingtheclinicaldatasuchasPI-RADS V2.1scoreastheantecedentandCaastheconsequent，teefectivestrongasociationruleswerecalculatedandthepredictive model wascreated.Thecalibrationperformancewasasssedusing thecalibrationcurve.Internalvalidationwasalso performed.ROCcurvewasusedtoanalyzetheAUCofthemodelforpredictingPCa.Externalvalidationwasalsoperformed. Results：Thepredictionresultsof thenewasociationrule modelshowedthattheincidenceof PCawas79%whenPI-RADS V2.1 score ≥3points，age≥7Oyears，prostatevolumelt;50mL，andtotalPSA（tPSA）≥7ng/mL.Theinternal validationshowed thattheconcordanceindex（C-index）of the modelwasO.762（95%CI0.639-0.810），andtherewasagoodconsistency betweenthepredictedandobservedvaluesonthecalibrationcurve.TheAUCofthemodelforpredictingPCawas0.893， which washigherthanthePI-RADSV2.1score（0.831），age（0.686），prostatevolume（0.722），and tPSA（0.634）.Theexternal validationshowedthattheAUCofthemodelforpredictingPCainthevalidationgroupwasO.884.Theresultwasingod agreement with theROC curveof the modeling group，and thedifference was not statistically significant （ χ^∠ =8.098，Pgt;0.05）. ThepredictionperformanceofthemodelforPCaindiferentprostateregionscouldmettheclinicalrequirements.Conclusions： Thenewassociationrulemodelbasedon clinicaldatasuch asPI-RADSV2.1score shows favorableperformance in predicting PCa and has potential clinical application value.

[Keywords]Prostate Imaging ReportingandData Systemversion2.1;Assciationruleanalysis;Prostatespecificantigen; Greyarea;Prostatecancer;Forecast

前列腺癌是發生于前列腺上皮的惡性腫瘤，是男性泌尿生殖系統最常見的惡性腫瘤[1-3]。隨著醫療技術水平的提高，各期前列腺癌的治療均取得較理想的效果，晚期5年生存率達 80%^[4-7] ，其預測準確率越高，療效越理想[8-9]。近年來，基于各類臨床資料的前列腺癌預測技術的敏感度和特異度均顯著升高[10-12]，其中前列腺影像報告和數據系統2.1版（Prostate Imaging Reporting and Data Systemversion2.1，PI-RADSV2.1）評分具有重要參考價值[13-15]。另外，前列腺特異性抗原（prostate specificantigen，PSA）也是一項影響預測結果的重要指標，但其處于灰區 ，預測準確率不理想，處于灰區時可能是炎癥、增生或前列腺癌等[13-15]，需穿刺活檢復查。目前，有研究采用基于PI-RADSV2.1等臨床資料構建的列線圖模型預測PSA灰區前列腺癌，結果較理想。而有關關聯規則模型預測PSA灰區前列腺癌的研究極少。本研究探討關聯規則模型在PSA灰區前列腺癌預測中應用的可行性，并評估預測效能，報道如下。

1資料與方法

1.1一般資料

回顧性分析我院2018年2月至2024年2月收治的前列腺疾病患者。納入標準： ①?18 周歲； ② 臨床資料完整； ③ 患前列腺炎癥、增生或惡性腫瘤中的1種; ④PSA 值為 4～10ng/mL 。排除標準： ① 多種前列腺疾病史、治療史； ② 存在其他惡性腫瘤病史；③ 前列腺MRI圖像質量低，無法用于PI-RADSV2.1評分； ④ 無前列腺病理確診結果。最終納入 1000 例，采用抽簽法隨機分為建模組（700例）和驗證組（300例）。本研究經醫院倫理委員會批準（批號：202402003），患者知情同意。

