01文献学习本次分享的文献是由山东第一医科大学附属省立医院放射科王锡明团队联合北京大学第三医院、青岛大学附属医院、首都医科大学附属北京友谊医院等多中心团队与2025年6月在《BMC Medicine》中科院1区topIF8.3上发表的研究“Unsupervised learning‑based quantitative analysis of CT intratumoral subregions predicts risk stratification of bladder cancer patients”即基于无监督学习的CT肿瘤内亚区域定量分析预测膀胱癌患者风险分层该研究利用无监督聚类算法对膀胱癌患者的术前CT图像进行肿瘤内亚区域分割提取放射组学特征构建预测模型用于术前无创评估肌肉浸润MIBC vs. NMIBC和AJCC分期以辅助临床决策。创新点①创新采用无监督聚类算法将膀胱癌CT肿瘤区域自动分割为三个异质子区域从多角度量化瘤内异质性。②构建融合多个子区域特征与临床病理变量的预测模型较传统全肿瘤模型显著提升肌肉侵犯与AJCC分期预测性能。③引入SHAP方法解释各子区域影像组学特征贡献增强模型可解释性揭示不同子区域在预测任务中的生物学意义。临床价值①提供非侵入性术前评估工具可辅助判断膀胱癌肌肉侵犯与AJCC分期支持手术方案与治疗决策制定。②模型具有较好泛化能力经外部验证表现稳定有望推动影像组学在膀胱癌精准分层中的临床应用。③通过子区域分析识别高风险影像特征为患者个体化预后评估与治疗策略优化提供影像学依据。图 2研究流程图Section 1图像采集和勾勒数据来源静脉期CT图像操作两名放射科医生5年和10年盆腔CT经验用ITKSNA软件手动勾勒肿瘤VOI感兴趣区分歧通过共识讨论解决。Section 2基于无监督学习的肿瘤内亚区域分割预处理B样条插值重采样至1×1×1mmmin-max归一化最优聚类数确定肘部法K1-10聚类算法K-Means最终分割为3个肿瘤内亚区域UIS1、UIS2、UIS3。Section 3定量放射组学数据提取和筛选特征提取PyRadiomics提取1218个特征形状、灰度直方图、纹理筛选步骤①ICC0.75验证重复性②相关性分析消除多重共线性③K最优选择k1-10④临床病理变量用GLM逐步筛选P0.05VIF符合阈值。Section 4多机器学习模型构建和外部评估模型池6种算法DT、SVM、RF、GB、LR、KNN验证方法嵌套交叉验证内5折调参外5折训练模型类型7种临床病理模型、全肿瘤模型、3个亚区域模型、合并亚区域模型、融合模型评估指标AUROC、敏感性、特异性等DeLong检验比较模型差异。Section 5特征解释和诊断工具SHAP方法目的揭示各亚区域放射组学特征的贡献度辅助临床解释。02研究背景及目的研究背景膀胱癌是全球第二大泌尿系统恶性肿瘤每年新增约54.9万例死亡约20万例在中国每年亦有超过8.29万新发病例和4.14万死亡病例其防治形势严峻。准确评估肌肉浸润状态与AJCC分期对指导治疗策略和预后评估至关重要直接影响患者生存。目前多期相CT成像是术前评估膀胱癌的常规手段但其在判断肌肉浸润方面存在观察者间差异大、评估一致性不高等局限而术前活检虽为金标准却常因取样不全而低估肿瘤浸润程度。肿瘤内异质性作为影响肿瘤演进与患者预后的关键机制在膀胱癌中亦具有重要意义。近年来放射组学技术能够从医学影像中高通量提取定量特征为无创性评估肿瘤异质性提供了新途径。通过无监督聚类方法将肿瘤分割为不同亚区域进行分析能更细致地表征肿瘤内部结构差异从而更全面地揭示其异质性特征有望弥补传统影像与活检的不足为术前精准风险分层提供支持。研究目的本研究旨在开发一种基于无监督聚类学习的膀胱癌CT影像肿瘤亚区域放射组学模型以提升术前对肌肉浸润和AJCC分期的预测准确性。具体而言研究通过无监督聚类算法将膀胱癌肿瘤区域划分为三个亚区域并分别从全肿瘤区域及各亚区域提取放射组学特征结合临床病理变量构建包括全肿瘤模型、各亚区域模型、融合亚区域模型及综合模型在内的多种预测模型。重点评估亚区域模型在预测肌肉浸润和AJCC分期方面的效能并与传统全肿瘤模型及临床病理模型进行比较。研究最终目标是验证亚区域放射组学特征能否更有效地捕捉肿瘤内异质性从而为膀胱癌患者的术前风险分层、手术方案选择及后续治疗决策提供可靠的无创性辅助工具推动个体化诊疗发展。