多参数MRI生境影像组学联合深度学习预测前列腺癌ADT疗效
本研究纳入550例接受雄激素剥夺治疗的前列腺癌患者,来自三个中心,基于T2WI和DWI构建常规影像组学、生境影像组学和3D ViT深度学习模型。结果显示生境影像组学在Gleason评分分层中优于常规影像组学,集成模型预测ADT疗效的AUC达0.886。SHAP分析显示ViT模型贡献最大,其次为生境模型。
要点
- 生境影像组学对Gleason评分各分级的AUC均优于常规影像组学,尤其在中高危分层中提升明显。
- 集成模型预测ADT疗效的AUC为0.886,高于单一模型,DeLong检验确认提升有统计学意义。
- SHAP分析可量化各模型对集成预测的贡献,辅助临床解读模型决策逻辑。
核心结论
- 基于mpMRI的生境影像组学可实现前列腺癌精准风险分层,联合常规影像组学与深度学习构成的集成框架对ADT疗效预测具有稳健性能。
研究设计与样本
- 研究类型为多中心回顾性研究,共纳入550例接受ADT的前列腺癌患者。
- 中心1患者385例按7:3随机分为训练集270例和内部验证集115例,中心2和中心3共165例作为外部测试集。
- 影像序列为治疗前标准化多参数MRI的T2WI和DWI,以组织病理学确诊和ADT疗效临床评价为参考标准。
- ADT方案为戈舍瑞林3.6mg每28天皮下植入,持续至少6个周期,首周期联合比卡鲁胺50mg每日口服。
- 分割由两名具有10年以上泌尿生殖影像经验的放射科医师完成,平均Dice系数为0.86±0.04。
关键影像表现/征象
- 生境影像组学采用K=3聚类时达到最佳性能,将肿瘤划分为三个功能亚区(生境)以表征瘤内空间异质性。
- 常规影像组学混淆矩阵中Grade 4→5误分类发生31次,生境模型将其减少至13次,中等级别(Grade 2–3)预测改善。
- 生境模型对Grade 1的预测召回率进一步降低,预测倾向更保守。
诊断标准与关键数值
- 预测ADT疗效时,常规影像组学模型(GradientBoosting)训练集AUC为0.969(95% CI 0.951–0.984),内部验证AUC为0.767(95% CI 0.670–0.853),外部测试AUC为0.771(95% CI 0.692–0.839)。
- 生境模型训练集AUC为0.987(95% CI 0.975–0.995),内部验证AUC为0.849(95% CI 0.780–0.912),外部测试AUC为0.820(95% CI 0.752–0.880)。
- 3D ViT模型训练集AUC为0.831(95% CI 0.791–0.870),内部验证AUC为0.805(95% CI 0.718–0.882),外部测试AUC为0.796(95% CI 0.725–0.850)。
- 集成模型AUC为0.886(95% CI 0.829–0.933),DeLong检验显示较单一模型AUC提升具有统计学意义(p<0.05)。
- Gleason评分分层中,常规影像组学测试集AUC分别为GS 6:0.88(95% CI 0.80–0.95)、GS 3+4:0.79(95% CI 0.66–0.90)、GS 4+3:0.66(95% CI 0.51–0.80)、GS 8:0.74(95% CI 0.66–0.82)、GS 9–10:0.81(95% CI 0.73–0.88)。
临床应用与阅片要点
- 生境影像组学通过划分肿瘤内功能亚区,可辅助中高危前列腺癌的Gleason评分分层,减少Grade 4与Grade 5之间的误分类。
- 集成模型在日常阅片中可作为ADT疗效预测的辅助工具,DCA显示其在不同阈值概率下均具有临床净获益。
