喉鳞状细胞癌Ki-67阳性预测：栖息地影像组学提升列线图准确性

针对喉鳞状细胞癌(LSCC)Ki-67阳性(>45%)预测难题，山西医科大学第一医院团队创新性将栖息地影像组学(HI)应用于静脉期CT图像分析，结合传统影像组学与分化程度构建列线图模型，训练组AUC达0.945，显著优于单一模型，为LSCC无创预后评估提供新范式。

　　

喉癌作为头颈部第七大常见恶性肿瘤，其中喉鳞状细胞癌(LSCC)占比高达20%。Ki-67作为细胞增殖标志物，其高表达(>45%)与LSCC不良预后显著相关，但传统活检存在取样局限、时空异质性等问题。尽管CT等影像技术已广泛应用，传统影像组学将肿瘤视为均质整体的假设，与LSCC高度异质的生物学特性（如核心区角化细胞与边缘恶性细胞的分布差异）存在根本矛盾。

山西医科大学第一医院团队在《European Journal of Radiology Open》发表的研究，创新性地将栖息地影像组学(Habitat Imaging radiomics, HI)引入LSCC评估。通过静脉期双能CT扫描128例患者（训练集89例/测试集39例），采用K-means聚类将肿瘤划分为3个亚区（经Calinski-Harabasz指数验证），结合5种机器学习算法构建模型。关键技术包括：(1)静脉期双能CT图像采集；(2)3D Slicer手动ROI勾画与K-means亚区划分；(3)Pyradiomics提取1834个传统特征和5502个HI特征；(4)LASSO回归筛选17个关键特征；(5)MLP算法构建最优预测模型。

【研究结果】
3.1 临床特征模型：分化程度（低/中vs高）是唯一独立预测因子（OR=5.594），训练组AUC 0.798。
3.3 HI模型优势：HI模型AUC（训练0.863/测试0.803）显著高于传统模型（0.802/0.718），证实亚区分析更能反映异质性。
3.4 列线图效能：整合分化程度与RadScore的列线图表现最优，训练组AUC达0.945，决策曲线分析显示最高临床净获益。典型案例显示，对62岁低分化患者预测阳性概率91%（术后验证60%），76岁高分化患者预测17%（验证40%）。

【结论与意义】
该研究首次证实HI通过量化LSCC三维异质性，可突破传统影像组学局限。所构建的"临床-影像"多模态列线图，较单一模型提升12.3%预测精度，为术前无创评估Ki-67状态提供可靠工具。未来需通过多中心研究验证自动化ROI分割的可行性，并探索不同亚区特征的生物学意义。这项136山西省医学专项支持的研究，为LSCC精准诊疗开辟了新路径。