《Frontiers in Oncology》：Development and validation of a multiphase CT radiomics-based machine learning model for prognostic prediction in sarcomatoid renal cell carcinoma
编辑推荐：
## 问题三：摘要翻译
**背景**：肉瘤样肾细胞癌（sarcomatoid renal cell carcinoma，sRCC）是肾细胞癌中一种罕见且侵袭性强的亚型，预后较差。准确的风险分层对于个体化治疗方案制定至关重要。本研究旨在开发并验证一个整合多期C
## 问题三：摘要翻译
**背景**：肉瘤样肾细胞癌（sarcomatoid renal cell carcinoma，sRCC）是肾细胞癌中一种罕见且侵袭性强的亚型，预后较差。准确的风险分层对于个体化治疗方案制定至关重要。本研究旨在开发并验证一个整合多期CT影像组学与临床病理因素的机器学习预后模型，以预测病理确诊sRCC患者的总生存期（overall survival，OS）。
**方法**：回顾性纳入113例接受肾切除术且经病理确诊的sRCC患者。从动脉期（arterial phase，AP）和静脉期（venous phase，VP）CT图像中提取影像组学特征。经组内相关系数（intraclass correlation coefficient，ICC > 0.75）及单因素Cox回归筛选特征后，采用最小绝对收缩与选择算子（least absolute shrinkage and selection operator，Lasso）回归和随机生存森林（random survival forest，RSF）算法构建影像组学标签。通过多因素Cox回归确定独立临床预测因子，并将其与影像组学评分整合建立联合模型。采用一致性指数（concordance index，C-index）、时间依赖受试者工作特征（receiver operating characteristic，ROC）曲线、校准曲线及决策曲线分析（decision curve analysis，DCA）评估模型性能。内部验证采用bootstrap重抽样与重复交叉验证。
**结果**：纳入AP+VP影像组学评分、N分期、M分期及Ki-67指数的联合模型，其预测性能较临床模型在数值上有所提高。在独立测试集中，其C-index为0.737（95% CI：0.612–0.846），与单纯AP+VP影像组学模型（C-index：0.735）相当，数值上高于临床模型（C-index：0.615）；然而，其相对于临床模型的提升无统计学显著性（P = 0.115）。1年、2年和3年OS的AUC分别为0.833、0.780和0.749。模型在较宽阈值概率范围内显示出良好的校准度和临床实用性。高、低风险组之间实现了显著的生存分层（log-rank P < 0.05）。
**结论**：所提出的整合多期CT影像组学与临床病理因素的机器学习模型，可能为预测sRCC患者OS提供一种无创工具。其性能较传统临床模型在数值上有所提高；然而，这一增量获益无统计学显著性，且其性能与单纯影像组学模型相当。尚需进一步的多中心验证以确认其泛化能力。
## 问题四：论文解读
**一、研究背景与问题提出**
肉瘤样肾细胞癌（sarcomatoid renal cell carcinoma，sRCC）是肾细胞癌中一种罕见且高度侵袭性的亚型，约占全部肾细胞癌（renal cell carcinoma，RCC）的1%–5%，以易早期转移和显著化疗耐药为特征，中位总生存期（overall survival，OS）通常不足12个月。流行病学数据显示2010至2019年间sRCC在RCC中所占比例上升，且I期病例发病率增高。目前根治性肾切除术仍是局限性sRCC的标准治疗，但临床观察显示超过50%的患者术后出现复发或远处转移。
美国癌症联合委员会（American Joint Committee on Cancer，AJCC）的TNM分期系统仍是sRCC预后评估的金标准，但同一分期患者间存在显著的生存异质性，提示单纯基于解剖学的分期系统在结局预测上存在局限。近年宿主微环境因素特别是全身炎症反应受到关注，系统性炎症反应指数（Systemic Inflammation Response Index，SIRI）等炎症标志物可通过重塑肿瘤微环境、促进血管生成和免疫逃逸与RCC不良预后相关。sRCC具有显著的瘤内异质性，常规影像难以全面评估其生物学行为。影像组学通过对CT图像高通量提取纹理、小波等定量特征，可无创量化肿瘤异质性；多期对比增强CT（contrast-enhanced CT，CECT）能准确反映肿瘤血流动力学，是影像组分析的理想数据源。机器学习（machine learning，ML）在整合多模态数据和构建高维预测模型方面表现突出，ML与影像组学结合已在肝细胞癌、乳腺癌、结直肠癌等恶性肿瘤的预后预测中显示价值；然而，尚无系统研究探讨其在sRCC结局预测中的应用。因此，本研究旨在评估多种ML算法基于CECT影像组学特征构建sRCC预后模型的表现，并建立整合临床特征的综合预测模型。