- SHAP力图为个体患者提供模型决策解释,需关注ViT特征值升高时对预测结果的单调性影响。
- 分割需以T2WI上前列腺包膜为边界,避开尿道括约肌复合体(距黏膜2mm安全边缘)、精阜及精囊移行区。
- 多灶性肿瘤优先选取最大病灶(≥15mm)作为指标病灶进行分割,并保证序列间空间一致性。
局限性
- 研究为回顾性设计,可能存在选择偏倚,且外部测试集来自与训练集不同的中心。
- ReaNet和DenseNet系列深度学习模型在开发中出现了严重过拟合和泛化能力差的问题。
全文中译16 节 · 点击展开
引言
前列腺癌(PCa)是男性泌尿生殖系统最常见的恶性肿瘤,也是全球男性中第二高发的癌症[1]。虽然前列腺特异性抗原(PSA)筛查对早期发现至关重要,但其有限的敏感性和特异性往往导致无法可靠地区分良性病变与具有临床意义的癌症[2]。因此,确诊依赖于有创的前列腺穿刺活检,而该操作伴有直肠/会阴出血、菌血症、疼痛以及显著病灶取样不足等风险[3]。
前列腺癌是一种激素依赖性恶性肿瘤,与雄激素水平密切相关。雄激素剥夺治疗(ADT)是治疗局部晚期和转移性前列腺癌的基石,但部分患者会产生耐药,约50%的患者在1–3年内进展为去势抵抗性前列腺癌(CRPC)[4, 5]。这种异质性源于基因组变异和肿瘤微环境内的空间差异,如血管分布、表型可塑性和代谢重编程方面的差异[6]。因此,准确预测ADT疗效需要对肿瘤异质性进行详细表征。
全面的肿瘤异质性表征需要基因组学、转录组学和蛋白质组学等多组学分析,但这些方法劳动密集、成本高昂,且因重复取样而增加患者不适[7, 8]。因此,具有高时空分辨率的无创方法对于优化前列腺癌管理至关重要。
多模态影像数据整合促进了无创数字活检的发展,即利用影像衍生特征来预测诊断和预后[9, 10]。影像组学通过提取定量影像特征,实现了对肿瘤异质性的无创评估。然而,传统影像组学往往将肿瘤视为均质整体,忽略了瘤内亚区的独特性,这限制了其捕捉空间异质性以进行预后预测的能力。
生境影像组学通过使用先进成像技术和聚类算法将肿瘤划分为功能性亚区(“生境”)来克服这一局限,为风险分层和治疗预测提供空间分辨的剖析[11]。例如,Chen等展示了基于MRI的生境影像组学用于根据瘤内异质性区分乳腺癌亚型[12]。
视觉Transformer(ViT)是一种深度学习架构,通过将图像分解为序列化图像块来建模全局关系。与专注于局部特征的传统卷积神经网络(CNN)不同,ViT能够捕捉长程依赖关系,非常适合表征空间分布的肿瘤异质性[13]。Zhang等展示了ViT在预测食管癌治疗反应方面相对于传统影像组学模型的优势[14]。通过整合传统影像组学、生境分析和ViT深度学习,本研究旨在克服现有模型的局限性并捕捉肿瘤微环境的动态变化,从而提高ADT疗效预测的准确性。本研究引入了一个无创框架,利用多参数MRI整合传统影像组学、生境分析和3D ViT来解码肿瘤异质性,增强MRI在前列腺癌诊断和治疗分层中的临床效用。
材料与方法
研究人群
这项多机构回顾性研究纳入了385例未接受过治疗的前列腺癌(PCa)患者(中位年龄[四分位距],73岁[67–78岁]),他们于2018年1月至2023年3月在中心1接受了雄激素剥夺治疗(ADT),并具有完整的治疗前多参数MRI扫描和临床病理记录。所有参与者均按照欧洲泌尿外科学会(EAU)指南接受了标准化ADT方案。患者按7:3比例随机分配至训练队列(n = 270)和内部验证队列(n = 115)。此外,还纳入了一个独立的外部测试队列,包括在中心2和中心3接受治疗的165例患者(2021年1月至2023年3月),用于评估泛化性。该研究方案符合《赫尔辛基宣言》,获得了中心1机构审查委员会的伦理批准(编号:2023-355),由于采用匿名回顾性数据分析,免除了知情同意要求。患者入组流程见图1。
