目的 旨在探讨基于磁共振单指数和扩散峰度模型功能参数图的影像组学分析早期诊断临床显著性前列腺癌(clinically significant prostate cancer, csPCa)的价值。材料与方法 回顾性地分析2022年4月至2023年7月就诊于马鞍山市人民医院的前列腺疾患病例238例,经超声下引导穿刺或手术病理证实,其中csPCa 96例、非临床显著性前列腺癌(non-clinically significant prostate cancer, ncsPca)142例,年龄56~84(62.34±7.62)岁。将238例患者按照7∶3的比例进行随机分组为训练集和测试集。所有患者均行MRI多参数扫描,通过后处理生成表观扩散系数(apparent diffusion coefficient, ADC)伪彩图,并得到扩散峰度模型中的平均扩散峰度(mean kurtosis, MK)和平均扩散系数(mean diffusivty, MD)伪彩图,图像预处理后,提取各个功能参数图的共计1 056个组学特征,对ADC、MD和MK模型的数据采用最大相关最小冗余(maximum relevance minimum redundancy, MRMR)算法和plasmid-mediated quinolone resistance最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)消除冗余、进行特征降维,保留与标签高相关的特征,应用10倍交叉验证后得到特征子集。最终ADC模型筛选出5个组学特征,MD模型筛选出6个组学特征,MK模型筛选出6个组学特征,建立逻辑回归模型,分别计算临床模型、影像学模型和临床-影像学联合模型的阈值、准确度、敏感度、特异度,绘制受试者工作特征(receiver operating characteristic, ROC)曲线并计算曲线下面积(area under the curve, AUC)及95%置DS-3201临床试验信区间(confidence interval, CI),利用DeLong检验对各个模型进行两两组合,比较两组间的AUC值是否具有统计学意义,进一步使用决策曲线分析(decision curve analysis, DCA)评估模型的净获益。结果 临床模型在训练集中的AUC、特异度和敏感度分别为0.840 (95%CI:0.778~0.901)、 78.7%、 76.8%,在测试集中分别为0.675 (95%CI:0.539~0.812)、 79.0%、 59.2%。影像学模型中ADC模型在训练集中的AUC、特异度和敏感度分别为0.927(95%CI:0.890~0.964)、81.9%、86.9%,在测试集中分别为0.909(95%CI:0.835-0.983)、90.6%、84.1%;MD模型在训练集中的AUC、特异度和敏感度分别为0.934(95%CI:0.899~0.969)、85.1%、84.0%,在测试集中分别为0.960(95%CI:0.910~1.000)、93.0%、85.1%;MK模型在训练集中的AUC、特异度和敏感度分别为0.935 (95%CI:0.900~0.971)、90.4%、84.0%,在测试集中分别为0.856(95%CI:0.770~0.941)、81.3%、66.6%。临床-影像学联合模型在训练集中的AUC、特异度和敏感度分别为0.946 (95%CI:0.91PD0325901分子量2~0.980)、88.2%、89.8%,在测试集中分别为0.963 (95%CI:0.925~1.000)、93.0%、85.1%。DeLong检验结果显示影像学模型和临床-影像学联合模型两两比较差异均无统计学意义(P>0.05),临床模型与其他两个模型的AUC值差异具有统计学意义(Z=2.836,P=0.004)。DCA显示各个模型的阈值概率在0.1~1.0范围内,对临床有净获益,不同模型对csPCa的诊断均具有较高的诊断效能,以临床-影像学联合模型的诊断效能最高。结论 MRI单指数、扩散峰度模型功能参数图的影像组学分析技术是csPCa的有效检出方法,构建的临床-影像学联合模型对csPCa具有较高的诊断价值,能够为临床早期诊断和治疗提供相关技术支持。