Category PI-RADS 3: the role of texture analysis in prostate cancer risk stratification (a systematic review)

Cover Image

Cite item

Full Text

Abstract

BACKGROUND: Prostate changes classified as PI-RADS 3 are a clinical situation requiring diagnostic accuracy and minimization of invasive procedures. Exploring the potential value of texture analysis in magnetic resonance imaging for prostate cancer risk stratification is critical in modern medical diagnostics.

AIM: To systematize and analyze current data on the application of texture analysis for prostate cancer risk stratification in patients with PI-RADS 3 and evaluate its diagnostic significance in differentiating clinically significant from clinically insignificant prostate cancer.

MATERIALS AND METHODS: Articles published in the last 7 years were selected and analyzed from research reference and analytical databases (Medline and Scopus) using search engines (PubMed, Google Scholar, and eLibrary). Keywords related to texture analysis and radiomics regarding prostate cancer diagnosis and risk stratification were used.

RESULTS: Analysis of the selected publications showed that machine learning and texture analysis significantly enhance the diagnostic accuracy of prostate cancer. These methods allow for more accurate risk stratification and determination of the actual need for biopsy, potentially leading to a reduction in unnecessary invasive procedures.

CONCLUSION: Texture analysis potentially enhances diagnostic accuracy in cases of prostate gland changes classified as PI-RADS 3. However, further research focused on standardizing techniques and conducting multicenter clinical trials is required for its widespread clinical application.

About the authors

Alexandra S. Tyan

A.V. Vishnevsky National Medical Research Center of Surgery

Author for correspondence.
Email: tyan_a_s@staff.sechenov.ru
ORCID iD: 0009-0007-4193-7413
SPIN-code: 9110-9827
Russian Federation, Moscow

Grigory G. Kаrmаzаnovsky

A.V. Vishnevsky National Medical Research Center of Surgery; The Russian National Research Medical University named after N.I. Pirogov

Email: karmazanovsky@ixv.ru
ORCID iD: 0000-0002-9357-0998
SPIN-code: 5964-2369

MD, Dr. Sci. (Medicine), Professor, academician of the Russian Academy of Sciences

Russian Federation, Moscow; Moscow

Natalia A. Karelskaya

A.V. Vishnevsky National Medical Research Center of Surgery

Email: karelskaya.n@yandex.ru
ORCID iD: 0000-0001-8723-8916
SPIN-code: 9921-1430

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow

Evgeny V. Kondratyev

A.V. Vishnevsky National Medical Research Center of Surgery

Email: kondratev@ixv.ru
ORCID iD: 0000-0001-7070-3391
SPIN-code: 2702-6526

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow

Alexander А. Gritskevich

A.V. Vishnevsky National Medical Research Center of Surgery

Email: grekaa@mail.ru
ORCID iD: 0000-0002-5160-925X
SPIN-code: 2128-7536

MD, Dr. Sci. (Medicine), Professor

Russian Federation, Moscow

Dmitry V. Kalinin

A.V. Vishnevsky National Medical Research Center of Surgery

Email: dmitry.v.kalinin@gmail.com
ORCID iD: 0000-0001-6247-9481
SPIN-code: 5563-5376

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow

Alexander D. Kovalev

A.V. Vishnevsky National Medical Research Center of Surgery

Email: aledmikov@yandex.ru
ORCID iD: 0009-0001-9944-0473
Russian Federation, Moscow

Anastasiya I. Baeva

A.V. Vishnevsky National Medical Research Center of Surgery

Email: nastya.baeva.2016@mail.ru
ORCID iD: 0000-0003-3747-7411
Russian Federation, Moscow