收集的臨床資料包括年齡、卡氏評分（KPS）、BMI;PI-RADSV2.1評分、前列腺體積（prostatevolume，PV）;總PSA（tPSA）、游離PSA（fPSA）游離/總PSA（fPSA/tPSA）、PSA密度（PSAD）；直腸指檢結果、前列腺病理結果。計算公式： PV= 最大前后徑 × 最大左右徑 × 最大上下徑 ×0.52^[13-15] ; PSAD 1= tPSA/PV;前列腺病理結果和格里森評分（Gleasonscore，GS）通過經直腸超聲引導下穿刺活檢（ 10+X 法，即將前列腺體分為10個區分別穿刺1針，可疑區“X\"穿刺 1～ 2針）獲取。由于關聯規則預測模型基于二分類資料創建，因此對臨床資料中的連續資料行二分類處理[16-17]

1.2 MRI掃描

采用GE SIGNA Voyager 3.0T MRI掃描儀。T₂WI 序列掃描參數：TR 6000ms ，TE 100ms ，視野240mm×240mm ，矩陣 320×320 ，層厚 4mm ，層距1mm 。DWI序列掃描參數：TR 5000ms ，TE 75ms ，視野 240mm×240mm ，矩陣 100×100 ，層厚 4mm 層距 1mm，b 值取 0.1000，1500s/mm² 。

1.3 PI-RADSV2.1評分

由2位影像診斷主任醫師按照PI-RADSV2.1標準對MRI圖像進行審閱和評分。前列腺移行帶診斷以 T₂WI 為主導、DWI次之，前列腺外周帶診斷以DWI為主導、 ??T₂WI 次之，前列腺移行帶和外周帶均需診斷時以 T₂WI 和DWI評分高者為主導。2位醫師的一致性行Kappa分析， K?0.4 時由1位泌尿外科主任醫師進行診斷作為最終結果。

1.4 關聯規則

預測模型創建采用Python語言編制關聯規則算法（FP-Growth）。參考既往研究[12-17]，創建建模組患者臨床資料二分類集合。采用FP-Growth算法首次掃描集合后確定頻繁一項集。采用投影和迭代算法對頻繁一項集進行處理，對處理結果行降序排列后創建條件模式基列表T。采用FP-Growth算法對條件模式基列表T再次掃描后創建FP-Tree和頻繁項集。

設置支持度（S）閾值為0.50，篩選頻繁項集。設置置信度 （C） 閾值為0.50，基于頻繁項集篩選強關聯規則。設置提升度 （L） 閾值為2.00，計算強關聯規則的有效性。前項設置為PI-RADSV2.1評分等二分類臨床資料，后項設置為前列腺癌。

1.5統計學分析

使用SPSSModeler18.0軟件。計量資料以 表示，組間比較行獨立樣本t檢驗。計數資料以例 （%） 表示，組間比較行 χ² 檢驗。內部驗證采用Bootstrap自抽樣法和校正曲線評價關聯規則預測模型質量。外部驗證采用ROC曲線分析關聯規則模型預測前列腺癌的AUC。曲線擬合優度分析行Hosmer-Lemeshow檢驗。采用DeLong檢驗評價關聯規則模型預測建模組和驗證組前列腺癌的AUC差異。以 Plt;0.05 為差異有統計學意義。

2結果

2.1 2組臨床資料比較

1000例患者平均年齡 （74.68±5.32） 歲，GS平均 （7.22±1.53） 分。建模組和驗證組臨床資料比較差異均無統計學意義（均 Pgt;0.05 （表1），具有可比性。

2.2關聯規則預測模型頻繁項集

建模組臨床資料集合中頻繁二項集為6862項，頻繁三項集為3269項，頻繁四項集為1433項，頻繁五項集為492項，頻繁六項集為92項。

通過掃描建模組全部頻繁項集，最終獲得有效強關聯規則9項（表2）。前項分別為PI-RADSV2.1評分 ?3 分、年齡 ?70 歲 時，前列腺癌發生率分別為 58%.52%.51%.56% 前項同時具備PI-RADSV2.1評分 ?3 分、年齡 ?70 歲、PVlt;50mL，tPSA?7ng/mL 時，前列腺癌發生率最高 79% ），此模型將用于內外部驗證。PI-RADSV2.1評分 ?3 分和 出現頻率最高，均為27.78% ，兩者總占達 55.56% ○

