劉想，崔應(yīng)譜，韓超，孫兆男，張耀峰，王祥鵬，張曉東，王霄英

前列腺癌多見于老年男性，其發(fā)病率位于男性惡性腫瘤的第2位，約為15%[1]。骨盆和脊柱是前列腺癌最常見的遠處轉(zhuǎn)移好發(fā)部位，轉(zhuǎn)移發(fā)生率高達65%～90%[2]。對于骨轉(zhuǎn)移患者，在積極治療原發(fā)病灶的同時應(yīng)預(yù)防和治療骨轉(zhuǎn)移及骨相關(guān)事件[3]。因此，在臨床實踐中及時準確地檢出骨轉(zhuǎn)移病灶是重要的診斷任務(wù)之一。

臨床上根據(jù)癥狀和前列腺特異性抗原(prostate specific antigen,PSA)水平來判斷有無轉(zhuǎn)移灶，但敏感性和特異性均欠佳[4]。研究發(fā)現(xiàn)，有32%的去勢抵抗性前列腺癌(castration-resistant prostate cancer,CRPC)患者在臨床上被認為無轉(zhuǎn)移癥狀而在行影像學(xué)檢查時發(fā)現(xiàn)有轉(zhuǎn)移灶[5]。檢測前列腺癌骨轉(zhuǎn)移的影像學(xué)方法包括CT、MRI以及核素骨掃描，這些方法具有較高的敏感度但特異度低[6]。擴散加權(quán)成像(DWI)是前列腺癌多參數(shù)(multiparametric，mp)-MRI檢查的功能成像序列之一，對前列腺癌骨轉(zhuǎn)移的檢測敏感度高于常規(guī)MRI，且較核素骨掃描的敏感性、特異性及準確性更高[7-8]。但DWI圖像上骨盆結(jié)構(gòu)和信號復(fù)雜，骨轉(zhuǎn)移灶表現(xiàn)多樣，假陽性和假陰性病灶仍會對診斷造成困擾[9]。

影像組學(xué)是一種可對多種醫(yī)學(xué)圖像進行特征提取和建模的技術(shù)手段，目前已被廣泛用于疾病的診斷和鑒別診斷、臨床分期、治療評價和預(yù)后評估中[10-13]。但影像組學(xué)建模對圖像標(biāo)注要求較高，人工標(biāo)注耗時且標(biāo)注區(qū)域的差異也會影響模型的效能[14]。本研究基于DWI圖像，在應(yīng)用3D U-Net深度學(xué)習(xí)網(wǎng)絡(luò)[15]對盆腔骨結(jié)構(gòu)進行自動分割的基礎(chǔ)上，建立影像組學(xué)模型來判斷前列腺癌患者的盆腔骨質(zhì)結(jié)構(gòu)有無骨轉(zhuǎn)移灶。

材料與方法

本回顧性研究獲得了倫理委員會的批準(2019-170)，按照本單位人工智能(artificial intelligence，AI)模型訓(xùn)練規(guī)范執(zhí)行研究方案。

1.用例定義

根據(jù)本單位AI項目管理方法，首先定義研發(fā)mpMRI盆腔骨質(zhì)結(jié)構(gòu)分割與骨轉(zhuǎn)移灶檢出的AI模型的用例(use case)。主要內(nèi)容：模型的編號、臨床問題、場景描述、模型在實際工作中的調(diào)用流程及模型的輸入和輸出數(shù)據(jù)結(jié)構(gòu)等。定義AI模型的返回結(jié)果為下腰椎、骶尾骨、髂骨、髖臼、股骨頭、股骨頸、坐骨和恥骨的坐標(biāo)，以及上述分割區(qū)域內(nèi)有無骨轉(zhuǎn)移灶等。