References

  1. Westphalen AC, McCulloch CE, Anaokar JM, et al. Variability of the Positive Predictive Value of PI-RADS for Prostate MRI across 26 Centers: Experience of the Society of Abdominal Radiology Prostate Cancer Disease-focused Panel. Radiology. 2020;296(1):76–84. doi: 10.1148/radiol.2020190646 EDN: FJNEKA
  2. Wadera A, Alabousi M, Pozdnyakov A, et al. Impact of PI-RADS Category 3 lesions on the diagnostic accuracy of MRI for detecting prostate cancer and the prevalence of prostate cancer within each PI-RADS category: a systematic review and meta-analysis. The British Journal of Radiology. 2020;94(1118):20191050. doi: 10.1259/bjr.20191050
  3. Satei AM, Kaur M, MacLean J, Hakim B. Review of clinically significant cancer in lesions labeled PI-RADS 3 on MRI using PI-RADS Version 2.1. Applied Radiology. 2023;(1 Suppl.):13–19.
  4. Barkovich EJ, Shankar PR, Westphalen AC. A systematic review of the existing prostate imaging reporting and data system version 2 (PI-RADSv2) literature and subset meta-analysis of PI-RADSv2 categories stratified by Gleason Scores. American Journal of Roentgenology. 2019;212(4):847–854. doi: 10.2214/AJR.18.20571
  5. Stanzione A, Gambardella M, Cuocolo R, et al. Prostate MRI radiomics: a systematic review and radiomic quality score assessment. European Journal of Radiology. 2020;129:109095. doi: 10.1016/j.ejrad.2020.109095 EDN: GUEKIR
  6. Bao J, Qiao X, Song Y, et al. Prediction of clinically significant prostate cancer using radiomics models in real-world clinical practice: a retrospective multicenter study. Insights into Imaging. 2024;15(1):68. doi: 10.1186/s13244-024-01631-w EDN: RFQGMA
  7. Gelezhe PB, Blokhin IA, Semenov SS, Caruso D. Magnetic resonance imaging radiomics in prostate cancer radiology: what is currently known? Digital Diagnostics. 2021;2(4):441–452. doi: 10.17816/DD70170 EDN: FFFGWI
  8. Min X, Li M, Dong D, et al. Multi-parametric MRI-based radiomics signature for discriminating between clinically significant and insignificant prostate cancer: cross-validation of a machine learning method. European Journal of Radiology. 2019;115:16–21. doi: 10.1016/j.ejrad.2019.03.010
  9. Woźnicki P, Westhoff N, Huber T, et al. Multiparametric MRI for prostate cancer characterization: combined use of radiomics model with PI-RADS and clinical parameters. Cancers (Basel). 2020;12(7):1767. doi: 10.3390/cancers12071767 EDN: DMCTFH
  10. Kwon D, Reis IM, Breto AL, et al. Classification of suspicious lesions on prostate multiparametric MRI using machine learning. Journal of Medical Imaging. 2018;5(3):034502. doi: 10.1117/1.JMI.5.3.034502
  11. He M, Cao Y, Chi C, et al. Research progress on deep learning in magnetic resonance imaging–based diagnosis and treatment of prostate cancer: a review on the current status and perspectives. Frontiers in Oncology. 2023;13:1189370. doi: 10.3389/fonc.2023.1189370 EDN: FEZIDE
  12. Chen Z, Li Z, Dou R, et al. Personalized optimization of systematic prostate biopsy core number based on mpMRI radiomics features: a large–sample retrospective analysis. BMC Cancer. 2025;25(1):116. doi: 10.1186/s12885-024-13391-3
  13. Hermie I, Van Besien J, De Visschere P, et al. Which clinical and radiological characteristics can predict clinically significant prostate cancer in PI-RADS 3 lesions? A retrospective study in a high-volume academic center. European Journal of Radiology. 2019;114:92–98. doi: 10.1016/j.ejrad.2019.02.031
  14. Epstein JI, Egevad L, Amin MB, et al. The 2014 International Society of Urological Pathology (ISUP) consensus conference on gleason grading of prostatic carcinoma. American Journal of Surgical Pathology. 2016;40(2):244–252. doi: 10.1097/PAS.0000000000000530
