基于CT影像组学的肿瘤异质性增强高危肾透明细胞癌术后复发预测的临床病理模型

本研究针对高危肾透明细胞癌(ccRCC)术后复发预测难题，通过整合CT影像组学特征与Leibovich评分系统，开发了新型预后预测模型。研究团队采用随机生存森林(RSF)算法构建的影像组学模型在外部验证集中展现出优异性能（1年AUC 0.882），显著优于传统临床模型。该成果为个体化辅助治疗决策提供了精准量化工具，发表于《Abdominal Radiology》杂志。

　　

在泌尿系统肿瘤领域，肾透明细胞癌(clear cell renal cell carcinoma, ccRCC)作为最常见的恶性肿瘤类型，其术后复发风险预测一直是临床面临的重大挑战。尽管局限性肾癌患者5年生存率可达80-95%，但具有高危因素的非转移性患者复发率超过30%，现有临床预测模型如Leibovich评分难以充分反映肿瘤生物学特性。尤其随着KEYNOTE-564等免疫治疗临床试验的突破，如何精准识别真正需要辅助治疗的高危患者成为亟待解决的关键问题。

浙江大学医学院附属第一医院的研究团队创新性地将CT影像组学技术应用于这一临床难题。他们发现传统病理分级系统主要依赖主观形态学评估，无法量化肿瘤内部的微观异质性——这种异质性已被证实与肿瘤演进和治疗抵抗密切相关。通过多中心回顾性研究，该团队证实影像组学特征可捕获超越常规影像表现的生物学信息，为预后预测提供全新维度。

研究采用三项关键技术方法：1）从194例高危ccRCC患者的术前CT图像中提取107个标准化影像特征；2）应用随机生存森林(RSF)算法筛选出8个关键预后特征构建预测模型；3）通过时间依赖性ROC曲线和决策曲线分析(DCA)评估模型性能。所有病例均经病理确诊且完成规范随访，外部验证集包含47例患者。

【模型开发】研究首先从皮质髓质期CT图像中提取纹理特征，经严格质量控制后保留45个具有良好观察者间一致性的特征。通过Boruta算法筛选出包括肿瘤体积在内的8个关键特征，其中源自灰度游程矩阵(glrlm)和灰度依赖矩阵(gldm)的纹理参数最能反映肿瘤异质性。

【模型验证】在外部验证中，影像组学模型展现出卓越的预测性能：1年无复发生存期(RFS)预测AUC达0.882（95%CI:0.779-0.986），显著优于Leibovich评分（p<0.05）。如图4D所示，基于中位风险值分组的Kaplan-Meier曲线呈现显著分层（log-rank p<0.05）。

【模型比较】联合模型虽未显著提升判别效能，但决策曲线分析显示其在2-3年预测时具有更高的临床净获益（图6）。值得注意的是，Brier评分证实影像组学模型具有更优的校准度，预测概率更接近实际观察值。

【讨论与结论】该研究首次证实CT影像组学可为高危ccRCC提供超越传统临床模型的增量预后信息。通过量化肿瘤异质性，研究解决了现有分级系统对微观结构变异不敏感的局限性。如图3所示，Shapley分析揭示肿瘤体积和纹理特征是影响预后的核心要素，这与肿瘤生物学中"体积反映肿瘤负荷、纹理映射微环境异质性"的认知高度一致。

这项发表于《Abdominal Radiology》的研究具有重要临床转化价值：首先，非侵入性的预测方法可避免额外活检伤害；其次，模型优异的早期预测性能（1年AUC 0.882）特别适合辅助治疗决策；最后，研究采用的IBSI标准化特征确保结果可重复。未来需在前瞻性队列中验证这一模型，并探索其与分子标志物的整合策略，以进一步推动肾癌精准医疗发展。