《Frontiers in Oncology》：Multiparametric MRI-based habitat and peritumoral radiomics integrating semi-automated segmentation for preoperative prediction of high-grade prostate cancer: a dual-center study
编辑推荐：
专业摘要翻译：
背景： 本研究旨在开发并验证一种可解释的机器学习框架，该框架结合半自动分割、源自多参数MRI（mpMRI）的瘤内生态位（intratumoral habitats）以及多尺度瘤周影像组学（peritumoral radiomics），用于术前预
专业摘要翻译：
背景： 本研究旨在开发并验证一种可解释的机器学习框架，该框架结合半自动分割、源自多参数MRI（mpMRI）的瘤内生态位（intratumoral habitats）以及多尺度瘤周影像组学（peritumoral radiomics），用于术前预测高级别前列腺癌（HGPCa）。
方法： 这项回顾性双中心研究共纳入274例患者，其中208例来自中心1用于模型开发，66例来自中心2用于外部测试。临床及影像变量包括患者年龄、血清PSA、fPSA、PSAD、最大肿瘤直径、PI-RADS评分及解剖分区分布（外周带PZ vs. 移行带TZ）。开发队列被随机分为训练队列（n = 145）和内部验证队列（n = 63）。瘤内生态位采用半自动分割和无监督K均值聚类进行描绘，而瘤周影像组学特征则从1、3、5 mm同心壳层中提取。预测分类器通过机器学习算法进行优化，其中多层感知器（MLP）用于生态位特征构建。构建了临床-影像组学联合列线图，并采用Shapley加法解释（SHAP）增强模型可解释性。进行了亚组分析以评估联合列线图在外周带（PZ）和移行带（TZ）中的判别性能。
结果： 联合列线图表现出优越的诊断性能，在训练队列、内部验证队列和外部测试队列中AUC分别为0.914、0.903和0.797。基于MLP的生态位模型显示出良好的判别性能，在训练队列、内部验证队列和外部测试队列中AUC分别为0.896、0.897和0.782。在瘤周区域中，5 mm壳层表现出最佳的判别性能。SHAP分析确定生态位1形状球形度（Habitat 1 Shape Sphericity）为最具影响力的特征。亚组分析显示联合列线图在PZ（AUC：0.796）和TZ（AUC：0.753）亚组中均具有判别能力。
结论： 基于半自动分割的生态位分析与瘤周影像组学的整合，为前列腺癌术前风险分层提供了一种有前景的方法。
论文主体解读文章：
研究背景与问题
前列腺癌（PCa）是全球男性癌症相关死亡的主要原因之一。国际泌尿病理学会（ISUP）分级组1–2的患者通常适合主动监测，而高级别前列腺癌（HGPCa，ISUP分级组≥3）与生化复发、转移进展及前列腺癌特异性死亡风险显著增加相关。现有术前评估主要依赖PI-RADS评分系统，但其本质上是定性评估，可能无法充分反映与肿瘤侵袭性相关的复杂瘤内异质性。尽管组织病理活检仍是诊断金标准，但其有创性凸显了开发可靠无创工具以提供个性化风险评估补充信息的必要性。基于多参数MRI（mpMRI）的影像组学提供了一种无创评估PCa侵袭性的方法，但传统影像组学通常将整个肿瘤作为单一区域提取特征，忽略了病灶内部的空间异质性，且往往仅关注瘤内区域，忽视了与肿瘤侵袭相关的瘤周微环境。为弥补上述不足，研究人员开展了这项研究。
研究内容与结论
研究人员开发并外部验证了一个可解释的机器学习框架，该框架整合了半自动分割、瘤内生态位影像组学和多尺度瘤周影像组学，用于HGPCa的术前无创预测。该框架在双中心274例患者队列中表现出良好的判别能力，联合模型在训练队列、内部验证队列和外部测试队列中的AUC分别为0.914、0.903和0.797。尽管联合模型纳入了互补的临床信息，但其性能并未显著优于生态位模型，提示生态位模型可能作为更简洁的临床实施选项。亚组分析表明，生态位模型和联合模型在外周带（PZ）和移行带（TZ）中均保持了判别能力。SHAP分析揭示，生态位1和生态位2中的形态学及弥散加权特征是该生态位特征的主要驱动因素，其中生态位1形状球形度（DWI序列）和生态位2一阶峰度（DWI序列）是最具影响力的特征。该研究为前列腺癌的个性化术前风险分层提供了可解释的决策支持工具。
主要关键技术方法