  15. Gulin GA, Zyryanov AV, Rubtsova NA, et al. Multiparametric magnetic resonance imaging and combined prostate biopsy: opportunities, advantages and pitfalls. Medical Visualization. 2021;25(2):138–152. doi: 10.24835/1607-0763-1023 EDN: MSXQIH
  16. Jin P, Shen J, Yang L, et al. Machine learning-based radiomics model to predict benign and malignant PI-RADS v2.1 category 3 lesions: a retrospective multi-center study. BMC Medical Imaging. 2023;23(1):47. doi: 10.1186/s12880-023-01002-9 EDN: QFWKOM
  17. Sonmez G, Tombul ST, Demirtas T, Demirtas A. Clinical factors for predicting malignancy in patients with PSA <10 ng/mL and PI-RADS 3 lesions. Asia-Pacific Journal of Clinical Oncology. 2020;17(2):e94–e99. doi: 10.1111/ajco.13347 EDN: ZVXTXF
  18. Vasilev AV, Mishchenko AV, Kadyrleev RA, et al. Cognitive mpMRI/TRUS biopsy of the prostate with using strain elastography. Medical Visualization. 2019;23(2):100–108. doi: 10.24835/1607-0763-2019-2-100-108 EDN: UPQEEH
  19. Fang AM, Shumaker LA, Martin KD, et al. Multi-institutional analysis of clinical and imaging risk factors for detecting clinically significant prostate cancer in men with PI-RADS 3 lesions. Cancer. 2022;128(18):3287–3296. doi: 10.1002/cncr.34355 EDN: HHUNTK
  20. Park KJ, Choi SH, Lee JS, et al. Risk stratification of prostate cancer according to PI-RADS® version 2 categories: meta-analysis for prospective studies. The Journal of Urology. 2020;204(6):1141–1149. doi: 10.1097/ju.0000000000001306 EDN: ASHPIN
  21. Önder Ö, Ayva M, Yaraşır Y, et al. Long-term follow-up results of multiparametric prostate MRI and the prognostic value of PI-RADS: a single-center retrospective cohort study. Diagnostic and Interventional Radiology. 2024;30(3):139–151. doi: 10.4274/dir.2023.232414
  22. Gromov AI, Kapustin VV. Usage of PI-RADS v2.1 system for prostate MRI: a practical approach. Medical Visualization. 2019;23(3):107–125. doi: 10.24835/1607-0763-2019-3-107-125 EDN: AHBXBT
  23. Gupta RT, Mehta KA, Turkbey B, Verma S. PI-RADS: Past, present, and future. Journal of Magnetic Resonance Imaging. 2020;52(1):33–53. doi: 10.1002/jmri.26896
  24. Washino S, Okochi T, Saito K, et al. Combination of prostate imaging reporting and data system (PI-RADS) score and prostate-specific antigen (PSA) density predicts biopsy outcome in prostate biopsy naïve patients. BJU International. 2017;119(2):225–233. doi: 10.1111/bju.13465
  25. Giambelluca D, Cannella R, Vernuccio F, et al. PI-RADS 3 lesions: role of prostate MRI texture analysis in the identification of prostate cancer. Current Problems in Diagnostic Radiology. 2021;50(2):175–185. doi: 10.1067/j.cpradiol.2019.10.009 EDN: KZLCMA
  26. Kаrmаzаnovsky GG, Shantarevich MY, Stashkiv VI, Revishvili AS. Reproducibility of CT and MRI texture features of hepatocellular carcinoma. Medical Visualization. 2023;27(3):84–93. doi: 10.24835/1607-0763-1372 EDN: BVBFNX
  27. Ferro M, de Cobelli O, Musi G, et al. Radiomics in prostate cancer: an up-to-date review. Therapeutic Advances in Urology. 2022;14:17562872221109020. doi: 10.1177/17562872221109020
  28. Fischer S, Tahoun M, Klaan B, et al. A Radiogenomic approach for decoding molecular mechanisms underlying tumor progression in prostate cancer. Cancers. 2019;11(9):1293. doi: 10.3390/cancers11091293
  29. Hectors SJ, Chen C, Chen J, et al. Magnetic resonance imaging radiomics-based machine learning prediction of clinically significant prostate cancer in equivocal PI-RADS 3 lesions. Journal of Magnetic Resonance Imaging. 2021;54(5):1466–1473. doi: 10.1002/jmri.27692 EDN: SGBOWM
