《Current Oncology》：Prognostic Value of Intratumoral Habitat and Peritumoral CT Radiomics After Pancreatic Ductal Adenocarcinoma Resection: A Retrospective Cohort Study
编辑推荐：
背景与目的：胰腺导管腺癌（PDAC）具有空间异质性，且可能超出CT可见的肿瘤边界向外延伸。研究人员比较了瘤内影像生境影像组学与全肿瘤影像组学以及1、3、5毫米瘤周影像组学在接受切除术患者总生存期预测中的表现。材料与方法：这项单中心回顾性研究纳入315例患者，分
背景与目的：胰腺导管腺癌（PDAC）具有空间异质性，且可能超出CT可见的肿瘤边界向外延伸。研究人员比较了瘤内影像生境影像组学与全肿瘤影像组学以及1、3、5毫米瘤周影像组学在接受切除术患者总生存期预测中的表现。材料与方法：这项单中心回顾性研究纳入315例患者，分为训练队列（n = 221）和内部测试队列（n = 94）。特征选择、模型拟合和截断值定义均限定于训练数据。采用C指数、删失加权时间依赖性AUC、Kaplan–Meier分析和校准评估临床病理、影像及整合Cox模型。附加分析考察了几何分区、阅片者重复性和扫描仪亚组。结果：生境模型的C指数在训练队列为0.781（95% CI 0.744–0.812），测试队列为0.744（0.700–0.784），而全肿瘤影像组学分别为0.647和0.619。测试队列1、2、3年AUC在生境模型为0.828、0.854和0.867，整合模型为0.813、0.852和0.890；所有配对差异区间均包含零。生境C指数在两个扫描仪亚组分别为0.760和0.757。时变效应未持续改善测试校准。结论：生境影像组学在原始影像模型中表现出最强的区分能力，整合模型未显示额外改善。研究结果支持该方法的术后风险分层价值；临床应用前需进行外部验证。
论文解读
一、研究背景与目的
胰腺导管腺癌（pancreatic ductal adenocarcinoma，PDAC）仍是癌症死亡的主要原因之一。即使在看似根治性切除后，患者预后差异仍然很大，这反映了肿瘤的早期播散和侵袭性生物学行为。传统的肿瘤大小和淋巴结状态等指标只能描述肿瘤负荷，无法捕捉单个病灶内恶性上皮、结缔组织增生性间质、灌注状态、坏死区域和免疫排斥区域的空间排列方式。分子谱分析已鉴定出不同的恶性细胞程序，虚拟显微切割技术也揭示了独立的肿瘤和间质亚型，空间研究进一步表明这些组分在同一癌症内部形成局部群落。当整个病灶仅用一个全局汇总指标表示时，源自瘤内异质性和微环境选择的相关预后信息可能会丢失。
影像组学（radiomics）可从常规影像中提取形状、强度和纹理的定量指标，这些指标能够编码肉眼观察不到的肿瘤表型信息。在PDAC中，全局CT纹理和影像组学指标已与切除术后生存相关联，联合瘤内–瘤周特征也被用于术后复发预测。影像生境（habitat）方法采用不同策略，先将局部影像模式分组为内部连贯的亚区域，再计算患者水平特征。PDAC常沿神经、静脉和胰周间质平面向CT可见肿块之外延伸，因此狭窄的瘤周带可能采样到侵袭前沿和邻近组织的反应；而瘤内影像生境则表征宏观肿瘤内部的异质性。本研究在同一术后生存框架内比较全肿瘤影像组学、三个瘤周距离和瘤内影像生境影像组学，并检验训练集选择的3毫米瘤周特征与生境影像组学及临床病理变量整合后是否能增加信息。
二、研究设计与方法
这是一项在北京朝阳医院和首都医科大学胰腺癌临床与研究中心开展的单中心回顾性预后建模研究，纳入315例经手术切除、组织学确诊的PDAC患者，均具有术前增强CT和完整的模型变量及总生存期随访数据。患者按7：3随机分为训练队列（n = 221）和内部测试队列（n = 94）。所有特征过滤、标准化、惩罚Cox调参、模型拟合和风险截断值选择均在训练队列中完成，所得变换、系数和截断值原样应用于测试队列。
研究采用的关键方法包括：静脉期CT在西门子SOMATOM Definition和飞利浦iCT 256扫描仪上以120 kVp和1.0毫米重建层厚采集；肿瘤由两名具有5年以上影像经验的腹部外科医生在3D Slicer 5.8.1中逐层手动勾画，并由一名20年以上经验的腹部外科医生审核裁定；图像和掩膜重采样至各向同性1×1×1毫米体素。瘤周区域通过OnekeyAI掩膜扩展模块向外扩展生成1、3、5毫米同心带，排除瘤内体素。影像生境聚类仅限原始肿瘤掩膜内体素，从5×5×5体素邻域计算的39个局部图中生成，经最小–最大缩放和K-means聚类（k = 3，由Calinski–Harabasz指数确定）生成三个瘤内亚区域。特征提取使用PyRadiomics 3.0.1，每个区域产生1561个手工特征。全肿瘤和瘤周矩阵采用10折交叉验证LASSO–Cox回归，生境矩阵采用弹性网络Cox回归（混合参数0.5）。临床病理模型纳入ASA分级、ECOG体能状态、最大肿瘤直径、神经侵犯、静脉侵犯和病理TNM分期。整合模型在六个临床病理变量基础上加入生境和3毫米瘤周成分线性预测值。模型评估采用Harrell C指数、12、24、36个月累积/动态AUC（IPCW加权）、Kaplan–Meier分析和校准评估。