研究人员构建了多阶段分析框架。研究纳入来自天津第一中心医院（中心1，2022年1月–2025年12月）和天津肿瘤医院（中心2，2023年1月–2026年4月）的274例患者，其中208例构成开发队列并按7:3比例随机分层为训练队列（n = 145）和内部验证队列（n = 63），66例构成独立外部测试队列。技术流程包括：使用Nmstation软件进行半自动病灶分割并由两名资深放射科医师修正；采用无监督K均值聚类基于共配准的mpMRI图（T2WI、DWI和ADC）描绘瘤内生态位，最优聚类数K = 3通过Calinski–Harabasz指数和轮廓系数确定；使用OnekeyAI将肿瘤ROI各向同性扩张为1、3、5 mm同心壳层以提取瘤周特征；依据影像生物标志物标准化倡议（IBSI）指南使用PyRadiomics提取107个特征（包括14个3D形状特征、18个一阶统计特征和75个纹理特征）；特征选择通过ICC筛选、单变量分析、Pearson相关分析和10折交叉验证LASSO回归四步流程完成；采用五种机器学习分类器（逻辑回归LR、支持向量机SVM、多层感知器MLP、K近邻KNN和极度随机树ExtraTrees）进行模型构建，最终联合列线图通过多变量逻辑回归整合临床、生态位和最优瘤周特征构建；SHAP分析用于增强模型可解释性。
研究结果
患者特征： 三个队列在年龄、最大肿瘤直径和PZ/TZ比值方面存在显著差异（P < 0.05），而PSA、fPSA、f/t PSA和PSAD无显著差异。PI-RADS评分和ISUP分级组分布在队列间无显著差异。
半自动分割验证： Nmstation生成的自动分割与手动描绘具有高度一致性，所有MRI序列的平均Dice相似系数超过0.85，95%豪斯多夫距离（HD95）和平均边界距离（ABD）均保持在最小水平。
临床特征选择： 单变量逻辑回归分析确定PSA、fPSA、PSAD和最大肿瘤直径为HGPCa的显著预测因子。多变量分析中仅最大肿瘤直径（OR = 1.019；95% CI：1.006–1.032；P = 0.013）为独立预测因子，用于构建临床模型。
影像组学特征与模型构建： 经特征选择后，瘤内特征8个、生态位特征12个、1 mm瘤周特征8个、3 mm瘤周特征13个、5 mm瘤周特征3个。最优分类器选择为：瘤内特征采用ExtraTrees，生态位特征采用MLP（三层隐藏层，神经元数分别为128、64、32），各瘤周特征均采用LR。
预测模型诊断性能： 联合模型在训练、内部验证和外部测试队列中AUC分别为0.914、0.903和0.797，表现出优越的判别能力。生态位模型AUC分别为0.896、0.897和0.782。瘤周优化分析显示5 mm扩张在内部验证和外部测试队列中达到最高AUC（外部测试队列AUC = 0.785）。多个影像模型显著优于临床模型（DeLong检验，P < 0.05），但联合模型与生态位模型间无显著差异（P > 0.05）。列线图整合了临床、生态位和5 mm瘤周特征，其中生态位特征对总分的贡献范围最大。
亚组分析： 内部验证队列中，联合模型在PZ和TZ亚组的AUC分别为0.865和0.929；外部测试队列中相应AUC为0.796和0.753，生态位模型在PZ和TZ亚组的AUC分别为0.757和0.747。两个模型在两种解剖分区中均表现出判别能力。
临床效用评估： 校准曲线显示预测与观察到的HGPCa风险在各数据集中具有良好一致性，联合模型校准精度最高。决策曲线分析（DCA）显示多数影像组学模型在广泛阈值范围内优于临床模型，联合模型始终产生最高净获益。
SHAP分析： 全局SHAP摘要图将生态位1形状球形度（DWI）、生态位2一阶峰度（DWI）、生态位2一阶偏度（T2WI）和生态位2形状短轴长度（DWI）列为最具影响力特征。个体层面，瀑布图和力图展示了具体特征对特定预测的贡献，其中生态位1形状球形度（DWI）对HGPCa预测贡献最大。
讨论与结论
讨论部分指出，该框架的基础是使用Nmstation的半自动ROI分割流程，其与手动描绘具有高度几何一致性（Dice > 0.85）。联合模型在外部队列中保持了良好的判别性能，但AUC从内部验证的0.903降至外部测试的0.797，可能部分与中心间MRI扫描仪和采集参数差异及基线特征差异有关。临床领域中，最大肿瘤直径被确定为唯一独立预测因子，而PSA、fPSA和PSAD未保持统计学显著性，这可能反映肿瘤负荷与侵袭性疾病的关系，而PSA相关指标可能受良性前列腺增生和前列腺炎影响。生态位影像组学提供了主导性预测信息，临床和瘤周特征提供了互补信息。与Yuan等人的研究（确定3 mm边缘为最优）相比，本研究确定5 mm扩张壳层为最佳，这一差异可能部分反映肿瘤大小差异，本队列肿瘤相对较大，更宽的5 mm壳层可能捕获更广泛的瘤周空间异质性。研究局限性包括：回顾性设计可能引入选择偏倚；未进行与基因组图谱的直接关联，限制了影像组学特征的生物学可解释性；不同扫描仪和采集协议且未进行特征级谐波化，可能影响特征稳定性。研究结论为：研究人员开发并外部验证了一个整合半自动分割、瘤内生态位和5 mm瘤周影像组学的框架，用于HGPCa的无创预测，该模型在两个中心均表现出良好性能，并具有SHAP可解释性，可能为个性化术前风险分层提供可解释的决策支持工具。
