一种基于非侵入性MRI的多模态融合深度学习模型（MF-DLM），用于预测膀胱癌患者的总生存期：一项多中心回顾性研究

《Eating Behaviors》：A non-invasive MRI-based multimodal fusion deep learning model (MF-DLM) for predicting overall survival in bladder cancer: a multicentre retrospective study

基于多模态融合深度学习模型（MF-DLM）的回顾性多中心研究，整合3D DL特征、3D radiomics特征、形态学MRI特征及临床数据，验证其在预测膀胱癌（BCa）患者总生存期（OS）中的高性能（C-index 0.902-0.841），并揭示其超越病理T分期和N分期的分层价值，指导围手术期治疗决策。

　　这项研究聚焦于膀胱癌（BCa）的预后预测，提出了一种基于磁共振成像（MRI）的非侵入性模型，称为多模态融合深度学习模型（MF-DLM），以提高对患者总体生存率（OS）的预测能力。膀胱癌作为泌尿系统中最常见的恶性肿瘤之一，其治疗方案和预后评估通常依赖于肿瘤是否侵犯肌肉以及患者的分期情况。然而，即便在同一T分期下，患者的预后也可能存在显著差异，因此，精准的预后预测对于制定个性化的治疗策略具有重要意义。

目前，膀胱癌的预后评估主要依赖于传统的TNM分期系统，该系统虽然在临床实践中广泛应用，但其局限性在于未能充分考虑肿瘤的异质性及生物学特性。因此，研究人员探索了基于影像学的替代方法，以更准确地评估患者的预后。MRI因其出色的对比分辨率，已成为术前诊断和分期的重要工具。然而，MRI基于的形态学特征虽然与预后相关，但其对肿瘤深层生物学特性的捕捉能力仍有限。为了弥补这一不足，研究者引入了影像组学（radiomics）技术，该技术通过从医学影像中自动提取和分析大量定量数据，能够提供比传统形态学评估更为细致和精确的肿瘤特征描述。此外，深度学习（DL）技术因其能够直接处理医学影像并捕捉超出已知影像组学特征的模式，展现出在癌症诊断和复发风险评估方面的巨大潜力。

研究团队提出了一种创新性的方法，即通过结合深度学习、影像组学、可解释的形态学特征以及临床特征，构建一个跨模态的深度学习模型。这种方法旨在更全面地反映肿瘤的生物学行为，从而实现更精准的预后预测。模型采用了一种交叉注意力机制，用于整合不同模态的信息，使得深度学习提取的特征能够与影像组学特征、形态学特征和临床特征进行有效的融合。通过这种方式，模型能够捕捉到不同特征之间的互补信息，从而提高预测的准确性。

研究共纳入了来自八个机构的1131名患者，其中871名来自一个中心，按8:2的比例随机分为训练集（n=697）和内部验证集（n=174）。此外，还有260名患者来自七个中心，作为外部测试集。研究人员对训练集和内部验证集进行了模型训练和验证，并通过外部测试集评估了模型的泛化能力。结果显示，MF-DLM在训练集、内部验证集和外部测试集中分别达到了0.902、0.864和0.841的C指数，显著优于传统的病理T分期（pT stage）在这些集中的表现。C指数是一种衡量模型区分能力的指标，数值越高，表示模型的预测能力越强。

模型的预测结果表明，低风险组患者的总体生存时间显著长于高风险组患者。这一发现不仅有助于患者的预后分层，还可能为临床决策提供依据。特别是在接受辅助治疗（AT）的患者中，高风险患者与低风险患者的预后差异更为显著，而低风险的病理T3/4患者在接受辅助治疗后，其总体生存率明显提升。这说明，基于MF-DLM的风险分组能够帮助识别哪些患者最有可能从辅助治疗中获益，从而优化治疗策略。此外，在新辅助治疗（NAT）患者中，低风险组患者的总体生存率也优于高风险组患者，进一步表明该模型在治疗决策中的潜在价值。

为了验证模型的临床适用性，研究团队对模型的可解释性进行了评估，采用了Shapley additive explanations（SHAP）和Gradient-weighted class activation mapping（Grad-CAM）等方法。这些方法不仅有助于理解模型的预测依据，还能为临床医生提供直观的图像解释，从而增强模型的可信度和实用性。SHAP分析显示，模型中基于交叉注意力的融合特征在生存预测任务中占据了43.1%的重要性，表明这些特征在模型预测中起到了关键作用。同时，模型的高风险组与多种不良病理特征显著相关，如更高的T和N分期、高分级肿瘤、变异型尿路上皮亚型和淋巴管浸润等，而低风险组则表现出较高的肿瘤-间质比（TSR）和三级淋巴结构（TLSs）比例，这些特征已被证实与治疗反应密切相关。

值得注意的是，虽然模型在多个方面表现出色，但研究也指出了其局限性。首先，该模型是基于回顾性数据训练和测试的，且数据主要来自一个相对同质化的种族和医疗环境，这可能引入一定的偏倚和未测量的混杂因素。其次，为了确保模型的临床适用性和数据完整性，研究团队排除了动态对比增强（DCE）序列，这虽然限制了模型对灌注动力学的利用，但也保证了其在无法接受DCE的患者中的适用性。此外，尽管中位随访时间超过了三年，但样本量的减少限制了对五年预后评估的精确度。最后，尽管使用了SHAP和Grad-CAM等后处理分析方法，但Grad-CAM仅能解释图像分支，未能涵盖所有模态的信息，这表明未来的研究仍需进一步探索更全面的可解释性方法。

综上所述，这项研究成功开发并验证了一个基于MRI的非侵入性预后预测模型，该模型在预测膀胱癌患者的总体生存率方面表现出色，其多模态融合方法不仅提升了模型的预测能力，还提供了潜在的临床应用价值。通过将深度学习、影像组学、形态学特征和临床特征相结合，该模型能够更全面地反映肿瘤的生物学行为，为患者的风险分层和治疗决策提供科学依据。然而，模型在临床应用中仍面临一些挑战，如数据同质性、影像模态的限制以及可解释性的进一步提升等。未来的研究可以针对这些问题进行优化，以提高模型的准确性和泛化能力，使其在更广泛的临床环境中发挥作用。