《Oral Oncology》：Pretreatment multiparametric MRI-based habitat radiomics and 2.5D deep learning for predicting early complete response to induction chemoimmunotherapy in locally advanced nasopharyngeal carcinoma
编辑推荐：
目的：开发并外部验证一种基于治疗前多参数磁共振成像（multiparametric MRI, mpMRI）的联合成像模型，该模型整合了传统影像组学（conventional radiomics）、栖息地影像组学（habitat radiomics）和2.5D深
目的：开发并外部验证一种基于治疗前多参数磁共振成像（multiparametric MRI, mpMRI）的联合成像模型，该模型整合了传统影像组学（conventional radiomics）、栖息地影像组学（habitat radiomics）和2.5D深度学习（2.5D deep learning）特征，用于预测局部晚期鼻咽癌（locally advanced nasopharyngeal carcinoma, LANPC）诱导化学免疫治疗（induction chemoimmunotherapy）后的早期完全缓解（complete response, CR）。方法：这项回顾性研究（retrospective study）纳入了2021年1月至2025年6月期间接受诱导化学免疫治疗的500例LANPC患者。来自一个中心的患者被随机分为训练队列（training cohort）和内部验证队列（internal validation cohort），来自另一个中心的患者构成外部测试队列（external test cohort）。使用治疗前T1加权成像（T1-weighted imaging, T1WI）、T2加权脂肪抑制成像（T2-weighted fat-suppressed imaging, T2WI-FS）和对比增强T1加权成像（contrast-enhanced T1-weighted imaging, CE-T1WI）提取传统影像组学、栖息地影像组学和2.5D深度学习特征。在训练队列中开发了临床模型（clinical model）、传统影像组学模型（conventional radiomics model）、深度学习模型（deep learning model）、栖息地影像组学模型（habitat radiomics model）和联合成像模型（combined imaging model），并使用区分度（discrimination）、校准度（calibration）、决策曲线分析（decision curve analysis, DCA）和DeLong检验（DeLong test）进行评估。结果：训练队列中195例患者中有51例、内部验证队列中84例中有25例、外部测试队列中221例中有59例达到早期CR。联合成像模型在三个队列中分别达到最高AUC（area under the curve, AUC）为0.922、0.847和0.821。在外部测试队列中，联合模型达到了0.859的敏感度（sensitivity）和0.932的阴性预测值（negative predictive value, NPV）。SHAP（Shapley Additive exPlanations）分析表明，2.5D深度学习和栖息地影像组学特征对模型预测均有显著贡献。结论：基于治疗前多参数MRI的联合成像模型在预测LANPC诱导化学免疫治疗后的早期CR方面表现出良好的性能。该模型可能为治疗前反应分层提供一种非侵入性工具，尽管需要前瞻性多中心验证。
**论文解读：基于治疗前多参数MRI的联合成像模型预测局部晚期鼻咽癌诱导化学免疫治疗早期完全缓解**
**研究背景与问题**
鼻咽癌（nasopharyngeal carcinoma, NPC）是起源于鼻咽上皮的恶性肿瘤，在东南亚和华南地区呈现显著的地理聚集性。约70%的患者在初诊时即表现为局部晚期鼻咽癌（locally advanced nasopharyngeal carcinoma, LANPC）。近年来，诱导化疗联合免疫治疗（induction chemoimmunotherapy）作为同步放化疗前的强化策略，展现出有前景的抗肿瘤活性，并得到越来越多的探索。然而，患者对诱导化学免疫治疗的反应存在显著异质性。早期完全缓解（complete response, CR）可能反映更强的治疗敏感性，并与LANPC患者的良好远期预后相关。因此，治疗前预测早期CR对于反应分层和后续适应治疗计划具有临床意义。目前，常规临床和实验室生物标志物，包括程序性死亡配体1（programmed death-ligand 1, PD-L1）表达、EB病毒DNA（Epstein-Barr virus DNA, EBV-DNA）状态和炎症标志物，虽有助于预测治疗反应，但无法充分捕捉与治疗敏感性相关的影像学和生物学异质性。由于治疗反应通常仅在诱导治疗结束后评估，因此开发一种非侵入性治疗前工具来早期预测反应，对优化治疗策略具有重要意义。影像组学（radiomics）能够高通量提取定量影像特征，已应用于NPC预后和治疗反应预测，但传统影像组学通常将肿瘤体积作为整体描述，可能模糊区域影像变异，对瘤内空间异质性提供的信息有限。栖息地影像组学（habitat radiomics）将肿瘤划分为具有不同影像表型的亚区域，可更精细地刻画异质性肿瘤微环境。此外，深度学习特征可捕获抽象影像表征，补充手工影像组学特征。相比传统二维卷积神经网络，2.5D深度学习（2.5D deep learning）能整合相邻层面上下文信息，同时避免全三维网络在中等规模医学影像数据集中的高数据需求和过拟合风险。尽管已有上述进展，LANPC诱导化学免疫治疗后早期CR的治疗前预测仍未被充分探索。因此，研究人员开展了本研究，旨在开发并外部验证一种整合传统影像组学、栖息地影像组学和2.5D深度学习特征的多参数MRI（multiparametric magnetic resonance imaging, mpMRI）联合成像模型，用于预测早期CR。该论文发表在《Oral Oncology》上。
