多模态数据融合预测激素敏感性前列腺癌进展：基于蛋白质组学、影像组学与病理组学的机器学习模型

本研究针对激素敏感性前列腺癌(HSPC)向去势抵抗性前列腺癌(CRPC)快速进展的临床预测难题，整合蛋白质组学、磁共振成像(MRI)和组织病理学等多模态数据，通过Boruta算法和LASSO回归筛选出30个关键特征，构建了C-index达0.906的列线图模型。该研究首次实现多组学数据驱动的HSPC进展风险分层，为临床个性化治疗决策提供新工具，成果发表于《Clinical Proteomics》。

　　

前列腺癌作为男性第二大常见恶性肿瘤，其治疗过程中最棘手的临床挑战莫过于激素敏感性前列腺癌(HSPC)向致死性去势抵抗性前列腺癌(CRPC)的转化。尽管雄激素剥夺治疗(ADT)初期效果显著，但约90%患者会在5年内进展为CRPC，其中7个月内快速进展者的死亡风险激增4倍。现有临床分期标准如CHAARTED和LATITUDE试验采用的体积/风险分层方法，对部分低体积患者仍存在预测盲区，凸显出开发新型生物标志物的迫切需求。

大连医科大学附属第二医院联合大连理工大学的研究团队在《Clinical Proteomics》发表创新性研究，通过整合蛋白质组学、数字病理学和放射组学多模态数据，成功构建HSPC进展预测模型。研究团队收集77例HSPC患者的临床样本，采用PCT-PulseDIA技术分析7423种蛋白质表达，基于ResNet50卷积神经网络提取2048维病理图像特征，并通过Pyradiomics包从T2WI和ADC序列提取1600个放射组学特征。通过Boruta算法筛选出63个蛋白质标志物、60个HE染色标志物、56个T2WI标志物和54个ADC标志物后，进一步采用LASSO-Cox回归确定30个关键特征，最终建立的列线图模型在测试集展现出色判别力(AUC=0.97，C-index=0.906)。

关键技术方法包括：1)采用PCT辅助的脉冲式数据非依赖采集(PulseDIA)质谱技术分析FFPE样本蛋白质组；2)基于ResNet50深度学习网络提取H&E全切片图像(WSI)特征；3)使用3D Slicer手动勾画MRI病灶并提取放射组学特征；4)通过Boruta算法和LASSO回归进行多模态特征筛选；5)采用六种机器学习算法(GBDT、RF、AdaBoost、SVM、KNN、高斯朴素贝叶斯)验证特征效能。

【蛋白质组学特征筛选与分层】
研究鉴定出ASPH(天冬氨酸β-羟化酶)和PAXX(非同源末端连接因子)等63个关键蛋白，SVM模型分类AUC达0.893。KEGG分析显示这些蛋白富集于非洲锥虫病、甲状腺激素合成和谷胱甘肽代谢通路，GO分析揭示其与P型离子转运活性、过氧化氢分解过程等生物过程相关。

【组织病理学特征筛选与分层】
通过对77例H&E染色全切片生成的数万张256×256像素图块进行ResNet50特征提取，筛选的60个病理组学特征在随机森林模型中实现0.958的惊人分类准确率，显著超越传统Gleason评分系统。

【MRI特征筛选与分层】
从T2WI和ADC序列提取的1575个放射组学特征中，T2WI-log-sigma-4-0-mm-3D_GLCM_IMC2等形状特征和ADC-Exponential_GLCM_Correlation等纹理特征最具判别力，AdaBoost模型对ADC特征的分类AUC达0.846。

【多模态预后模型】
整合16个蛋白质特征、10个病理特征和4个影像特征的30变量模型，通过多因素Cox回归构建的列线图可预测12/18/24个月进展风险。该模型突破单一组学局限，首次实现蛋白质组异常、病理架构改变与影像表型的跨尺度关联。

这项研究开创性地证实：1)多模态整合可克服单一组学噪声，提升预测稳健性；2)ASPH和PAXX等蛋白可能成为CRPC转化的新型分子开关；3)深度学习的病理特征提取可突破Gleason评分局限；4)GLCM纹理分析为影像标志物开发提供新方向。尽管存在样本量限制，该研究为前列腺癌精准医疗提供了可解释的生物标志物体系，其"蛋白质-病理-影像"三元整合策略为其他肿瘤预后研究树立了新范式。未来需通过多中心验证推动该模型向临床决策支持系统转化，最终实现从"一刀切"治疗向风险自适应治疗的跨越。