03数据和方法研究数据1数据来源训练队列中心A山东第一医科大学附属省立医院2006年1月-2021年12月收治的778例患者外部验证队列中心B青岛大学附属医院2018年1月-2022年12月收治的239例患者总样本量1017例其中男性826例81.2%训练队列中位年龄67岁IQR 60-75岁验证队列中位年龄58.5岁IQR 66-74岁。2纳入与排除标准纳入标准①组织学证实尿路上皮癌②术前20天内接受盆腔多期CTMPCT扫描排除标准①合并其他肿瘤②CT图像质量差或缺失③术前增强CT未检出肿瘤④临床病理数据缺失⑤接受过新辅助化疗或术前免疫治疗。3变量收集人口统计学年龄、性别实验室指标中性粒细胞计数、淋巴细胞计数、中性粒细胞/淋巴细胞比值NLR、细胞角蛋白20CK20、GATA结合蛋白3GATA3等临床症状与体征尿路感染、血尿、蛋白尿、肿瘤有无蒂结局指标①肌肉浸润状态NMIBC vs MIBC②AJCC分期低危0A、0is、I、II期高危IIIA、IIIB、IVA、IVB期。图 1纳入和排除流程图技术方法1图像处理与亚区域分割图像预处理静脉期CT图像手动勾勒肿瘤VOIITKSNAP软件B样条插值重采样至1×1×1mmmin-max归一化亚区域分割肘部法确定最优聚类数3个采用K-Means算法分割肿瘤亚区域。2特征提取与筛选特征提取PyRadiomics提取1218个特征14个形状特征、252个灰度直方图特征、952个纹理特征重复性检验ICC0.75的特征纳入后续分析特征筛选①相关性分析消除多重共线性②K最优选择k1-10③临床病理变量采用GLM逐步选择P0.05VIF符合阈值。3模型构建与评估算法选择支持向量机SVM、决策树DT、随机森林RF、梯度提升GB、逻辑回归LR、K近邻KNN验证方法嵌套交叉验证内5折调参外5折训练模型类型7种临床病理模型、全肿瘤模型、3个亚区域模型、合并亚区域模型、融合模型评价指标AUROC、敏感性、特异性、准确性、PPV、NPVDeLong检验比较模型差异SHAP分析特征贡献Hosmer-Lemeshow检验校准曲线。图 3肘部法确定最优聚类数图04实验结果肌肉浸润预测融合模型AUROC为0.884合并亚区域模型为0.871显著优于全肿瘤模型0.804AJCC分期预测融合模型AUROC为0.832合并亚区域模型为0.832全肿瘤模型为0.804亚区域贡献亚区域1边缘区特征混合预测性能中等亚区域2中心区以形态特征为主预测性能高亚区域3中央封装区以纹理异质性为主反映肿瘤微环境图 4外部验证集的AUROC曲线和校准曲线图 5SHAP特征贡献图图 6肌肉浸润任务的肿瘤内亚区域放射组学解释图图 7AJCC分期任务的肿瘤内亚区域放射组学解释图05研究结论该研究通过基于无监督学习的CT肿瘤内子区域定量分析方法成功构建了用于预测膀胱癌患者肌肉浸润状态与AJCC分期的影像组学模型。研究纳入了1017例患者采用K-Means聚类算法将肿瘤划分为三个子区域并分别提取影像组学特征最终构建了包括全肿瘤模型、各子区域模型、合并子区域模型及融合模型在内的七种预测模型。结果显示合并子区域模型在外部验证队列中表现出最优预测性能其预测肌肉浸润和AJCC分期的AUROC分别达到0.871和0.832且显著优于全肿瘤模型。研究进一步通过SHAP分析揭示了不同子区域的特征贡献差异表明肿瘤内异质性信息具有重要的预测价值。该研究表明基于CT影像的肿瘤内子区域分析能够有效提升膀胱癌术前风险分层的准确性为临床治疗决策提供了非侵入性、可量化的辅助工具但其临床推广仍需前瞻性研究进一步验证。参考文献Wang Y, Wang H, Li N, Wu S, Shi R, Sun K, Wang X. Unsupervised learning-based quantitative analysis of CT intratumoral subregions predicts risk stratification of bladder cancer patients. BMC Med. 2025 Jun 2;23(1):328. doi: 10.1186/s12916-025-04163-2.