纳入标准:(1)经组织病理学证实的前列腺癌;(2)统一ADT方案(醋酸戈舍瑞林3.6 mg皮下植入剂,每28天一次,持续治疗≥6个周期,除非出现疾病进展(PSA较最低值升高>25%)或≥3级毒性。为预防睾酮反跳,在首个28天周期内联合口服比卡鲁胺(50 mg每日一次)。);(3)完成治疗前标准化多参数前列腺MRI方案;(4)临床-影像学记录完整。
排除标准:(1)合并其他恶性肿瘤;(2)MRI技术质量不合格(明显运动伪影、解剖变形导致无法准确勾画肿瘤)或成像序列不完整;(3)既往接受过针对前列腺的治疗(根治性前列腺切除术、冷冻消融等);(4)失访。
风险分层:遵循国际泌尿病理学会(ISUP)共识[15]。前列腺癌病例被分为五个预后层级:分级组1(低风险):Gleason评分(GS)3 + 3 = 6;分级组2(中低风险):GS 3 + 4 = 7;分级组3(中高风险):GS 4 + 3 = 7;分级组4(高风险):GS 8;分级组5(极高风险):GS 9–10。
ADT治疗后,264例患者表现出显著的肿瘤退缩,表现为:1. 根据数字评分量表(NRS),观察到与肿瘤相关的症状(如排尿困难和骨痛)得到改善。2. 影像学检查结果显示肿瘤体积显著缩小,淋巴结转移灶和骨转移灶显著减少。3. 治疗后PSA水平下降50%或以上(理想情况下降至0.2 ng/mL以下)。
前列腺肿瘤分割
图像采集参数和预处理方法见补充材料1。图像预处理完成后,基于多模态图像融合,在T2WI和DWI两个核心序列上对前列腺癌病灶进行精确分割。由两名放射科医师(均具有10年以上泌尿生殖影像诊断经验)使用ITK-SNAP平台(v4.0.0)进行三维(3D)交互式标注。应用解剖学约束:以T2WI上的前列腺包膜为边界,沿肿瘤-正常组织界面的最大梯度方向进行轮廓追踪。避开关键结构,包括尿道括约肌复合体(距黏膜保留2 mm安全边缘)、精阜和精囊移行区。对于多灶性肿瘤,根据临床指南优先标注指数病灶(最大病灶 ≥ 15 mm),并通过3D配准确保各序列间的空间一致性。软件自动融合多层ROI生成三维容积感兴趣区(VOI),导出nii.gz格式的掩膜文件用于分析。
为评估人工分割的可重复性,建立了包含35例样本的验证集。两名经验丰富的放射科医师(均具有10年以上前列腺MRI诊断经验)在不知晓病理结果的情况下独立勾画肿瘤感兴趣区(ROI)。采用Dice相似系数、Jaccard指数、Hausdorff距离(第95百分位数)和Cohen's Kappa评估空间一致性。平均Dice系数为0.86 ± 0.04,中位Jaccard指数为0.79,第95百分位数Hausdorff距离为1.87 mm,Cohen's Kappa为0.83,证实分割方案具有高度一致性。所有后续分析均使用协商一致的分割结果,不一致的病例通过相互讨论解决。
栖息地生成与特征提取
完成ROI勾画后,使用PyRadiomics从T2加权成像(T2WI)和弥散加权成像(DWI)序列中提取影像组学特征。自适应聚类生成栖息地区域:为捕捉肿瘤内异质性,通过优化的k均值聚类算法生成空间连续的栖息地区域。具体算法见补充材料2。
特征选择与标签构建
影像组学标签
应用Z-score标准化对数据集进行标准化处理(列 = (列 − 均值) / 标准差)。采用Pearson相关系数识别强相关特征,当相关性超过0.9时仅保留一个特征。建立可靠的特征集用于进一步分析。基于LASSO算法的逐步搜索根据准确率选择最优特征组合,通过多次迭代评估特征重要性。使用多种机器学习分类器构建预测模型。
深度学习标签
使用经过验证的3D裁剪工具从原始图像中提取包含肿瘤病灶的容积感兴趣区(VOI),以标准化nii.gz格式保存,用于后续深度学习模型预训练。如图2A所示,具体参数见补充材料3。