**二、主要关键技术方法**
研究为单中心回顾性设计，纳入青岛大学附属医院2009年12月至2024年9月收治的病理确诊sRCC并行根治性手术的患者共113例，按2:1随机分为训练队列（n = 75）与独立测试集（n = 38）。从动脉期、静脉期和延迟期（delayed phase，DP）CT图像逐层勾画感兴趣区（region of interest，ROI）并构建三维感兴趣体积（volume of interest，VOI），采用pyradiomics工具包按影像生物标志物标准化倡议（Image Biomarker Standardisation Initiative，IBSI）提取每例854个特征。经ICC（> 0.750）与单因素Cox回归筛选后，比较九种ML算法（SuperPC、逐步Cox、RSF、CoxBoost、Lasso、Ridge、Enet、survival-SVM、plsRcox）及多种期相组合，以重复5折交叉验证平均C-index选定最优模型；采用多因素Cox回归构建临床模型与联合模型，并借助SHAP（Shapley Additive Explanations）进行可解释性分析。
**三、研究结果**
**患者基线临床特征**：训练队列与独立测试集中位随访时间分别为28个月和47个月，全队列中位OS为23个月（随访范围1–183个月），随访期间共记录54例死亡（训练队列31例、测试集23例），两队列OS差异无统计学意义（P = 0.208）。多数基线特征在两组间均衡（P > 0.05），但葡萄糖/淋巴细胞比值（GLR）在训练队列较高（P = 0.029）；由于GLR未进入最终多因素模型，该不平衡对主要结论影响有限。
**特征选择、预后模型构建与解释**：经一致性分析后，AP、VP、DP分别保留781、749、710个特征；训练队列单因素Cox回归分别识别出98、80、58个预后相关特征。系统比较40余种算法与期相组合后，基于AP+VP特征的Lasso + RSF模型在重复5折交叉验证中平均C-index最高而被选为最终影像组学模型，其在独立测试集C-index为0.735（95% CI：0.604–0.852），训练队列为0.892（95% CI：0.837–0.945）。在39种AP+VP算法组合中，测试集C-index范围为0.664–0.755（中位数0.692），所选模型位列第二（约第97百分位），与最高者Lasso + plsRcox（0.755）仅差0.020，提示其表面优势部分可能源于随机变异。时间依赖ROC显示测试集1、2、3年OS的AUC分别为0.791、0.758、0.729。SHAP分析显示最终Lasso + RSF模型保留的9个关键特征中7个对生存风险呈正向贡献，2个小波纹理特征呈负向贡献；最稳定特征（wavelet_LHH_glcm_ClusterShade_AP）在82%的交叉验证折中保留，其余关键特征选择频率为6%–66%。
**临床与联合模型构建**：单因素Cox回归显示BMI、碱性磷酸酶、纤维蛋白原、TNM分期、肿瘤大小、Ki-67指数及系统性免疫炎症指数（systemic immune-inflammation index，SII）与OS显著相关（P < 0.05）；多因素分析确认N分期（HR = 3.210，95% CI：1.376–7.490；P < 0.01）、M分期（HR = 2.353，95% CI：1.074–5.153；P = 0.032）和Ki-67指数（HR = 5.938，95% CI：1.298–27.164；P = 0.022）为独立预后因素。据此构建临床风险评分，并将AP+VP影像组学评分（AP+VP-Radscore）与上述临床变量整合构建联合模型。
**联合预后列线图的开发与验证**：基于临床预后因素与AP+VP-Radscore构建列线图以预测1、2、3年OS，应用步骤为：各预测变量在顶部标尺定位得分、垂直投射至Points轴、求和得总分、再于底部生存概率轴读取对应预测值。SHAP分析显示联合模型4个关键预测特征均呈正向贡献（SHAP值 > 0），与不良预后显著相关。