2.數(shù)據(jù)入組

骨盆結(jié)構(gòu)分割模型訓(xùn)練：從本院PACS系統(tǒng)回顧性搜集2017年1月-2020年1月的747例盆腔mpMRI圖像，納入標(biāo)準：①臨床懷疑為前列腺癌或前列腺癌治療后(手術(shù)、放療或內(nèi)分泌治療)因復(fù)查而行盆腔mpMRI掃描的患者；②有完整的盆腔DWI圖像；③無原發(fā)性盆腔骨疾病(原發(fā)性骨肉瘤、骨囊腫、血液系統(tǒng)疾病及骨折等)。排除標(biāo)準：①有盆腔骨質(zhì)結(jié)構(gòu)手術(shù)史；②同時存在其它惡性腫瘤病史；③圖像質(zhì)量差(存在運動偽影和化學(xué)位移偽影等)；④掃描范圍不全，未包括大部分盆腔骨質(zhì)結(jié)構(gòu)。排除371例不滿足要求的患者后，最終有614例患者的數(shù)據(jù)入組，用于訓(xùn)練自動分割盆腔骨質(zhì)結(jié)構(gòu)的3D U-Net模型。

骨盆結(jié)構(gòu)分割模型外部驗證和骨轉(zhuǎn)移分類模型的構(gòu)建：自PACS系統(tǒng)中檢索到2020年2月-2020年12月在本院經(jīng)病理證實為前列腺癌且此次盆腔mpMRI掃描前未進行過任何治療的275例患者(排除標(biāo)準同上)，其中經(jīng)臨床綜合診斷(綜合PSA水平、臨床癥狀、MRI檢查和其它影像檢查)認為存在盆腔骨轉(zhuǎn)移的前列腺癌患者161例，不存在盆腔骨轉(zhuǎn)移者114例。此樣本的數(shù)據(jù)既作為骨盆結(jié)構(gòu)分割模型的外部驗證集，又用于有無骨轉(zhuǎn)移灶分類評估的影像組學(xué)建模。

3.DWI掃描參數(shù)

本研究所納入的病例均為匿名化病例，圖像來源于5臺MR掃描儀，掃描參數(shù)見表1。

表1 不同儀器的DWI成像參數(shù)

4.數(shù)據(jù)標(biāo)注

將DICOM格式的高b值DWI圖像轉(zhuǎn)換為Nifty格式。由一位低年資放射科住院醫(yī)師(閱片經(jīng)驗3年)使用ITK-SNAP3.6.0軟件在DWI圖像上分別沿著盆腔各骨質(zhì)結(jié)構(gòu)的邊緣進行手工勾畫和標(biāo)注，所標(biāo)注的圖像標(biāo)簽如下。1：腰椎；2：骶骨；3：左側(cè)髂骨；4：右側(cè)髂骨；5：左側(cè)髖臼；6：右側(cè)髖臼；7：左側(cè)恥骨；8：右側(cè)恥骨；9：左側(cè)坐骨；10：右側(cè)坐骨；11：左側(cè)股骨頭；12：右側(cè)股骨頭；13：左側(cè)股骨頸；14：右側(cè)股骨頸。由一位放射科專家(閱片經(jīng)驗≥15年)對標(biāo)注進行修改確認。以確認后的圖像標(biāo)簽作為盆腔骨質(zhì)結(jié)構(gòu)分割模型的金標(biāo)準。

5.分割模型的訓(xùn)練

對614例患者的DWI圖像進行預(yù)處理：size = 64×224×224(z，y，x)，自動窗寬、窗位。按照8∶1∶1的比例將患者隨機分為訓(xùn)練集(train set，n=490)、調(diào)優(yōu)集(validation set，n=62)和測試集(test set，n=62)，進行3D U-Net模型的訓(xùn)練。模型訓(xùn)練使用的硬件為GPU NVIDIA Tesla P100 16G，語言程序包括Python3.6、Pytorch 0.4.1、Opencv、Numpy、SimpleITK等，Adam為訓(xùn)練優(yōu)化器，學(xué)習(xí)率(learning rate)設(shè)為10-4，訓(xùn)練次數(shù)(Epoch)為250，每次讀取的圖像數(shù)量(batch size)為1。