模型选择
模型选择侧重于测试集性能,并以统计学显著性检验和泛化能力评估作为补充。初步选择在测试集上核心指标(如AUC、准确率、F1值、阳性预测值(PPV)和阴性预测值(NPV))表现优异的候选模型。采用DeLong检验评估AUC差异的统计学显著性,同时评估过拟合风险,优先选择训练集与测试集之间性能差异最小的模型。基于敏感性、特异性和加权指标占比的平衡评估选择最优模型。
值得注意的是,在模型评估框架内,定义了五个核心维度及其标准:区分性能要求AUC超过0.70,权重为40%;校准度通过Brier评分评估,以低于0.05为阈值,权重为15%;泛化能力通过验证集与训练集之间AUC的下降幅度(小于0.05)评估,占20%;临床效用通过95%置信区间下的决策曲线分析(DCA)确定,要求DCA值高于0.3,权重为15%;可解释性通过感兴趣区(ROI)的Dice系数衡量,要求系数高于0.6,占10%。
模型整合
对每个样本由各单个模型生成的预测概率使用Z-score标准化或Min-Max标准化进行处理,以消除尺度差异。鉴于逻辑回归(LR)本身即可产生概率输出——便于后续与临床风险评分系统整合——我们利用LR分类器训练一个统一的集成模型。在该框架中,真实临床标签作为因变量,而由三个基模型得出的标准化概率作为独立预测因子。为了从机制上解释该集成模型,我们应用SHapley Additive exPlanations(SHAP)分析来量化特征贡献并可视化决策路径。
统计分析
统计分析使用SPSS 23.0和R软件3.6.1版进行。连续变量的正态性和方差齐性通过Kolmogorov–Smirnov检验评估。符合正态分布且方差齐性的数据以均值±标准差(SD)表示,并采用独立样本t检验进行组间比较。对于非正态分布或方差不齐的数据,采用非参数Mann–Whitney U检验进行组间比较。双侧p值<0.05被认为具有统计学显著性。
结果
患者队列和临床特征
共550例患者纳入该队列研究,并按GS分组分层:GS 6(n = 38)、GS 3 + 4(n = 58)、GS 4 + 3(n = 46)、GS 8(n = 168)和GS 9–10(n = 230)。统计分析证实,训练集、内部验证集和外部测试集之间的基线临床特征无显著差异(表1)。
ROI聚类与特征选择
本研究利用108个特征,包括灰度值,基于两个序列刻画感兴趣区(ROI)。将其保存为npy文件后,进行生境区域聚类(2–5个聚类,图2B),在聚类数为3时性能最佳。随后对生境特征进行三维可视化(图2C)。基于原始ROI和生境子区域进行影像组学特征提取。特征融合采用“填充”方法,对所有样本进行聚类。超参数,如特征数量,通过5折交叉验证确定。LASSO回归筛选与结局指标密切相关的特征(图3)。
模型评估
本研究采用机器学习分类器构建常规影像组学和生境影像组学模型。多层感知机分类器在GS预测中表现最优(图4A–D)。对于常规影像组学模型,测试集AUC如下:GS 6:0.88(95% CI 0.80–0.95),GS 3 + 4:0.79(95% CI 0.66–0.90),GS 4 + 3:0.66(95% CI 0.51–0.80),GS 8:0.74(95% CI 0.66–0.82),GS 9–10:0.81(95% CI 0.73–0.88)。相比之下,生境影像组学模型取得了更优的测试集性能:GS 6:0.88(95% CI 0.80–0.95),GS 3 + 4:0.91(95% CI 0.84–0.97),GS 4 + 3:0.87(95% CI 0.81–0.93),GS 8:0.85(95% CI 0.79–0.91),GS 9–10:0.84(95% CI 0.78–0.91)。
