前列腺癌弥散加权成像与非影像学指标结合的Logistic回归预测模型
目的：建立前列腺癌弥散加权成像（DWI）与非影像学指标结合的Logistic回归预测模型，评估患者前列腺癌发病的可能性，以便后续诊断方法的选择和分析。方法回顾性分析114例2012年1月—2013年6月在复旦大学附属肿瘤医院先后行DWI和经直肠超声引导下前列腺穿刺活检患者的资料，其中前列腺癌患者70例、非肿瘤患者44例。应用DWI影像评价患者前列腺癌发病率，按危险高低行前列腺影像报告和数据系统（PI-RADS）评分（由低到高依次为1~5分）。随机抽取一半患者分入建模组，其余分入验证组。分析建模组中良恶性病例年龄、前列腺特异性抗原（PSA）、游离PSA与总PSA比值（f/t PSA）、肛门指检（DRE）、PI-RADS分级等指标的差异，选取有统计学差异的指标为考察变量，以穿刺病理是否为前列腺癌为应变量，建立两项Loglstic回归模型。A：非影像学指标+PI-RADS；B：只含非影像学指标。利用验证组病例数据建立Loglstic回归模型和PI-RADS预测概率的受试者工作特征（ROC）曲线，分析其相应的灵敏度、特异度，确定最佳界值。结果良恶性患者PSA、f/t PSA、DRE及PI-RADS分级有显著统计学意义（P＜0.05），纳入考察变量。前列腺癌Logistic回归预测模型建立如下：A：LogitP=-6.18+0.0006PSA+1.73DRE-8.01 f/t PSA +1.3 PI-RADS；B：LogitP=-0.095+0.0467PSA +1.88DRE -7.3959 f/t PSA。应用A模型预测验证组的穿刺结果，ROC曲线的曲线下面积（AUC）为0.902，明显高于单独使用DWI PI-RADS分级（0.835）和临床指标（0.751）。A、B模型最佳灵敏度和特异度分别为86.4％、80.0％，90.9%、62.9%；PI-RADS分级最佳灵敏度和特异度为63.6%和94.3%。结论联合PSA、f/t PSA、DRE及PI-RADS这4个指标，利用Logistic回归预测模型有助于评估个体患前列腺癌的可能性，准确率较高，为可疑前列腺癌患者行前列腺穿刺提供了更充分的依据。
前列腺癌、弥散加权成像、前列腺特异性抗原、肛门指检
R445.2(诊断学)
2015-01-23（万方平台首次上网日期，不代表论文的发表时间）
共5页
329-333