表1建模組與驗證組臨床資料比較

注：KPS為卡氏評分，PI-RADSV2.1為前列腺影像報告和數據系統2.1版，PV為前列腺體積，tPSA為總前列腺特異性抗原，fPSA為游離PSA，PSAD為PSA密度。

例 （%）

表2有效強關聯規則結果

注：PI-RADSV2.1為前列腺影像報告和數據系統2.1版，PV為前列腺體積，tPSA為總前列腺特異性抗原，S為支持度，代表某項或某幾項臨床資料出現的頻率; C 為置信度： L 為提升度。

2.3關聯規則模型驗證

本研究以單項臨床資料PI-RADSV2.1評分 ? 3分、年齡 ?70 歲 為參照，針對前列腺癌發生率最高的預測模型行內、外部驗證。

內部驗證：經Bootstrap自抽樣法對建模組重復抽樣200次后，基于PI-RADSV2.1評分 ?≥3 分、年齡≥70歲 Δ.PVlt;50mLΩ，tPSA?7ng/mL 的關聯規則模型預測前列腺癌的一致性指數為0.762（ 95%CI 0.639～

0.810），閾值 gt;0.25 。校準曲線顯示，預測值與觀測值一致性較好（圖1）。關聯規則模型預測建模組前列腺癌的AUC為0.893（圖2），高于PI-RADSV2.1評分（0.831）、年齡（0.686）、PV（0.722）、tPSA（0.634）。

外部驗證：關聯規則模型預測驗證組前列腺癌AUC為0.884（圖2），與建模組R0C曲線擬合結果較理想 （χ²=8.098，Pgt;0.05） 。DeLong檢驗顯示，關聯規則模型預測建模組和驗證組前列腺癌的AUC差異均無統計學意義（ ΔPgt;0.05 ）。

圖1關聯規則預測模型校正曲線圖2關聯規則模型預測建模組和驗證組前列腺癌的ROC曲線

2.4關聯規則模型的進一步應用

建模組415例中，外周帶290例、移行帶32例、中央帶93例；驗證組175例中，外周帶122例、移行帶13例、中央帶40例。將建模組和驗證組的腫瘤分布補充至原臨床資料集合后重新創建關聯規則預測模型。應用關聯規則模型進一步預測了建模組和驗證組患者位于外周帶、移行帶、中央帶3個部位的前列腺癌，并比較AUC。關聯規則模型預測建模組和驗證組3個部位前列腺癌的擬合均較理想（均 Pgt; 0.05），AUC差異均無統計學意義（均 Pgt;0.05 ），預測效能均能滿足臨床要求（表3）。

表3關聯規則模型進一步預測外周帶、移行帶、中央帶前列腺癌的AUC及Hosmer-Lemeshow檢驗、DeLong檢驗結果

3討論

針對PSA灰區前列腺癌的預測資料已由早期的直腸指檢和單項臨床資料，發展到現在的影像組學、PI-RADSV2.1評分和多種PSA衍生檢驗指標等綜合臨床資料，提高了預測敏感度和特異度[18-23]。同時，預測模型也由傳統的logistic回歸預測模型，發展至列線圖等機器學習模型，使結果可視化、全面化。本研究基于PI-RADSV2.1評分等多項臨床資料，創建了新型關聯規則預測模型并取得了較理想的結果。

