基于CT瘤内亚区无监督学习的膀胱癌肌层浸润及AJCC分期风险预测模型研究

本研究针对膀胱癌(BCa)术前肌层浸润(MIBC)和AJCC分期评估的临床难题，通过无监督聚类算法分割CT瘤内异质性(ITH)亚区，构建多尺度放射组学模型。结果显示融合模型预测MIBC和AJCC分期的AUROC分别达0.884和0.832，显著优于传统全肿瘤模型(p<0.004)，为BCa精准治疗决策提供了非侵入性分层工具。

　　

膀胱癌作为全球第二大泌尿系统恶性肿瘤，每年导致约20万例死亡，其治疗策略高度依赖术前肌层浸润(MIBC)和美国癌症联合委员会(AJCC)分期的准确评估。然而，现有临床手段面临巨大挑战：CT视觉评估存在观察者间差异，术前活检因采样局限可能低估肿瘤侵袭程度，而 cystoscopy 无法显示肿瘤外周浸润情况。这些局限性促使研究者探索基于影像组学的客观量化方法。

山东省立医院放射科 Ying Wang 团队联合多中心开展了一项突破性研究，通过无监督聚类算法解析CT影像中膀胱癌的瘤内异质性(ITH)，构建了首个融合瘤内亚区放射组学特征的预测模型。该研究纳入1017例经病理证实的膀胱癌患者，利用K-Means++算法将肿瘤划分为3个功能亚区，从全肿瘤及亚区提取1218个放射组学特征，最终开发出7种机器学习模型。论文发表于《BMC Medicine》，证实亚区模型对MIBC和AJCC分期的预测效能显著优于传统方法。

关键技术包括：1) 多中心回顾性队列设计(中心A 778例、中心B 239例)；2) 静脉期CT图像手工勾画肿瘤体积(VOIs)；3) 基于肘部法则确定最优亚区数量(K=3)；4) PyRadiomics提取形状/纹理特征；5) 嵌套交叉验证优化SVM/RF等6种算法；6) SHAP方法解析特征贡献度。

瘤内亚区划分与特征分析
通过肘部法确定3个瘤内亚区具有最佳聚类效果。亚区1(边缘区)呈现混合型特征(纹理+形状)，亚区2(中心区)以形态学特征(Original_Maximum2DDiameterSlice)为主，亚区3(核心区)则显著富集ZoneEntropy纹理特征。这种空间分布模式暗示亚区2可能反映侵袭深度，而亚区3的异质性特征与肿瘤微环境相关。

肌肉浸润预测效能
在外部验证集中，合并亚区模型的AUROC达0.871(95%CI 0.826-0.917)，较全肿瘤模型提高8.3%(p=0.004)。关键贡献特征包括：亚区1的LoG(σ=5 mm)GLZSM_ZoneEntropy(Shapley值0.35)、亚区2的最大二维直径(0.43)及亚区3的LoG(σ=2 mm)GLZSM_ZoneEntropy(0.36)。病例解读显示MIBC患者亚区1/3的ZoneEntropy阈值分别达4.5和3.79，提示高异质性与肌层浸润正相关。

AJCC分期预测突破
合并亚区模型对AJCC高风险组(≥III期)的预测AUROC为0.832，较临床病理模型(0.580)显著提升(p<0.001)。亚区1的短轴长度(阈值13.8mm)、亚区2的最大直径(42.1mm)和亚区3的ZoneEntropy(4.14)构成核心预测指标。这证实肿瘤几何特征与转移潜能存在定量关联。

讨论与临床转化价值
该研究首次证实CT亚区放射组学可解码膀胱癌的空间异质性：1) 形态学特征(亚区2)主要预测局部侵袭，2) 纹理特征(亚区3)反映生物学侵袭性，3) 边缘区(亚区1)特征兼具双重预测价值。相较于既往VI-RADS系统的主观评估，该模型将MIBC诊断准确率提升至81.2%，且能同步预测AJCC分期，对指导保留膀胱手术或根治性切除具有决策价值。

局限性包括回顾性设计的选择偏倚、单时相CT的信息损失等。未来需通过前瞻性试验验证，并探索与基因组数据的跨组学整合。该成果为实体瘤影像组学研究提供了新范式，证明无监督亚区分析可挖掘传统放射组学忽略的深层生物信息，有望推动精准肿瘤学发展。