与常规影像组学相比,生境影像组学模型在所有GS类别中均表现出更强的预测能力,尤其是在中高级别分层中提高了精确度。混淆矩阵分析进一步证实了其在总体准确性和高危前列腺癌识别方面的优越性(图4E、F)。
重要的是,本研究基于影像组学、生境分析和ViT深度学习模型开发了ADT治疗疗效预测模型。不同分类器模型的具体参数和Delong检验结果见补充表1–4。最佳机器学习分类器为GradientBoosting,其在影像组学模型训练集上AUC为0.969(95% CI 0.951–0.984)(图5A),内部验证集AUC为0.767(95% CI 0.670–0.853),外部测试集AUC为0.771(95% CI 0.692–0.839)。对于生境分析模型(图5B),训练集AUC为0.987(95% CI 0.975–0.995),内部验证集AUC为0.849(95% CI 0.780–0.912),外部测试集AUC为0.820(95% CI 0.752–0.880)。基于ViT的3D深度学习模型(图5C)在训练集上AUC为0.831(95% CI 0.791–0.870),内部验证集AUC为0.805(95% CI 0.718–0.882),外部测试集AUC为0.796(95% CI 0.725–0.850)。此外,在本研究开展过程中,我们还使用了ResNet和DenseNet系列构建深度学习模型,但这些模型存在严重的过拟合和较差的泛化能力。
模型集成
为提高ADT反应预测准确性,我们使用逻辑回归(LR)分类器整合了影像组学、生境影像组学和3D ViT模型的预测结果,构建了一个统一的集成模型。应用SHAP分析解码LR模型的决策逻辑,生成全局特征重要性汇总图。该图按平均绝对SHAP值(降序)对特征进行排序,量化其总体预测贡献。个体患者的SHAP值以水平分布的点表示,垂直堆叠的密度反映频率分布。颜色映射(低特征值:蓝色;高值:红色)揭示了特征大小与其预测影响之间的非线性关系,而沿水平轴的点分散则表示方向效应(正向/负向预测贡献)。通过将LR模型的线性机制转化为交互式可视化,该方法在统计严谨性与临床可解释性之间架起了桥梁,使生物学上合理的决策支持成为可能。图6A、B突出显示ViT模型是集成预测中最具影响力的贡献者,其次为生境影像组学。ViT衍生SHAP值中的颜色梯度表明,随着特征值升高,预测权重呈单调递增
使用ROC曲线、校准图和置信区间条形图对集成模型进行评估,取得了0.89的优异AUC(95% CI:0.829–0.933)(图6C–E),DeLong检验证实AUC改善具有统计学显著性(p < 0.05)。雷达图进一步展示了其在各项性能指标——敏感度、特异度、精确度、召回率、准确率和F1分数——上优于单模态模型的表现(图6F)。决策曲线分析(DCA)证实了跨阈值概率的临床净获益增强(图6G),验证了其转化应用价值
讨论
雄激素剥夺治疗(ADT)仍是前列腺癌管理的基石,尤其对于高危、局部晚期或转移性病例,可显著延长生存期并改善生活质量[16]。然而,部分患者对ADT的内在耐药需要及时调整治疗方案,如使用新型内分泌药物或转为放化疗。不适当的ADT持续时间还可能导致长期并发症,包括骨密度下降和骨折风险增加[17]。因此,预测ADT反应对于优化治疗策略、减少并发症和改善患者预后至关重要。
对药物治疗的不同反应反映了肿瘤内在的异质性,表现为基因组、转录组、表型、代谢和功能层面的多样性。即使在单个肿瘤内部,也可能出现耐药的亚克隆,影响关键的肿瘤学行为——如侵袭性、转移、复发和治疗抵抗——这些直接影响临床结局[18, 19]。因此,描绘肿瘤异质性可能有助于实现更精确的诊断分层和预后评估,从而向个体化治疗转变。