本研究中關聯規則預測模型與列線圖預測模型的相似之處： ① 納入的臨床資料基本一致。 ② 前列腺癌影響因素除PSAD外基本一致，多數列線圖研究發現PI-RADSV2.1評分、年齡、PV、tPSA是前列腺癌的獨立危險因素。 ③ 突出了PI-RADSV2.1評分在預測前列腺癌中的重要性。有研究發現，PI-RADSV2.1評分預測前列腺癌的AUC分別為0.854、0.816，均高于其他臨床資料[12-13]。本研究PI-RADS V2.1評分的AUC亦高于其他臨床資料，且其在有效強關聯規則結果中出現的頻率高于除tPSA之外的其他臨床資料，說明PI-RADSV2.1評分對特定PSA值前列腺癌預測的重要性。 ④ 基于綜合臨床資料的預測結果較一致，張晶等[12]研究發現，當患者臨床資料相似時列線圖總分為131分，前列腺癌發生率為 75% ，與關聯規則預測模型結果高度一致。

關聯規則預測模型具有以下優勢： ① 不存在數據平衡性問題。列線圖預測模型是一種基于logistic回歸分析的可視化模型，當分組內數據差異較大時，數據失衡會降低預測結果的準確率。關聯規則預測模型因FP-Growth算法在掃描臨床資料集合時剔除了非前列腺癌，不存在數據失衡問題，預測結果更科學可靠。 ② 結果更全面。列線圖預測模型通過多種因素聯合預測獲得結果，但結果相對單一。本研究中，關聯規則預測模型給出了臨床資料間多種組合形式和相應結果。表2中序號5～8對應的前列腺癌發生率為 66%～68% ，同樣具有一定的臨床研究價值。針對不同臨床資料組合的患者，關聯規則預測模型更有普適性。 ③ 結果更具邏輯性。作為一種邏輯算法，FP-Growth算法能算出表2中5～9號組合所對應前列腺癌的發生率。而列線圖預測模型不具備該功能。

關聯規則預測模型具有以下不足： ① 臨床資料二分類化。由于FP-Growth算法無法掃描連續變量，因此需將全部臨床資料二分類化，可能影響結果的科學性。 ② 結果不具有可視性。關聯規則模型預測結果無法通過累積評分評價和比較，也無法通過圖片或線條展示。后續研究結合其他機器學習方法（如隨機森林圖等）可能會彌補關聯規則預測模型的不足。 ③ 納人的臨床資料仍需完善。

綜上所述，新型關聯規則模型在PSA灰區前列腺癌預測中應用具有一定的科學性和可行性，能為PSA灰區前列腺癌的預測提供參考。

[參考文獻]

[1]HAMMCA，BAUMGARTNERGL，BIESSMANNF，etal.uttpitanng prostate cancer diagnosis at MRI[J]. Radiology，2023， 307（4）：e222276.

[2]CONNOR M J，GORIN M A，ELDREDOEVANS D，et al.Landmarks in the evolution of prostate biopsy[J]. Nat Rev Urol，2023，20（4）：241-258.

[3]LI Y，DAN S，YANG F，et al.Prostate tuberculosis mimicking prostate cancer：case report and literature review [J].Medicine（Baltimore），2023，102（47）：e36172.

[4] UNTERRAINER L M，CALAIS J，BANDER N H. Prostatespecific membrane antigen：gateway to management of advanced prostate cancer[J]. Annu Rev Med，2024，75： 49-66.

[5]PELKA K，BODYS-PELKA A，KUNIKOWSKA J. Prostatespecific membrane antigen expression in intracranial lesions- a review of the primary，metastatic，and nonneoplastic lesions[J].Nucl Med Rev Cent East Eur，2023， 26：134-142.

[6]KIZILGOZV，KANTARCI M，TONKAZG，et al. Incidental findings on prostate MRI：a close look at the field of view in this anatomical region[J].Acta Radiol，2023， 64（4） ：1676-1693.

[7]POMYKALA K L，HERRMANN K，LALUMERA E，et al. Positive prostate-specific membraneantigen findings： howto interpret them[J]. Eur Urol Oncol，2023，6（2）： 113-115.

