基于瘤内与瘤周多序列MR放射组学可解释集成学习模型预测伴淋巴血管间隙浸润的高级别宫颈癌

《Frontiers in Oncology》：Interpretable ensemble learning model using intratumoral and peritumoral multi-sequence MR-radiomics predicts high-grade cervical cancer with lymphovascular space invasion

　　

目的：研究人员旨在通过将多种机器学习算法、融合策略与多序列MR放射组学相整合，开发可解释集成学习模型，用于预测宫颈癌（cervical cancer, CC）中高级别病理分级与淋巴血管间隙浸润（lymphovascular space invasion, LVSI）双阳性（HGVI）。方法：回顾性纳入242例术前接受MRI的CC患者，按7:3随机分为训练集（n=169）与测试集（n=73）。在表观扩散系数（apparent diffusion coefficient, ADC）、T1加权成像（T1WI）与T2加权成像（T2WI）三序列上，于瘤内及瘤周3 mm、5 mm区域手动勾画感兴趣体积。采用6种机器学习分类器，并以均值、加权平均、逻辑回归堆叠（ENMLR）整合最优基模型。以曲线下面积（area under the curve, AUC）、置信区间（confidence interval, CI）与决策曲线分析（decision curve analysis, DCA）评估性能，以SHapley Additive exPlanations（SHAP）、相关性分析与受限立方样条（restricted cubic spline, RCS）分析解释模型。结果：ENMLR在训练集表现更优，经1000次Bootstrap重采样在测试集验证为AUC 0.858（95% CI 0.762–0.932），准确率0.7260，Brier分数0.1523，在10%–90%阈值区间具临床净获益。相关性分析显示瘤内与瘤周放射组学呈正相关（Spearman r为0.15、0.21、0.41、0.29，均P<0.05）。RCS分析显示ADC序列瘤内放射组学评分与HGVI双阳性发生存在显著非线性关系（Non-linear P<0.05；Overall P<0.05）并见拐点。SHAP分析确定ADC_peritumoral_3mm与Xgboost分类器为融合模型主要贡献因素。结论：ENMLR整合多算法、多序列MR放射组学（瘤内与瘤周）及血清标志物，对CC中HGVI双阳性具稳健判别性能；仍须多中心前瞻性研究验证。

论文解读：《Frontiers in Oncology》发表的可解释集成学习模型研究

研究背景方面，宫颈癌（cervical cancer, CC）全球疾病负担重，高级别病理分级与淋巴血管间隙浸润（lymphovascular space invasion, LVSI）均为术后辅助治疗与预后评估的重要高危病理特征。既往研究多聚焦单一病理终点，且多在瘤内二维区域勾画，缺乏标准化三维勾画，也未系统量化瘤周微环境；同时，多高危病理特征共存对治疗决策的影响未被同步评估。因此，研究人员希望利用多序列MRI、瘤内与瘤周放射组学（radiomics，从医学图像中提取高通量定量特征以反映肿瘤异质性与微环境的方法）、多种机器学习算法及融合策略，非侵入性同步预测高级别病理分级联合LVSI双阳性（HGVI）。

研究人员开展回顾性研究，构建并验证基于逻辑回归堆叠的集成模型ENMLR，证明其在预测HGVI方面优于单算法模型与其他融合策略，并获得可解释特征与生物学关联。该结论意义在于为CC高危病理特征同步评估、个体化手术与分层管理提供非侵入性辅助工具。

主要关键技术方法上，研究人员回顾性纳入2016年7月至2025年8月、经组织学诊断且术前完成ADC、T₁WI、T₂WI三序列MRI及血清标志物检测的242例CC患者，分为训练集169例与测试集73例。图像经N4偏置场校正、重采样至1 mm × 1 mm × 1 mm、T₂WI为参考刚性配准与强度归一化；由高年资放射科医师在3D Slicer勾画瘤内及瘤周3 mm、5 mm体积。放射组学特征用PyRadiomics提取，经组内相关系数（intraclass correlation coefficient, ICC）>0.80、组间检验、相关性过滤、最大相关最小冗余（maximum relevance minimum redundancy, mRMR）与SHAP筛选，并以逻辑回归构建瘤内与瘤周堆叠评分；临床标志物经Boruta与最小绝对收缩选择算子（least absolute shrinkage and selection operator, LASSO）筛选后建临床评分（clinical score, CLS）。随后以Bayes、LR、KNN、Xgboost、SVM、NNet六类机器学习建模，再以均值、加权平均、逻辑回归堆叠融合。

