基于CT的深度学习模型预测膀胱癌患者总体生存率：一项多中心研究及其生物学机制解析

膀胱癌预后评估面临临床异质性和肿瘤标志物整合不足的挑战。研究人员开发了基于术前CT扫描的可解释膀胱癌深度学习(BCDL)模型，通过765例训练集和691例多中心验证集的测试，证实该模型在生存风险预测中优于传统方法。SHAP解释技术揭示了像素级预测特征，RNA测序分析显示高风险组存在免疫抑制微环境和微生物组成改变。该研究为膀胱癌个性化治疗提供了影像学生物标志物，发表于《npj Precision Oncology》。

　　

膀胱癌作为全球第九大常见恶性肿瘤，其预后评估长期面临重大挑战。尽管现有标准治疗方案不断完善，但患者生存结局存在显著差异，特别是肌肉浸润性膀胱癌(MIBC)与非肌肉浸润性膀胱癌(NMIBC)亚型间的异质性使得精准预后预测变得尤为复杂。当前临床依赖的病理分级和分期系统难以全面反映肿瘤生物学特性，而新兴的免疫相关基因标志物又面临检测成本高、技术门槛高的局限。这种困境促使医学界亟需开发新型预后预测工具，以指导临床决策并改善患者生存结局。

青岛大学附属医院联合多家医疗机构的研究团队在《npj Precision Oncology》发表创新性研究成果。该研究利用术前CT影像开发了可解释的膀胱癌深度学习(BCDL)模型，通过多中心队列验证证实其卓越的预后预测价值。研究整合了1456例患者数据，采用3D DenseNet121架构构建预测模型，结合SHAP解释方法揭示影像特征与预后的关联机制，并进一步通过TCGA数据库的多组学分析阐明生物学基础。

关键技术方法包括：1) 多中心1456例膀胱癌患者术前CT影像采集与标注；2) 基于3D DenseNet121架构开发BCDL模型；3) 应用SHAP方法实现像素级模型解释；4) 利用TCGA数据库进行RNA测序和微生物组分析；5) 通过倾向评分匹配(PSM)评估临床获益。

【患者特征】研究纳入1456例患者，中位年龄66岁，男性占81.8%。训练队列(n=765)与三个验证队列(n=438;n=181;n=72)的随访时间分别为32、24、79和20个月。多因素分析确认年龄、肿瘤轮廓和膀胱周围脂肪浸润是独立预后因素。

【模型开发】BCDL模型采用多分支结构和自归一化层处理多中心数据差异，使用Cox部分似然损失函数处理删失数据。模型在验证队列中C-index达0.682(95%CI 0.602-0.763)，显著优于传统模型(p<0.001)。

【可解释性分析】SHAP可视化显示高风险患者病灶区域以红色像素为主，对应不良预后特征。类激活图(CAM)证实模型聚焦于肿瘤生物学相关区域，如浸润前沿和坏死区。

【风险分层】以DL评分4.02为界，高风险组中位OS显著低于低风险组(HR 2.604,95%CI 1.372-4.943,p=0.002)。亚组分析显示辅助治疗仅使高风险患者获益(HR 0.556,p=0.028)，而低风险女性患者也显示生存改善(HR 0.190,p=0.046)。

【生物学机制】TCGA数据分析揭示346个差异表达基因，高风险组显示抗原呈递和白细胞迁移通路抑制。免疫微环境分析显示树突细胞(DC)和巨噬细胞浸润减少，微生物组组成存在显著差异(p<0.05)。

该研究突破性地建立了基于常规CT的膀胱癌预后预测体系，其创新价值体现在三个方面：首先，BCDL模型首次实现了对MIBC和NMIBC的统一预后预测，解决了传统方法亚型异质性的难题；其次，通过SHAP解释技术打破了深度学习"黑箱"局限，为临床决策提供透明化依据；最后，多组学关联分析揭示了影像特征与免疫微环境、微生物组的生物学关联，为精准治疗提供新靶点。研究结果对指导膀胱癌分层治疗具有重要临床意义，高风险患者可从强化辅助治疗中获益，而低风险患者可避免过度治疗。这种基于常规影像的预测方法易于临床推广，有望成为膀胱癌标准预后评估体系的重要补充。