摘要目的 建立一种3D超分辨率重组双参数MRI(bp-MRI)影像组学特征、临床特征相结合的联合模型,评价其术前预测前列腺癌(PCa)的价值.方法 回顾性分析436例疑似PCa而进行MRI检查和病理检查的患者资料.搜集其临床及影像资料,经单、多因素Logistic回归分析筛选出临床特征,采用基于深度学习生成对抗网络(GAN)的3D超分辨率重组技术,将MRI图像空间分辨率提高4倍,提取并筛选DWI(b=800 s/mm2)和ADC图像中的影像组学特征,采用极端随机树分类器构建临床模型、DWI模型、ADC模型、bp-MRI模型(DWI特征+ADC特征)及联合模型(临床特征+DWI特征+ADC特征).应用受试者工作特征(ROC)曲线、校准曲线、临床决策(DCA)曲线、DeLong检验评估并比较各模型预测PCa的效能.基丁最优模型,采用SHAP-Value分析可视化特征在模型中的贡献,并建立列线图.结果 结合临床特征(年龄、tPSA)与3D超分辨率重组bp-MRI影像组学特征构建的联合模型,在训练集和测试集中AUC值(0.933,0.932)、准确度(86.2％,87.8％)等方面均表现优异.结合ROC曲线及DeLong检验结果显示,训练集和测试集中联合模型的AUC值较临床模型(0.827,0.868)和ADC模型(0.891,0.816)均有显著的提升(均P＜0.05).在校准曲线中,联合模型预测的概率与实际观察结果紧密吻合,显示出极佳的校准性能.DCA曲线显示联合模型在训练集约0.05～0.95的阈值拥有与DWI模型相当,且优于其他3个模型的净收益,在测试集约0.05～0.75、0.80～0.95阈值内拥有较其他模型更高的临床净收益.联合模型的特征在SHAP-Value图中展现出良好的独立性.结论 基于3D超分辨率重组bp-MRI影像组学与临床特征构建的术前PCa预测模型,有助于精准识别PCa,减少不必要的侵入性活检.