[8] DIAS A B，GHAI S. Prostate cancer diagnosis with microultrasound：what we know now and new horizons[J].Radiol Clin North Am，2024，62（1）：189-197.

[9]ROMANO L，NAPOLITANO L，CROCETTO F，et al. Prostate and gut：any relationship？ A narrative review on the available evidence and putative mechanisms[J]. Prostate，2024，84（6）：513-524.

[10] AVOLIO P P，LUGHEZZANI G，ANIDJAR M，et al. The diagnosticaccuracy of micro-ultrasound forprostate cancer diagnosis：a review[J].World JUrol，2023，41 （11） ：3267-3276.

[11]GIROMETTI R，GIANNARINI G，PERUZZI V，et al. MRI-informed prostate biopsy：what theradiologist should know on quality in biopsy planning and biopsy acquisition[J]. Eur JRadiol，2023，164：110852.

[12]張晶，李隴超，折霞，等．基于PI-RADSV2.1評分構建 諾莫圖預測PSA灰區前列腺癌的價值研究[J].影像診 斷與介入放射學，2022，31（1）：8-13.

[13］張若弟，周云舒，劉世莉，等．基于 Bp -MRI的PI-RADSv2.1評分構建列線圖預測 PSA（4-20ng/mL 前列腺癌的診斷價值[J].磁共振成像，2023，14（10）：84-89.

[14」陳彤，魏超剛，張躍躍，等．基于多參數MRI影像組學結合PI-RADSV2.1和臨床指標的新型列線圖預測臨床顯著性前列腺癌[J].臨床放射學雜志，2023，42（9）：1471-1477.

[15」陳麗華，劉愛連，郭妍，等.基于磁共振擴散加權圖像的諾模圖在前列腺癌與前列腺增生鑒別診斷中的應用及其診斷PI-RADS4分中前列腺癌的可行性［J].中國臨床醫學影像雜志，2019，30（12）：881-887.

[16]王晨宇，田龍，潘利民，等．基于關聯規則的互聯網醫療服務平臺在腫瘤患者診療管理中的應用[J].中國衛生質量管理，2024，31（7）：55-58.

[17］張彩鳳，溫鴻毅，田龍.新型重癥監護室患者轉出率關聯規則預測模型創建與預測效能比較［J].中國急救醫學，2025，45（2）：122-128.

[18]LI X，LI C，CHEN M. Patients with“gray zone”PSAlevels：application of prostate MRI and MRS in the di-agnosis of prostate cancer[J].J Magn Reson Imaging，2023，57（4）：992-1010.

[19]HAMDYFC，DONOVANJL，LANEJA，et al.Fifteen-yearoutcomesaftermonitoring，surgery，orradiotherapyforprostate cancer[J].N Engl J Med，2023，388（17）：

1547-1558.[20]YANG J，LI J，XIAO L，et al."⁶⁸"Ga-PSMA PET/CT-based multivariate model for highly accurate and non-invasive diagnosis of clinically significant prostate can-cer in the PSA gray zone[J].Cancer Imaging，2023，

23（1）：81.[21]TSUJINO T，TOKUSHIGES，KOMURA K，etal.Real-world survival outcome comparing abiraterone acetateplusprednisone and enzalutamide for nonmetastaticcastration-resistant prostate cancer[J].Cancer Med，

2023，12（19）：19414-19422.[22]LIN S，YU X，CHEN H，et al. Clinical efficacy of pros-tate PI-RADS V2.1 score combined with serum PSA-related indicators in the detection of gray zone pros-tate cancer[J]. Int Urol Nephrol，2023，55（11）：2685-

2693.[23]LIU F，SHI X，WANG F，et al.Evaluation and multi-institutional validation ofanovel urine biomarker ln-cRNA546 to improve the diagnostic specificity of pros-tate cancer in PSA gray-zone[J]. Front Oncol，2022，12：946060.

（收稿日期 2024-07-03）