基于CT影像组学的多中心研究预测上皮性卵巢癌铂类化疗敏感性

本研究针对上皮性卵巢癌(EOC)铂类耐药这一临床难题，通过多中心回顾性分析703例患者的增强CT(ceCT)影像数据，构建了基于11个放射组学特征的Extra Trees预测模型。该模型在内部验证集(AUC=0.917)和两个外部验证集(AUC=0.877/0.845)中均表现出优异性能，首次实现了通过非侵入性影像特征预测铂类敏感性，为个体化治疗决策提供了新工具。

　　

上皮性卵巢癌(EOC)是妇科恶性肿瘤中的"沉默杀手"，约70%患者确诊时已属晚期。尽管铂类化疗初始有效率超过80%，但耐药问题始终是临床痛点——约30%患者会出现铂类耐药（platinum-resistant），其预后极差，二线治疗有效率不足15%。目前临床缺乏可靠的预测手段，患者往往需要经历无效化疗后才能确认耐药状态，不仅延误治疗时机，更承受不必要的毒副作用。这种"试错"模式凸显了开发早期预测工具的紧迫性。

为解决这一难题，香港大学联合中山大学肿瘤防治中心等5家医疗机构开展了这项开创性研究。研究团队创新性地将人工智能与医学影像相结合，利用增强CT(ceCT)这种临床常规检查，开发出全球首个多中心验证的铂类敏感性预测模型。相关成果发表在影像学权威期刊《Cancer Imaging》上，为精准医疗提供了新范式。

研究采用三大关键技术：1) 多中心数据整合：纳入703例来自5个医疗中心（含TCIA公开数据集）的EOC患者ceCT影像，通过严格的质量控制确保数据异质性；2) 放射组学特征工程：使用PyRadiomics从手动勾画的肿瘤区域提取1134个定量特征，经Spearman相关性分析、弹性网络回归和Mann-Whitney U检验筛选出11个关键特征；3) 机器学习建模：采用Extra Trees分类器结合10折分层交叉验证，并应用ADASYN算法解决数据不平衡问题。

研究结果

Demographics
队列涵盖EOC主要亚型：71.3%为浆液性癌（其中67.1%为高级别HGSOC），11.9%为透明细胞癌。整体铂敏感率为72.4%，与组织学亚型显著相关（如黏液性癌敏感率达93.5%）。

Selected radiomic features
模型筛选出11个关键特征，包括：

• 原始Size-Zone Non-Uniformity Normalized(SZNN)：量化肿瘤区域体积异质性
• 原始形状伸长特征：反映侵袭性生长模式
• LoG(sigma=2.0)偏度：表征坏死区域分布不对称性
  SHAP分析显示，铂耐药组呈现更高SZNN值和更明显形状伸长，提示肿瘤异质性与耐药相关。

Model performance
模型展现出卓越的预测能力：

• 内部验证集：AUC 0.917，灵敏度83.9%，特异度94.4%
• 外部验证集（中心D）：AUC 0.877，准确率86.4%
• 国际公开数据集（中心E）：AUC 0.845
  决策曲线分析证实，当阈值概率为17%-43%时，模型较"全治疗"或"全不治疗"策略具有显著临床净获益。

讨论与结论
这项研究突破了传统生物标记物依赖组织活检的局限，首次证明常规CT影像中蕴含的定量特征可有效预测铂类敏感性。其中，表征肿瘤异质性的SZNN等特征与已知生物学机制高度吻合——基因组不稳定性导致的瘤内异质性是公认的耐药驱动因素。研究还发现，形状特征与耐药相关，这与病理学中侵袭性生长模式导致治疗抵抗的观察一致。

该模型的临床价值体现在三方面：1) 无创性：避免重复活检；2) 普适性：经不同扫描仪和机构数据验证；3) 实时性：可在化疗前快速预测。作者建议将17%-43%的预测概率作为"高风险"阈值，指导临床决策。

研究也存在一定局限：未纳入CA125等血清标志物，长期预后数据不足。未来可通过前瞻性研究和自动化分割技术进一步优化。这项成果为EOC精准治疗开辟了新途径，其"影像组学+AI"的研究范式也可拓展至其他恶性肿瘤的疗效预测领域。