基于瘤内与瘤周影像组学融合的机器学习模型预测前列腺癌ISUP分级的研究

本研究针对前列腺癌(PCa)国际泌尿病理学会(ISUP)分级预测的临床难题，开发了整合T2WI瘤内、瘤周及影像融合特征的机器学习模型。通过340例多中心数据验证，随机森林(RF)模型在训练组达到0.929的AUC值，显著优于传统方法。该研究首次实现瘤周微环境特征与瘤内异质性的多维度融合，为无创评估PCa侵袭性提供了新范式。

　　

前列腺癌作为男性第二大高发恶性肿瘤，其精准分级直接关系到临床决策。当前依赖穿刺活检的ISUP分级存在创伤大、采样误差等问题，而常规MRI检查虽能提供解剖信息，却难以量化肿瘤生物学特性。更棘手的是，越来越多的证据表明，肿瘤周围的微环境变化可能比瘤体本身的形态学改变更早出现，但现有研究多孤立分析瘤内或瘤周特征，缺乏系统性整合。

为解决这一临床痛点，杭州中医药大学附属医院联合苏州大学第一附属医院的研究团队开展了一项开创性研究。该团队创新性地提出"瘤内-瘤周影像组学融合"策略，通过四种机器学习模型对340例多中心前列腺癌患者的MRI数据进行深度挖掘。研究成果发表在《BMC Medical Imaging》期刊，为无创预测高级别前列腺癌提供了新工具。

研究采用三大关键技术：首先通过ITK-SNAP软件精准勾画瘤内及2mm瘤周区域，采用Pyradiomics提取1743个定量特征；其次运用LASSO算法筛选关键特征，构建瘤内、瘤周、联合及影像融合四种特征集；最后采用随机森林等四种机器学习模型进行性能验证，并通过SHAP方法增强模型可解释性。

模型构建与选择
研究通过LASSO回归从T2WI图像中筛选出瘤内6个纹理特征、瘤周1个形态特征，以及联合特征集中的9个纹理特征。随机森林模型在训练队列表现最优，瘤内、瘤周、联合及融合模型的AUC分别达0.869、0.812、0.903和0.915，显著优于逻辑回归等传统方法。

模型性能评估
整合三种特征的列线图模型在训练组AUC提升至0.929，较单一特征模型提高6-11.7%。在内部和外部验证组中，AUC稳定在0.734-0.743，决策曲线分析证实其临床适用性。

模型可解释性
SHAP分析揭示glszm灰度方差是最具预测力的特征，瀑布图直观展示了个体化预测中各特征的贡献度，如某ISUP≤2病例的特征影响均值为0.14，而ISUP>2病例则达0.88。

该研究突破性地证实了瘤周微环境特征的独立预测价值，其创新性体现在三方面：首次提出2mm瘤周区域的标准化定义，兼顾解剖可行性与生物学意义；开发影像融合与特征融合双路径，充分挖掘肿瘤-间质相互作用信息；构建的临床实用列线图工具，使放射科医生能直观评估肿瘤侵袭风险。这些发现为前列腺癌精准医疗提供了新思路，未来通过纳入更多功能影像参数和前瞻性验证，有望进一步优化预测效能。