《Annals of Clinical and Translational Neurology》：Development of a Prediction Model for Progression Risk in High-Grade Gliomas Based on Habitat Radiomics and Pathomics
编辑推荐：
本研究创新性地将影像组学生态位（Habitat Radiomics）分析与病理组学（Pathomics）相结合，构建了高级别胶质瘤（HGG）进展风险预测模型。通过整合多序列磁共振成像（MRI）和全切片图像（WSI）数据，结合临床特征建立联合模型，在训练队列和测试队列中分别达到0.965和0.927的AUC值，显著优于单一模型。该模型能有效区分高/低风险组（中位无进展生存期9个月 vs 77个月），并结合IDH状态提供个性化预后评估，为胶质瘤精准治疗提供新策略。
摘要
本研究旨在探讨基于影像组学生态位（Habitat Radiomics）和病理组学（Pathomics）构建模型预测高级别胶质瘤（HGG）进展风险的价值。通过回顾性分析72例HGG患者的术前MRI和病理切片数据，分别建立生态位影像组学模型、病理组学模型、临床模型及三者结合的联合模型。结果显示联合模型在训练队列和测试队列中均表现最优（C-index分别为0.883和0.840，AUC分别为0.965和0.927），能有效区分高危与低危患者（中位无进展生存期9个月 vs 77个月），为个性化治疗提供重要依据。
1 引言
高级别胶质瘤（WHO 3-4级）占胶质瘤的74.2%，其5年总生存率仅6.6%-30.9%。早期识别进展风险对改善预后至关重要。影像组学通过量化图像特征揭示肿瘤异质性，而生态位分析进一步将肿瘤划分为具有特定影像特征的亚区域。病理组学则从全切片图像（WSI）中提取微观形态特征，弥补传统病理的主观局限性。尽管放射病理组学（Radiopathomics）已在多种肿瘤中展现价值，但生态位影像组学与病理组学在HGG中的联合应用尚属空白。本研究拟通过多模态数据融合，构建精准的预后预测模型。
2 方法
2.1 患者队列
纳入2015年3月至2023年6月经病理证实的72例HGG患者（训练集52例，测试集20例）。纳入标准包括术前未治疗、完整的病理切片和MRI序列、临床及分子诊断资料。排除标准涵盖数据缺失或图像质量不佳者（图1）。
2.2 治疗与随访
患者接受标准放化疗（放疗60 Gy/30次，同步及辅助替莫唑胺化疗）。进展评估采用RANO标准，由多学科团队综合影像学与临床表现判定。主要终点为无进展生存期（PFS）。
2.4 研究设计
研究流程如图2所示：
- •
MRI处理：对T1CE、T1W、T2-FLAIR、DWI、ADC五序列图像进行配准标准化，通过K-means聚类将肿瘤划分为生态位，提取形状、一阶和纹理特征（共1834个），经Pearson相关性分析、单变量Cox和LASSO回归筛选特征。
- •
WSI处理：使用QuPath勾画感兴趣区域（ROI），分割为512×512像素的图像块，经DenseNet121、ResNet101、Inception_v3架构训练后，结合概率直方图和TF-IDF生成病理特征。
- •
模型构建：分别建立临床模型、生态位模型、病理模型及联合模型，通过C-index和时序ROC曲线评估性能。
2.6-2.8 关键技术细节
生态位分析确定最佳聚类数为3（基于Calinski-Harabasz等指标）；病理特征提取中DenseNet121表现最优（测试集AUC=0.682）。特征筛选后，联合模型整合生态位特征、病理特征及临床参数（如年龄、肿瘤体积、IDH状态等）。
3 结果
3.1 基线特征
患者临床特征在训练集与测试集间无显著差异（表1），包括年龄、性别、肿瘤体积及IDH突变比例等。
3.2-3.3 特征生成
生态位分析提取的特征涵盖一阶统计量、灰度共生矩阵（GLCM）等6类（图3）；病理模型通过多实例学习生成5个核心特征。特征热图显示各特征间相关性适中（图6）。
3.5 模型性能
- •
C-index比较：联合模型在训练集和测试集中均最高（0.883/0.840），优于单一模型（表3）。
- •
ROC分析：联合模型测试集AUC达0.927，显著高于生态位模型（0.918）和病理模型（0.855）（图7）。
- •
风险分层：联合模型将患者分为高危与低危组，低危组中位PFS为77个月，高危组仅9个月（p<0.001）。在IDH野生型和突变型亚组中，模型均能进一步区分预后（图8），如IDH突变型高危组中位PFS仅9个月。
4 讨论
本研究首次将生态位影像组学与病理组学结合用于HGG预后预测。联合模型通过宏观影像异质性分析和微观病理特征互补，显著提升预测精度。与既往研究相比，本模型纳入多序列MRI（如DWI、ADC）和深度学习路径，强化了肿瘤空间异质性刻画能力。模型与IDH状态的协同分层提示其临床转化潜力：高危患者或需强化治疗（如联合电场疗法），低危患者可考虑降级治疗以减少副作用。
研究局限性包括单中心小样本、缺乏多组学数据整合。未来将通过前瞻性多中心研究验证模型泛化能力，并引入基因组学等维度深化生物学解释。
结论
基于生态位影像组学和病理组学的联合模型能精准预测HGG进展风险，结合IDH状态可实现个体化预后分层，为临床治疗决策提供新工具。