人工智能和医学影像的进步使影像组学成为通过高通量特征提取分析肿瘤微结构的有力工具。例如,Wang等人表明,影像组学可通过反映肿瘤细胞和微环境异质性来预测局部晚期乳腺癌的预后[20]。Jiang等人展示了其在评估肿瘤微环境和预测胃癌治疗反应方面的效用[21]。基于MRI的影像组学也广泛用于前列腺癌的诊断和预后评估[22],但其往往忽略了肿瘤内的空间异质性。
栖息地影像组学通过将肿瘤划分为不同的亚区域或“栖息地”来弥补这一局限,每个栖息地反映独特的生物学特性,如坏死和缺氧。该方法将肿瘤视为异质性生态系统,影响治疗反应和预后。通过这种方式,栖息地影像组学提高了预测准确性,并支持个性化治疗策略。Wu等人使用基于CT的栖息地影像组学预测非小细胞肺癌的无进展生存期[23]。Yang等人表明,结合栖息地分析的MRI影像组学改善了基于机器学习的前列腺癌骨转移和高级别Gleason评分(GS)的预测[24]。在肝细胞癌、乳腺癌和胶质母细胞瘤中也报道了优越的预后性能[25–27]。在本研究中,使用108个影像组学特征和自适应聚类(K = 2–5)对肿瘤栖息地进行表征。K = 3个聚类时达到最佳性能,与传统影像组学相比,提供了更优的风险分层和ADT反应预测。
ViT模型在医学影像组学中具有显著优势,通过自注意力机制捕获全局上下文信息,这一能力对于检测医学图像中的细微病变至关重要。ViT能够自适应地聚焦于生物学相关区域,如肿瘤异质性区域,从而提高诊断精度。例如,Niu等人使用ViT区分胶质瘤亚型[28],而Jiang等人表明基于ViT的深度学习在预测直肠癌生存期方面优于CNN[29]。Chaurasia等人进一步证明,自监督ViT模型可以利用组织学图像有效地诊断和分级前列腺癌(PCa),区分良性和恶性组织,同时按恶性程度对肿瘤进行分类[30]。在本研究中,ViT在3D区域上进行训练,通过保留更丰富的空间上下文信息来增强预测性能。
SHAP被用于解释集成模型,基于博弈论提供透明、可靠的可解释性。它量化每个特征的贡献,确保全局模型行为与局部预测之间的一致性。SHAP已应用于多种疾病预测模型[31, 32]。在本研究中,我们使用SHAP进行定量分析,比较了不同模型的贡献。
本研究存在局限性。尽管是一项多中心研究,但样本量较小且随访时间短,限制了长期观察。各亚组间样本分布不均衡也可能引入分层偏倚。手动肿瘤标注耗时较长;未来工作应优先采用自动分割模型以提高效率和一致性。尽管如此,我们的框架在PCa综合评估中展现了强劲的性能,随着AI的进一步发展,有望改善PCa的临床管理。
结论
总之,基于多参数MRI(mpMRI)的栖息地影像组学,结合传统影像组学和ViT深度学习,为预测ADT反应和指导个性化治疗策略提供了一种无创框架。
补充信息
电子补充材料
引用
- Zhang, Zhou, Wang, et al. Integrating deep learning with multimodal MRI habitat radiomics: toward personalized prediction of risk stratification and androgen deprivation therapy outcomes in prostate cancer. Insights Imaging. 2026. PMID: 41586866. doi:10.1186/s13244-026-02205-8
- 全文:PMC12834885(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12834885/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。