基于CT影像组学特征的多机器学习模型预测肌层浸润性膀胱癌预后的临床价值研究

本研究针对肌层浸润性膀胱癌(MIBC)预后评估的临床难题，通过整合TCGA/TCIA数据库及医院回顾性队列的增强CT影像组学特征，采用梯度提升机(GBM)等5种机器学习算法构建预测模型。结果显示，GBM模型在训练组(2年AUC=0.859)、验证组(3年AUC=0.895)及外部测试组均表现优异，联合临床特征构建的列线图模型进一步将3年OS预测AUC提升至0.982。该研究为MIBC个体化治疗决策提供了非侵入性量化工具。

　　

肌层浸润性膀胱癌(MIBC)作为泌尿系统高度恶性肿瘤，约占膀胱癌病例的25%，其术后高复发率和死亡率始终是临床面临的严峻挑战。尽管根治性膀胱切除术(RC)是标准治疗手段，但由于肿瘤异质性显著，患者预后差异巨大，传统TNM分期系统难以满足精准医疗需求。这种现状促使研究者将目光投向新兴的影像组学技术——通过将医学图像转化为高通量特征数据，结合机器学习算法挖掘隐藏的预后信息。

南昌大学第二附属医院联合多学科团队开展了一项突破性研究，通过分析TCGA/TCIA数据库中91例MIBC患者及54例本地医院病例的增强CT影像，首次系统比较了五种机器学习算法在MIBC预后预测中的性能差异。研究发现基于8个关键影像组学特征构建的梯度提升机(GBM)模型表现最优，其3年总生存期(OS)预测在验证组达到AUC=0.895。更引人注目的是，将GBM模型输出的放射组学评分(rad-score)与年龄、病理T分期整合构建的列线图模型，在验证组展现出惊人的0.982预测准确度。这项发表于《BMC Cancer》的研究，为MIBC个体化治疗提供了可量化的决策支持工具。

关键技术方法包括：从TCGA/TCIA数据库获取91例MIBC患者CT影像及临床数据，另收集54例本地医院病例作为外部验证；使用3D Slicer软件进行肿瘤区域勾画，通过pyradiomics工具包提取836个影像组学特征；采用LASSO-Cox回归筛选出8个预后相关特征；比较GBM、COXBOOT等5种机器学习算法性能；通过SHAP方法解释模型特征重要性；构建包含rad-score的临床-影像联合列线图。

基线临床特征分析
研究纳入的145例MIBC患者（TCGA组91例，外部验证组54例）临床病理特征均衡。值得注意的是，TCGA组48%患者死亡，而外部验证组仅37%，但统计学分析显示组间差异不显著（P>0.05）。T3期患者占比最高（训练组56%，验证组68%），反映MIBC侵袭性强的生物学特性。

特征选择与模型构建
从836个初始特征中，通过单变量Cox回归筛选22个显著特征（P<0.05），进一步经LASSO回归确定8个核心特征，包括wavelet.LHH_glcm Imc1（灰度共生矩阵特征）、wavelet.HLL_gldm DependenceEntropy（灰度依赖矩阵熵）等。Spearman热图证实这些特征间相关性<0.8，满足模型构建要求。

模型性能验证
GBM模型在时间依赖性C指数曲线中表现最优，其3年OS预测AUC在训练组、验证组、外部测试组分别为0.809、0.895和0.730。SHAP分析揭示wavelet.HLL_glcm ClusterProminence（簇突出度）等3个特征呈正向预后影响，其余5个为负向影响。部分依赖图(PDP)显示部分特征与预后呈非线性关系，解释了传统线性rad-score模型的局限性。

列线图临床应用价值
整合rad-score、年龄和T分期的列线图显著提升预测效能：3年OS预测AUC在验证组达0.982（95%CI:0.84-1.0）。决策曲线分析显示，当阈值概率>2.8%时，模型在所有组别均能提供临床净获益。KM曲线证实列线图可有效区分高低风险组（P<0.05），低风险组患者中位生存期显著延长。

该研究通过多中心数据验证，证实基于CT影像组学的机器学习模型能有效预测MIBC预后，其创新性体现在三方面：首次系统比较多种算法在MIBC预后预测中的性能差异；突破传统线性评分局限，通过SHAP解释复杂特征关系；开发的列线图工具可直接整合至电子病历系统。尽管存在样本量有限、随访时间较短等局限，但研究为MIBC精准医疗提供了可推广的技术框架，未来通过纳入循环肿瘤DNA等分子标志物，有望构建更完善的多组学预测体系。