**联合预后模型的预测性能与临床验证**：独立测试集中联合模型C-index为0.737（95% CI：0.612–0.846），AP+VP影像组学模型为0.735（95% CI：0.604–0.852），临床模型为0.615（95% CI：0.488–0.756）。重复交叉验证后训练队列三模型平均C-index分别为0.787（± 0.090）、0.903（± 0.058）和0.898（± 0.058），bootstrap乐观校正后分别为0.785、0.890和0.896。bootstrap重抽样（1000次）估计的C-index差值（临床减联合）为?0.122（95% CI：?0.269至0.042；P = 0.115），即联合模型数值优势为0.122但无统计学显著性。时间依赖ROC显示训练队列1、2、3年OS的AUC分别为0.948、0.923、0.962，测试集分别为0.833、0.780、0.749；bootstrap检验显示1年AUC差值?0.186（95% CI：?0.435至0.056；P = 0.140）、2年?0.109（95% CI：?0.353至0.118；P = 0.363）、3年?0.037（95% CI：?0.258至0.184；P = 0.745），各时间点数值上均高于临床模型但差异无统计学显著性。校准分析显示联合模型在两队列中校准良好；DCA显示在较宽阈值概率范围内联合模型净获益高于"全部治疗"或"不治疗"策略；以列线图中位评分为界，高评分组OS显著短于低评分组（log-rank P < 0.05），支持该评分系统的临床适用性。
**四、讨论与结论**
讨论指出，RCC为高度侵袭性恶性肿瘤，约20%的晚期RCC病例为sRCC，约70%的sRCC患者确诊时即存在远处转移；AJCC TNM分期虽为金标准，但同分期患者生存异质性显著，凸显仅依赖解剖参数预测结局的局限。影像组学结合ML可高通量提取CT特征、量化肿瘤异质性并经与临床参数整合构建更准确的预后模型，但系统评估不同ML算法预测sRCC预后效能的研究仍匮乏；据研究人员所知，本研究首次整合多期CECT影像组学特征与九种ML算法开发并验证sRCC预后预测模型。本研究中AP+VP影像组学模型所选特征均为小波类特征，既往研究证实小波变换与高斯拉普拉斯（Laplacian of Gaussian，LoG）滤波可有效量化肿瘤异质性，小波变换在提取超出人眼视觉感知的局部高维信息、大尺度抗噪及小尺度精细捕捉图像细节方面具独特优势；Jiao等发现小波特征与早期肺癌不良预后显著相关。联合模型性能与单纯影像组学模型相当、数值上高于临床模型，但相对影像组学的增量价值在独立测试集中有限。多因素Cox回归确认N分期、M分期与Ki-67指数为独立预后因素，与既往关于TNM分期和组织学分级与肿瘤长期结局显著相关的研究一致；Ki-67核抗原作为细胞增殖关键标志物，通过调控细胞周期进程促进肿瘤增殖并与多种恶性肿瘤不良预后相关，但本研究中其95% CI较宽（1.298–27.164），提示效应估计存在较大不确定性，该结果应谨慎解读并视为假设生成性而非确定性结论，其预后价值尚需标准化免疫组化方案、预设截断值及更大规模多中心队列进一步评估。研究局限性包括：单中心回顾性设计且样本量有限（n = 113），可能存在选择偏倚并降低统计效能；回顾性数据收集可能导致信息偏倚，详细的全身治疗方案及肉瘤样成分比例等已知预后因素未被系统纳入，虽经多因素调整但残余混杂无法完全排除；影像组分析仅基于原发肿瘤ROI，未纳入转移灶或瘤周区域特征，且特征集未纳入LoG滤波变换；尽管采用了重复交叉验证等严格内部验证策略，联合模型在独立测试集的C-index（0.737）低于训练集（0.898；bootstrap校正后0.896），且与临床模型差异未达统计学显著性（P = 0.115），联合模型与单纯影像组学模型在测试集中相当，可能与小验证样本量（n = 38）有关；缺乏外部多中心验证限制了对模型泛化能力的评估。未来应开展前瞻性、多中心、大样本研究及外部验证以增强模型稳健性，并整合转移灶与瘤周区域影像特征、纳入多组学数据（如基因组学、蛋白质组学）及采用深度学习算法，以构建更全面准确的预后评估体系。
**结论翻译**：本研究建立了一个基于机器学习的预后模型，整合多期CT影像组学特征（AP/VP）与临床病理因素（N分期、M分期和Ki-67指数）用于sRCC。该联合模型的预测准确度在数值上高于单纯临床参数；然而，这一提升无统计学显著性，且其性能与AP+VP影像组学模型相当。作为一种无创工具，它可能提供个体化生存分层以指导临床决策，SHAP框架增强了模型的可解释性。尽管回顾性设计限制了泛化能力，上述发现支持将影像组学与机器学习整合作为优化sRCC预后评估的潜在策略。