6.分類模型的訓(xùn)練

對前列腺癌患者進行有、無盆腔骨轉(zhuǎn)移分類評估的影像組學(xué)模型的構(gòu)建，分別在手工標(biāo)注和自動分割的盆腔骨質(zhì)結(jié)構(gòu)基礎(chǔ)上進行，從標(biāo)注和分割出的圖像和標(biāo)簽中進行特征提取，所提取出的特征用于建立組學(xué)模型，處理步驟包括數(shù)據(jù)均衡、數(shù)據(jù)歸一化、特征降維、特征選擇和模型建立等，每個步驟的數(shù)據(jù)分析方法和相關(guān)參數(shù)見表2。

表2 建立影像組學(xué)模型的主要處理步驟和相關(guān)參數(shù)

在本研究的組學(xué)分類模型建立過程中，為了消除分類訓(xùn)練集數(shù)據(jù)的不均衡(有轉(zhuǎn)移灶與無轉(zhuǎn)移灶例數(shù)比為161/114)，我們通過降采樣的方式來使正/負樣本平衡；采用Min-Max對特征矩陣進行歸一化處理；由于提取特征的空間維度較高，我們采用皮爾森相關(guān)系數(shù)(Pearson correlation coefficients，PCC)對數(shù)據(jù)進行降維，變換后的特征矩陣的特征向量相互獨立；在建立模型之前，使用常用的遞歸特征消除(recursive feature elimination,RFE)算法進行特征選擇并對特征進行排序，選擇前20個特征作為最佳特征子集；最后，選用最小絕對收縮和選擇算子(least absolute shrinkage and selection operator,LASSO)分類器基于DWI圖像建立預(yù)測盆腔范圍內(nèi)骨轉(zhuǎn)移的分類模型。按照7∶3的比例將此樣本集中的275例患者隨機分為訓(xùn)練集(train set，n=193)和測試集(test set，n=82)，進行影像組學(xué)建模和測試。為確定該模型的參數(shù)(如特征的數(shù)量)，我們應(yīng)用5折交叉驗證法來評估模型的分類性能，并選擇最佳的模型參數(shù)。最終根據(jù)各自系數(shù)加權(quán)的最佳特征的線性組合，建立用于前列腺癌盆腔骨轉(zhuǎn)移分類的組學(xué)模型。

7.模型評價

分割模型評價：利用測試集和外部驗證數(shù)據(jù)對3D U-Net模型的分割性能進行評估。將模型預(yù)測的每個盆腔骨質(zhì)結(jié)構(gòu)標(biāo)簽與相應(yīng)的手工標(biāo)注標(biāo)簽進行比較，定量評估模型對8個標(biāo)簽和整個盆腔結(jié)構(gòu)的分割性能，評價指標(biāo)包括Dice相似系數(shù)(Dice similarity coefficient,DSC)、Jaccard相似系數(shù)(Jaccard similarity coefficient,JSC)和Hausdorff表面距離(Hausdorff surface distance,HSD)[16-19]。DSC和JSC是衡量兩個像素集合之間相似性的度量指標(biāo)，取值范圍為0～1，數(shù)值越大，代表兩個集合之間的相似度越高；HSD也可作為兩組像素點集之間相似程度的度量指標(biāo)，它是兩個點集之間距離的一種定義形式，度量了兩個點集間的最大不匹配程度。

分類模型評價：計算分類模型中每個樣本的影像組學(xué)得分(rad-score)[11]，應(yīng)用sigmoidal函數(shù)將組學(xué)得分轉(zhuǎn)換為盆腔骨質(zhì)結(jié)構(gòu)存在骨轉(zhuǎn)移灶的概率P(取值范圍為0～1)。使用受試者工作特征曲線(ROC)來評估分類模型的效能，計算ROC曲線下面積(area under curve，AUC)，根據(jù)最大化約登指數(shù)值的截斷值來計算模型的診斷符合率、敏感度和特異度。