研究结果如下。

基线特征：训练集与测试集HGVI双阳性率分别为37.87%与31.51%，组间无显著差异；多数临床变量均衡，仅训练集中性粒细胞计数存在差异。

最优特征选择与堆叠：13项临床标志物经Boruta与LASSO交集得到ALT、ALP、GGT、CA125四类，构建CLS= -2.122206 + 1.139281×ALT + 0.7832072×ALP + 0.5940868×GGT + 1.250619×CA125。放射组学方面，瘤内三序列构建intraStacking，瘤周3 mm与5 mm三序列构建perStacking；perStacking联合intraStacking在训练集AUC由0.694升至0.774，测试集由0.709升至0.775，提示瘤周对瘤内有补充价值。

HGVI双阳性独立预测因子：多因素逻辑回归显示perStacking（OR=2.102）、intraStacking（OR=2.389）与CLS（OR=2.968）均为独立预测因子。

模型构建与融合：六单模型中Xgboost训练集AUC 0.9685最优；融合模型中ENMLR训练集AUC 0.9787、测试集AUC 0.8582，准确率为0.7260，Brier分数0.1523，优于ENMM与ENMWM。

模型评估与1000次Bootstrap：测试集ENMLR经1000次有放回重采样得AUC 0.858（95% CI 0.762–0.932）；平衡准确率0.7198，PR-AUC 0.8288；校准曲线与Hosmer–Lemeshow检验支持校准良好，DCA显示10%–90%阈值区间具净获益。

模型可解释性：Spearman分析示ADC、T₁WI、T₂WI及堆叠评分的瘤周与瘤内呈正相关（r=0.15、0.21、0.41、0.29）。RCS显示ADC序列瘤内放射组学评分与HGVI发生呈显著非线性关系并有拐点。SHAP显示ADC_peritumoral_3mm平均Shapley值0.0907，Xgboost平均Shapley值0.4118，为最主要贡献项。

讨论部分总结：研究人员指出，瘤内放射组学反映坏死、细胞密度与血管不规则，瘤周放射组学捕获炎症浸润、成纤维活化与早期淋巴血管侵犯；本研究较既往仅评LVSI或仅用瘤内二维特征的工作，首次同步整合多序列、瘤内/瘤周3 mm/5 mm及血清标志物预测HGVI。perStacking与intraStacking互补，ADC低值对应细胞密集与高级别侵袭，ADC瘤内评分拐点反映肿瘤微环境达到临界恶化阈值。Xgboost因特征识别与异质性量化能力强，在融合中贡献最大。研究人员也说明模型属辅助风险分层工具，局限包括样本较小、回顾性、缺外部验证与随访、未纳入Ki67及淋巴结转移等；未来需多中心前瞻性、生存随访与深度学习拓展。

结论部分翻译：ENMLR模型整合集成机器学习、瘤内与瘤周（3 mm和5 mm）多序列MR放射组学及血清标志物，对CC中HGVI双阳性具稳健预测性能并产生增强的临床净获益。RCS分析进一步揭示ADC序列衍生的瘤内放射组学评分与HGVI双阳性发生率升高之间存在显著非线性关联，并具明显拐点。SHAP分析确定ADC_peritumoral_3mm与Xgboost为融合模型最具影响力贡献因素。然而，该模型的主要价值可能在于筛查与风险分层——协助识别可能需强化监测或辅助治疗的患者——而确诊与治疗决策仍须以组织病理及临床相关性为基础。在多中心前瞻性研究、术后生存随访队列与转化研究验证上述初步结果并阐明所识别放射组学特征的生物学相关性之前，不可考虑临床应用。