**关键技术方法（不超过250字）**
本研究为回顾性研究，样本队列来源于广西医科大学附属肿瘤医院（GXMUCH）和广西医科大学第一附属医院（FAH-GXMU），共纳入500例LANPC患者。技术方法主要包括：使用治疗前T1加权成像（T1WI）、T2加权脂肪抑制成像（T2WI-FS）和对比增强T1加权成像（CE-T1WI）进行影像组学特征提取；基于体素水平提取19个影像生物标志物标准化倡议（IBSI）定义的特征，通过k-means无监督聚类（k=3）生成栖息地亚区；采用ImageNet预训练的ResNet-50构建2.5D深度学习模型，以最大肿瘤层面及其上下层面作为三通道输入；特征选择包括ICC筛选、t检验、Spearman相关性分析、最小冗余最大相关性（mRMR）和LASSO逻辑回归（10折交叉验证）；使用合成少数类过采样技术（SMOTE）处理类别不平衡；通过网格搜索和5折交叉验证优化多种机器学习算法，最终构建联合成像模型。
**研究结果**
**患者特征（Patient characteristics）**：训练队列195例、内部验证队列84例、外部测试队列221例，分别有51、25、59例达到早期CR。基线特征比较显示，三组间T分期、临床分期、血小板计数（PLT）等存在差异。多因素逻辑回归分析表明，血小板计数是唯一独立预测因子（比值比[OR] 0.994，95%置信区间[CI] 0.988–0.999，p=0.016），据此将其纳入临床模型。
**体素水平影像组学生境聚类（Voxel-wise radiomic habitat clustering）**：通过聚类有效性指标（Calinski-Harabasz指数、轮廓系数、Davies-Bouldin指数）评估，在预定义候选范围（k=3~10）内，k=3表现相对最优，因此选择三个栖息地亚区（H1、H2、H3），分别占肿瘤全部体素的38.75%、18.22%和43.03%。
**特征提取与选择（Feature extraction and selection）**：共提取15,132个影像特征，包括传统影像组学特征（全肿瘤VOI）、栖息地影像组学特征（各栖息地亚区）和2.5D深度学习特征（每序列经PCA保留256个主成分）。通过逐步筛选，最终保留15个非零系数特征用于联合成像模型构建。
**不同模型的预测性能（Predictive performance of different models）**：联合成像模型在训练、内部验证和外部测试队列中AUC最高，分别为0.922、0.847和0.821。栖息地影像组学模型次之（AUC 0.874、0.797、0.783），2.5D深度学习模型（0.840、0.779、0.753），传统影像组学模型（0.792、0.746、0.704），临床模型最低（0.628、0.596、0.599）。在外部测试队列中，联合模型灵敏度0.859，阴性预测值0.932。
**校准、临床效用与模型比较（Calibration, clinical utility, and model comparison）**：校准曲线显示联合模型在内部验证和外部测试队列中校准可接受（Hosmer-Lemeshow检验p=0.071和0.097），训练队列存在一定偏差（p=0.042）。决策曲线分析（DCA）表明联合模型在临床相关阈值概率下净获益更高。DeLong检验显示，在训练和外部测试队列中，联合模型AUC显著高于临床、传统影像组学和2.5D深度学习模型，但与栖息地影像组学模型差异无统计学意义；在内部验证队列中，联合模型仅显著优于临床模型。
**可解释性分析（Interpretability analysis）**：SHAP分析显示，排名靠前的特征主要为2.5D深度学习特征和栖息地影像组学特征，其中T1_DL_39贡献最大，其次为T1C_DL_198及多个栖息地影像组学特征。瀑布图展示了单个特征对模型输出的贡献方向。Grad-CAM热图可视化了ResNet-50模型在不同MRI序列上关注的影像区域。
**总结讨论与结论**
讨论部分指出，肿瘤内异质性（intratumoral heterogeneity）是治疗敏感性差异的重要决定因素。传统全肿瘤影像组学将肿瘤视为单一区域，可能稀释或掩盖与治疗反应相关的亚区域信息。栖息地影像组学通过基于体素影像相似性将肿瘤划分为影像定义的亚区，能更明确地量化空间异质性。本研究中，栖息地影像组学模型在所有队列中均优于传统影像组学模型，表明亚区域水平能更有效捕获反应相关信息。2.5D深度学习模型整合了最大肿瘤层面及其上下层面信息，捕获了有限层面间上下文，其衍生特征可能捕捉到预定义影像组学描述符之外的高层抽象模式。联合模型整合了三种特征范式，预测性能提升，但与栖息地影像组学模型相比，提升在DeLong检验中未达统计学意义，提示特征融合的增量效益需谨慎解读。模型在外部测试队列中性能有所衰减（AUC从0.922降至0.821），可能源于MRI扫描仪、采集参数、图像质量、治疗构成和患者特征等跨中心差异。校准方面，联合模型在内部验证和外部测试队列中校准可接受，但训练队列存在偏差，提示良好区分度并不必然意味着最优概率校准。可解释性分析表明，模型决策并非由单一特征类型主导，2.5D深度学习和栖息地影像组学特征均贡献显著。研究存在局限性：回顾性设计可能引入选择偏倚，样本量特别是达到CR的患者数有限；未纳入病理和分子生物标志物（如PD-L1表达、EBV-DNA动态、肿瘤免疫微环境特征、基因组改变）；早期CR为早期影像学反应终点，不等同于长期生存结局，其预后意义需进一步验证。
**结论**：总之，基于治疗前多参数MRI的联合成像模型，整合传统影像组学、栖息地影像组学和2.5D深度学习特征，在预测LANPC诱导化学免疫治疗后早期CR方面表现出良好性能。这些发现提示，MRI衍生的影像特征可作为治疗前反应分层的非侵入性生物标志物。需要进一步的前瞻性多中心验证以确认其临床适用性。