8.統(tǒng)計描述

使用SPSS 20.0軟件和MedCalc 14.8軟件進行統(tǒng)計分析。符合正態(tài)分布的計量資料以均值±標(biāo)準差表示，不符合正態(tài)分布的連續(xù)變量表示為中位數(shù)(上、下四分位數(shù))。采用克魯斯卡爾-沃利斯(H-K)檢驗用于比較盆腔骨質(zhì)結(jié)構(gòu)分割模型中訓(xùn)練集、調(diào)優(yōu)集和測試集的臨床特征[年齡、總PSA(total PSA,T-PSA)、游離PSA(free PSA,F-PSA)及F/T-PSA]。ROC曲線分析用于評估骨轉(zhuǎn)移診斷模型在訓(xùn)練集和測試集中的性能，基于手工標(biāo)注和自動分割的影像組學(xué)分類模型的AUC值的比較采用Z檢驗。以P<0.05為差異有統(tǒng)計學(xué)意義。

結(jié) 果

1.入組病例臨床特征

不同數(shù)據(jù)集中患者的臨床特征及圖像數(shù)據(jù)來源情況見表3。用于盆腔骨質(zhì)結(jié)構(gòu)分割模型訓(xùn)練的614例患者的年齡為67(62，79)歲，其中326例為前列腺增生患者[年齡64(53，75)歲]，154例為病理證實的前列腺癌患者[年齡：70 (62，78)歲]；134例(134/614)前列腺癌患者在進行mpMRI掃描前進行過內(nèi)分泌治療或放療[平均年齡：70(61，79)歲]。用于建立盆腔骨轉(zhuǎn)移分類組學(xué)模型建立的275例患者中，161例為有骨轉(zhuǎn)移灶患者[年齡72(63，81)歲]，114例為無骨轉(zhuǎn)移灶患者[年齡71(62，80)歲]。

表3 不同數(shù)據(jù)集中患者的臨床特征及數(shù)據(jù)來源的病例分布情況

此外，在分割模型樣本組中，訓(xùn)練集，調(diào)優(yōu)集和測試集之間的臨床特征(年齡、F-PSA、T-PSA、F/T-PSA)的差異均無統(tǒng)計學(xué)意義(P>0.05)。在分類模型樣本組中，訓(xùn)練集和測試集之間的年齡、T-PSA和F-PSA的差異均無統(tǒng)計學(xué)意義(P>0.05)，而測試集中的F/T-PSA顯著低于訓(xùn)練集(P<0.05)。

2.分割模型的效能

3D U-Net分割模型對不同盆腔骨質(zhì)結(jié)構(gòu)的分割性能見表4。在測試集中，對盆腔骨質(zhì)結(jié)構(gòu)整體分割的DSC、JSC 和HSD分別為0.87±0.03、0.77±0.04和(21.75±12.08)mm；在外部驗證數(shù)據(jù)集中，其DSC、JSC和HSD分別為0.82±0.06、0.71±0.08和(16.27±4.35)mm。在單獨的8個盆腔骨質(zhì)結(jié)構(gòu)中，除恥骨(測試集DSC：0.69±0.13；JSC：0.54±0.13；外部驗證集DSC：0.69±0.14；JSC：0.54±0.14)和髖臼(測試集DSC：0.79±0.08；JSC：0.66±0.09；外部驗證集DSC：0.79±0.09；JSC：0.66±0.11)外，模型對其余骨質(zhì)結(jié)構(gòu)在測試集和外部驗證集中的DSC均在0.80以上、JSC均在0.70以上。

表4 U-Net分割模型的性能

3.分類模型

組學(xué)模型中特征的選擇：在提取的1070個特征中，RFE算法根據(jù)反復(fù)構(gòu)建模型所返回的feature_importances屬性篩選出最好的(或最差的)骨轉(zhuǎn)移病灶分類特征，在這個過程中將不重要的特征消除，最終留下排名最靠前的最重要的20個特征(表5)。在選出的20個特征中包括2個基于形狀(shape-based)的特征、2個一階(first order)特征，4個灰度行程長度矩陣(gray level run length matrix,GLRLM)特征、5個灰度相關(guān)矩陣(gray level dependence matrix,GLDM)特征、3個灰度共生矩陣(gray level co-occurrence matrix,GLCM)特征和4個灰度區(qū)域尺度矩陣(gray level size zone matrix,GLSZM)特征。訓(xùn)練集和測試集中每個樣本有、無盆腔骨轉(zhuǎn)移灶的概率分布見圖1。