三、研究结果
3.1 队列特征与临床病理预测因素
队列共315例患者，267例死亡（84.8%）。平均年龄62.23 ± 10.04岁，训练与测试队列无差异。测试队列中位CA19-9高于训练队列（285.95对179.60 U/mL；p = 0.009），手术方式和肿瘤位置也存在差异。最终临床病理模型纳入的六个变量在队列间均无显著差异。多变量分析显示，ASA III–IV（HR 1.712）、ECOG ≥ 1（HR 1.649）、最大肿瘤直径每增加1厘米（HR 1.195）、神经侵犯（HR 3.641）、静脉侵犯（HR 1.674）和病理TNM分期（HR 1.806）均与生存显著相关。
3.2 生境生成与特征选择
Calinski–Harabasz指数在三个瘤内聚类时最高。生境矩阵初始含4683个特征（每个亚区域1561个），相关性过滤后减至1150个，单变量Cox筛选后剩126个，交叉验证弹性网络Cox回归在λ = 0.018时最终保留73个特征。最终生境特征包含4个形状、6个一阶、12个GLCM、7个GLDM、10个GLRLM、27个GLSZM和7个NGTDM特征；分别有33、9和31个特征源自生境1、2、3。全肿瘤、1毫米、3毫米和5毫米瘤周特征分别保留17、27、42和23个。
3.3 模型区分能力
生境模型是表现最佳的单一影像模型，C指数在训练队列为0.781，测试队列为0.744；全肿瘤影像组学对应值为0.647和0.619。测试队列中临床病理模型C指数为0.660，三个瘤周模型范围为0.638至0.667。整合模型C指数训练为0.791、测试为0.750。生境模型测试1、2、3年IPCW AUC分别为0.828、0.854和0.867，整合模型为0.813、0.852和0.890；整合减生境的差异区间均包含零，未显示改善证据。
3.4 风险分层与模型诊断
训练队列中位截断值在测试队列中成功分离高、低风险组。生境和整合模型高风险组中位生存期均为11个月，低风险组均为24个月；HR分别为5.33和4.50。生境和整合模型的全局比例风险检验显著（均p < 0.001），加入生境评分×log(时间)交互项将整合模型AIC从1551.39改善至1516.32，生境HR从12个月时的2.50增至36个月时的5.51，提示非比例风险。时变效应未持续改善测试校准，Brier评分配对差异区间均包含零。
3.5 阅片者重复性与扫描仪敏感性
50例患者子集中，肿瘤Dice相似度中位数为0.844。特征ICC中位数：全肿瘤影像组学0.893，1、3、5毫米瘤周带分别为0.824、0.879和0.963，重建生境为0.781。生境测试C指数在飞利浦扫描仪为0.760，西门子为0.757；生境减全肿瘤差异分别为0.134和0.151，两个扫描仪亚组均保持优势。
四、讨论与结论
本研究表明，瘤内影像生境影像组学在五种原始影像方法中提供最强的区分能力，测试队列AUC在1至3年保持0.82以上。加入3毫米瘤周评分和六个临床病理变量仅将测试C指数从0.744提升至0.750，各时间点AUC均无改善证据，说明整合模型可获得的大部分预后信息已被生境评分捕获。瘤周发现涉及肿瘤与周围组织的界面：PDAC可沿神经鞘、静脉结构和胰周间质平面发生镜下扩展，瘤周影像组学采样的是这些组织的混合物和可能的镜下延伸。三个预设带中3毫米模型训练C指数最高，但带宽选择反映的是训练比较而非既定最优值。非比例风险影响评分使用方式，图6以相对风险点而非个体生存概率表达整合系数。控制分析显示，惩罚匹配后生境仍保持优于全肿瘤影像组学的区分能力，但与几何分区相比优势不确定，因此原始性能差异不能单独归因于生境分区。主要局限性为回顾性单中心设计、特征筛选在交叉验证前进行可能偏向乐观的调参估计、神经侵犯仅12例训练患者缺失导致系数精度受限、化疗方案和开始日期不可靠无法充分校正治疗选择。结论认为，CT衍生的瘤内影像生境影像组学在本单中心可切除PDAC队列中表现出最强的影像模型生存区分能力，生境和整合模型均在内部测试队列中分离出不同生存结局的患者群体，支持将生境影像组学作为术后风险分层的潜在影像标志物，但临床应用前需外部验证。