  30. Magoulianitis V, Yang J, Yang Y, et al. PCa-RadHop: a transparent and lightweight feed-forward method for clinically significant prostate cancer segmentation. Computerized Medical Imaging and Graphics. 2024;116:102408. doi: 10.1016/j.compmedimag.2024.102408 EDN: XEOIXK
  31. Penzias G, Singanamalli A, Elliott R, et al. Identifying the morphologic basis for radiomic features in distinguishing different Gleason grades of prostate cancer on MRI: preliminary findings. PLOS ONE. 2018;13(8):e0200730. doi: 10.1371/journal.pone.0200730
  32. Qi Y, Zhang S, Wei J, et al. Multiparametric MRI-Based radiomics for prostate cancer screening with PSA in 4–10 ng/mL to reduce unnecessary biopsies. Journal of Magnetic Resonance Imaging. 2019;51(6):1890–1899. doi: 10.1002/jmri.27008 EDN: EINUYX
  33. Gong L, Xu M, Fang M, et al. Noninvasive prediction of high-grade prostate cancer via biparametric MRI radiomics. Journal of Magnetic Resonance Imaging. 2020;52(4):1102–1109. doi: 10.1002/jmri.27132 EDN: EMVNVC
  34. Wang Y, Liu W, Chen Z, et al. A noninvasive method for predicting clinically significant prostate cancer using magnetic resonance imaging combined with PRKY promoter methylation level: a machine learning study. BMC Medical Imaging. 2024;24(1):60. doi: 10.1186/s12880-024-01236-1 EDN: RASMDD
  35. Corsi A, De Bernardi E, Bonaffini PA, et al. Radiomics in PI-RADS 3 multiparametric MRI for prostate cancer identification: literature models re-Implementation and proposal of a clinical–radiological model. Journal of Clinical Medicine. 2022;11(21):6304. doi: 10.3390/jcm11216304 EDN: GGECVG
  36. Brancato V, Aiello M, Basso L, et al. Evaluation of a multiparametric MRI radiomic-based approach for stratification of equivocal PI-RADS 3 and upgraded PI-RADS 4 prostatic lesions. Scientific Reports. 2021;11(1):643. doi: 10.1038/s41598-020-80749-5 EDN: HAJXQY
  37. Hou Y, Bao ML, Wu CJ, et al. A radiomics machine learning-based redefining score robustly identifies clinically significant prostate cancer in equivocal PI-RADS score 3 lesions. Abdominal Radiology. 2020;45(12):4223–4234. doi: 10.1007/s00261-020-02678-1 EDN: JHWPET
  38. Zhang Y, Chen W, Yue X, et al. Development of a novel, multi-parametric, MRI-based radiomic nomogram for differentiating between clinically significant and insignificant prostate cancer. Frontiers in Oncology. 2020;10(FEB):888. doi: 10.3389/fonc.2020.00888 EDN: QTDXSC
  39. Gresser E, Schachtner B, Stüber AT, et al. Performance variability of radiomics machine learning models for the detection of clinically significant prostate cancer in heterogeneous MRI datasets. Quantitative Imaging in Medicine and Surgery. 2022;12(11):4990–5003. doi: 10.21037/qims-22-265 EDN: JIFGJJ
  40. Krauss W, Frey J, Heydorn Lagerlöf J, et al. Radiomics from multisite MRI and clinical data to predict clinically significant prostate cancer. Acta Radiologica. 2023;65(3):307–317. doi: 10.1177/02841851231216555 EDN: VVMHZC
  41. Huang EP, O’Connor JPB, McShane LM, et al. Criteria for the translation of radiomics into clinically useful tests. Nature Reviews Clinical Oncology. 2022;20(2):69–82. doi: 10.1038/s41571-022-00707-0 EDN: XNGIOB

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Appendix 1. Summary of studies on the application of texture analysis in the diagnosis of clinically significant prostate cancer
Download (34KB)
Indexing metadata
3. Fig. 1

Download (208KB)
Indexing metadata
4. Fig. 2

Download (240KB)
Indexing metadata

Copyright (c) 2025 Eco-Vector

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».