表5 RFE算法篩選出的20個特征的分類和名稱

圖1 分類模型中各樣本存在骨轉(zhuǎn)移的概率分布圖。a)訓(xùn)練集；b)測試集。 圖2 組學(xué)分類模型預(yù)測骨轉(zhuǎn)移的ROC曲線。a)基于自動分割圖的組學(xué)模型在訓(xùn)練集中的ROC曲線，AUC= 0.945；b)基于自動分割圖的組學(xué)模型在測試集中的ROC曲線，AUC=0.965；c)基于手工標(biāo)注圖的組學(xué)模型在訓(xùn)練集中的ROC曲線，AUC= 0.967；d)基于手工標(biāo)注圖的組學(xué)模型在測試集中的ROC曲線，AUC=0.975。

組學(xué)模型的分類性能：基于自動分割和手工標(biāo)注圖像的影像組學(xué)模型對盆腔骨質(zhì)結(jié)構(gòu)內(nèi)有、無骨轉(zhuǎn)移的分類效能見表6和圖2。在測試集中，基于自動分割和手工標(biāo)注的組學(xué)模型對盆腔骨轉(zhuǎn)移分類效果均較好(圖3～6)，AUC值分別為0.965(95%CI：0.899～0.993)和0.975(95%CI：0.914～0.997)，差異無統(tǒng)計學(xué)意義(Z=-0.442，P=0.658)。

表6 基于自動分割和手工標(biāo)注的影像組學(xué)模型對盆腔骨質(zhì)結(jié)構(gòu)內(nèi)骨轉(zhuǎn)移的分類性能

圖3 測試集中前列腺癌患者，男，78歲，右側(cè)髂骨轉(zhuǎn)移。a)DWI示右側(cè)髂骨高信號轉(zhuǎn)移灶(箭)；b)U-Net模型分割后骨質(zhì)結(jié)構(gòu)，DSC=0.88，組學(xué)模型預(yù)測存在骨轉(zhuǎn)移的概率為0.93(箭所示，真陽性結(jié)果)。圖4 測試集中前列腺癌患者，男，56歲，無盆腔骨轉(zhuǎn)移。a)DWI示盆腔骨質(zhì)范圍內(nèi)無高信號灶；b)U-Net模型分割后骨質(zhì)結(jié)構(gòu)，DSC=0.89，組學(xué)模型預(yù)測存在骨轉(zhuǎn)移的概率為0.65(假陽性結(jié)果)。 圖5 測試集中前列腺癌患者，男性，69歲，右側(cè)恥骨轉(zhuǎn)移。a)DWI示右側(cè)恥骨高信號轉(zhuǎn)移灶(箭)；b)U-Net模型分割后骨質(zhì)結(jié)構(gòu)，DSC=0.58(恥骨結(jié)構(gòu)未被正確分割)，組學(xué)模型預(yù)測存在骨轉(zhuǎn)移的概率為0.40(假陰性結(jié)果)。圖6 測試集中前列腺癌患者，男，73歲，左側(cè)股骨頸轉(zhuǎn)移。a)DWI示左側(cè)股骨頸高信號轉(zhuǎn)移灶(箭)；b)U-Net模型分割后骨質(zhì)結(jié)構(gòu)，DSC=0.84，組學(xué)模型預(yù)測存在骨轉(zhuǎn)移的概率為0.45(箭，假陰性結(jié)果)。

