编辑推荐：
上皮性卵巢癌（EOC）预后评估存在挑战。为提升预测准确性，研究人员开发并验证基于 CT 的影像组学列线图预测 EOC 患者无进展生存期（PFS）。结合临床特征与影像组学评分，模型在训练 / 测试集 C-index 为 0.78/0.73，为临床决策提供无创新工具。
卵巢癌是妇科恶性肿瘤中的 “沉默杀手”，其死亡率逐年攀升，而上皮性卵巢癌（EOC）作为最常见类型，约占卵巢癌死亡病例的 70%。尽管 80% 的 EOC 患者通过肿瘤细胞减灭术和以顺铂为基础的化疗可实现临床完全缓解，但约 25% 的晚期患者在 6 个月内复发，70% 以上在 3 年内复发，中位无进展生存期（PFS）仅 18 个月。目前，血清生物标志物如癌抗原 125（CA125）和人附睾蛋白 4 虽有一定预测价值，但特异性有限；CT 虽为常用诊断工具，却依赖放射科医生主观经验，缺乏客观量化指标。因此，开发一种无创、精准的预后预测方法对指导个性化治疗至关重要。
为此，南昌大学第二附属医院联合江西省智能医学影像重点实验室等国内机构的研究人员，开展了基于 CT 影像组学的 EOC 患者 PFS 预测研究。该研究成果发表在《BMC Cancer》，为 EOC 的预后评估提供了新方向。
研究人员采用多中心回顾性队列研究，纳入 144 例 EOC 患者（来自两个医院及 TCGA、TCIA 公共数据库），按 7:3 比例分为训练集（101 例）和测试集（43 例）。主要技术方法包括：①CT 影像预处理：使用 Python 3.9 对图像进行重采样和灰度归一化；②感兴趣区（ROI）分割：由放射科医生通过 3D Slicer 软件手动勾画原发肿瘤，排除血管和钙化区域；③影像组学特征提取：利用 PyRadiomics 包从原始及 8 种小波滤波图像中提取 851 个特征，涵盖形状、一阶、纹理和小波特征；④特征选择：通过 Pearson 相关分析（排除相关性≥0.9 的特征）和 LASSO Cox 回归算法，筛选出 12 个关键特征构建影像组学评分（rad-score）；⑤模型构建：结合临床独立危险因素（FIGO 分期、残余肿瘤）与 rad-score 建立列线图模型，并通过一致性指数（C-index）、校准曲线等评估预测效能。
研究结果
基线特征与独立危险因素
训练集和测试集在年龄、FIGO 分期、残余肿瘤等临床特征上无显著差异。单因素和多因素 Cox 回归分析显示，FIGO 分期（HR=0.576, 95% CI: 0.336–0.989, P=0.045）和残余肿瘤（HR=0.455, 95% CI: 0.288–0.718, P=0.001）是 PFS 的独立危险因素，晚期患者及残余肿瘤 > 1 cm 者预后更差。
影像组学特征筛选与模型效能
经 LASSO Cox 回归筛选出 12 个特征（含 1 个原始特征和 11 个小波特征），其中 wavelet-HHH_glcm-Imc 与 PFS 关联最显著。组合模型（临床 + 影像组学）在训练集和测试集的 C-index 分别为 0.78（95% CI: 0.689–0.889）和 0.73（95% CI: 0.572–0.886），显著优于单纯临床模型（C-index=0.61）和影像组学模型（C-index=0.73/0.70）。预测 1 年、3 年、5 年 PFS 的受试者工作特征曲线下面积（AUC）分别为 0.850、0.828、0.845，校准曲线显示预测与实际结果高度一致。
列线图的临床应用
研究构建的列线图整合了 FIGO 分期、残余肿瘤和 rad-score，通过量化各变量得分可直观预测患者 1 年、3 年、5 年 PFS 风险。决策曲线分析（DCA）显示，该模型在不同阈值概率下的净获益显著高于单一模型，具有临床实用性。
结论与讨论
本研究开发的 CT 影像组学列线图整合了临床特征与影像组学信息，为 EOC 患者提供了一种无创、便捷的 PFS 预测工具。影像组学通过量化 CT 图像的像素和空间分布特征，挖掘了肉眼不可见的肿瘤异质性信息，尤其是小波变换后的纹理特征（如 GLCM_Imc）可反映肿瘤细胞黏附性及微环境重塑，为预后评估提供了新生物标志物。
研究的多中心设计降低了单一机构数据偏倚，增强了模型泛化能力。尽管存在未纳入外部独立验证队列、仅分析动脉期 CT 图像、手动分割 ROI 耗时长等局限性，但其创新性地结合临床与影像特征，为卵巢癌精准医疗提供了新范式。未来可进一步开发自动化分割技术、纳入多期相影像数据，并通过前瞻性研究验证模型，以推动其临床转化应用。该研究不仅深化了影像组学在妇科肿瘤中的应用，也为其他实体瘤的预后预测提供了方法学参考。