討 論

前列腺癌骨轉(zhuǎn)移以成骨性病灶為主，以多發(fā)性和跳躍性分布為主，且成骨性改變和溶骨性改變同時存在[3,20]。mpMRI對于前列腺癌骨轉(zhuǎn)移的診斷具有較高的敏感性和特異性，當(dāng)全身骨顯像和CT均不能確定骨轉(zhuǎn)移灶的存在時，通?？尚衜pMRI[6]。mpMRI包括常規(guī)序列(T1WI和T2WI)與功能序列(DWI、DCE-MRI和MRS)。其中，DWI對于前列腺癌骨轉(zhuǎn)移的檢測敏感度高于常規(guī)序列，DWI是對機體內(nèi)水分子微觀運動的評估，可提供定量(如ADC值)和定性(如信號強度)信息用于疾病的診斷和鑒別[21]。在本研究中，我們在對盆腔骨質(zhì)結(jié)構(gòu)進行分割的基礎(chǔ)上，基于DWI圖像建立了一個用于檢出前列腺癌患者有無盆腔骨質(zhì)結(jié)構(gòu)范圍內(nèi)轉(zhuǎn)移灶的影像組學(xué)模型，該模型在測試集中的骨轉(zhuǎn)移患者檢出符合率為89.02%，AUC可達0.965。

影像組學(xué)是近年來出現(xiàn)的一種新型圖像后處理技術(shù)，通過對醫(yī)學(xué)影像圖像進行定量、高通量的分析和處理，提取出一系列肉眼無法直接觀察到的信息，揭示腫瘤生物學(xué)特征與圖像之間的關(guān)系，用于建立描述性和預(yù)測性的模型，從而幫助醫(yī)師做出診斷[22-23]。該技術(shù)目前已廣泛應(yīng)用于各種臨床場景。Ma等[11]基于mp-MRI圖像(T2WI、DWI 和DCE)特征建立的術(shù)前預(yù)測前列腺癌術(shù)后包膜侵犯的組學(xué)模型，在測試集中AUC為0.833，且其預(yù)測敏感度明顯高于放射科醫(yī)師(75.00% vs. 46.88%～50.00%)。Xie等[14]應(yīng)用基于紋理分析的組學(xué)模型來進行子宮肌瘤和非典型平滑肌瘤的鑒別，發(fā)現(xiàn)患者年齡、腫瘤邊緣及子宮內(nèi)膜腔是鑒別二者的重要特征，基于該特征所建立的組學(xué)模型準確率可達73.9%，可達到放射專家的診斷水平。在本研究中，基于DWI圖像所建立的組學(xué)模型所選取的20個特征中，排在最前面的為基于形狀的兩個特征：shape_Sphericity和shape_SurfaceVolumeRatio。由于本研究中所入組的骨轉(zhuǎn)移患者存在骨盆骨質(zhì)形態(tài)明顯異常，有局部或彌漫的破壞或膨大，這類影像特征與無骨轉(zhuǎn)移患者的盆腔骨質(zhì)有很大差別，因此，基于shape特征能很好地預(yù)測轉(zhuǎn)移與非轉(zhuǎn)移。而在選擇的20個特征中，基于灰度分布的特征有16個，這反映了有骨轉(zhuǎn)移灶的盆腔骨質(zhì)結(jié)構(gòu)和無骨轉(zhuǎn)移灶的盆腔骨質(zhì)結(jié)構(gòu)在灰度分布方面具有較大的差異。

為排除盆腔DWI 圖像中骨質(zhì)結(jié)構(gòu)以外的其他高信號強度物質(zhì)(如神經(jīng)組織、淋巴組織及腸內(nèi)容物等)對骨轉(zhuǎn)移灶檢出的干擾[9]，本研究將基于深度學(xué)習(xí)的盆腔骨質(zhì)結(jié)構(gòu)分割模型置于前列腺癌患者盆腔骨轉(zhuǎn)移分類的組學(xué)模型之前，旨在應(yīng)用連貫的人工智能技術(shù)來實現(xiàn)疾病的診斷。該分割模型在測試集中的DSC、JSC 和HSD可達到0.87±0.03、0.77±0.04和(21.75±12.08)mm。在用于分類模型的數(shù)據(jù)集中，其DSC、JSC和HSD也可達到0.82±0.06、0.71±0.08和(16.27±4.35)mm。良好的盆腔骨質(zhì)結(jié)構(gòu)分割是后續(xù)進行骨轉(zhuǎn)移灶檢出的基礎(chǔ)。但對單獨的8個盆腔骨質(zhì)結(jié)構(gòu)分割性能進行分析時，我們發(fā)現(xiàn)，模型對恥骨的分割效果(測試集：DSC=0.69±0.13，JSC=0.54±0.13；外部驗證集：DSC=0.69±0.14，JSC=0.54±0.14)明顯劣于其它骨質(zhì)結(jié)構(gòu)，這可能與恥骨體素在整個盆腔骨質(zhì)結(jié)構(gòu)中所占的比例少、且部分盆腔掃描范圍未掃及恥骨層面而導(dǎo)致恥骨結(jié)構(gòu)數(shù)量偏少有關(guān)。因此，在前列腺癌患者盆腔骨轉(zhuǎn)移的分類結(jié)果中，組學(xué)模型對于僅存在恥骨轉(zhuǎn)移的患者易出現(xiàn)漏診(圖4e～f)。

在本研究中用于分割模型訓(xùn)練和分類模型訓(xùn)練的數(shù)據(jù)均為連續(xù)性的回顧性收集，數(shù)據(jù)共來源于本院的5臺儀器設(shè)備，其場強(3.0T/1.5T)及b值(b=500、800和1000 s/mm2)均有所差異。不同設(shè)備來源的數(shù)據(jù)所建立的模型可更好的體現(xiàn)模型的泛化性能，這是本研究的一個特色。

分割效果對分類性能的直接影響是多數(shù)序貫研究的局限性[24]。因此，對于本研究而言，增加用于分割模型訓(xùn)練的數(shù)據(jù)量，尤其是增加恥骨層面的數(shù)據(jù)量，是提高整個組學(xué)分類模型的關(guān)鍵。此外，本研究還存在以下局限性：(1)本研究僅在患者水平進行了盆腔范圍內(nèi)有無前列腺癌骨轉(zhuǎn)移的判斷，而沒有對單個盆腔骨質(zhì)結(jié)構(gòu)或從病灶水平進行探討。未來我們還應(yīng)該進行骨質(zhì)結(jié)構(gòu)水平及病灶水平的轉(zhuǎn)移灶檢出，從而實現(xiàn)盆腔范圍內(nèi)前列腺癌骨轉(zhuǎn)移的檢出及定位。(2)本研究未將組學(xué)模型的分類性能與放射科醫(yī)師的診斷效能進行對比。在后續(xù)的研究中，我們將對兩者效能進行對比。(3)本研究僅應(yīng)用了單個的DWI序列進行有無骨轉(zhuǎn)移病灶的分類，盡管該序列在骨轉(zhuǎn)移灶檢出的過程中必不可少，但其對于成骨性改變的檢出仍存在一定的局限性，因此在之后的研究中我們考慮在模型中加入其它序列(如ADC圖、T1WI等)，以此來提高模型對所有類型轉(zhuǎn)移灶的預(yù)測性能[25]。(4)本研究所有入組的數(shù)據(jù)均為前列腺癌患者，因此只能代表此一種惡性腫瘤骨盆轉(zhuǎn)移的現(xiàn)狀，臨床場景較為單一。對于其它來源(如直腸癌、膀胱癌等)的轉(zhuǎn)移瘤，我們未做分析，在后續(xù)的研究中我們將考慮補充同時期來源于其它惡性腫瘤的骨盆轉(zhuǎn)移瘤病例。

綜上所述，本研究基于深度學(xué)習(xí)分割DWI圖像上盆腔骨質(zhì)結(jié)構(gòu)的影像組學(xué)模型可以較好地鑒別盆腔范圍內(nèi)的前列腺癌骨轉(zhuǎn)移灶，可承擔(dān)前列腺癌mpMRI輔助診斷的部分工作。