《Frontiers in Oncology》：Intratumoral habitat and peritumor radiomics for progression risk stratification of patients with soft tissue sarcoma: a multicenter study
编辑推荐：
本综述建立并验证了一个整合瘤内栖息地（habitat）与瘤周影像组学特征的列线图（nomogram），用于预测软组织肉瘤（STS）患者的无进展生存期（PFS）。研究通过K-means聚类将瘤体划分为三个功能亚区，并从多区域（瘤体、瘤周、瘤体扩张区及瘤内栖息地）提取高维特征构建模型。验证结果显示，该模型具有较高的预测效能（C指数0.777）和临床实用性，能为组织病理学分級系统提供增量价值，实现患者的精准风险分层。
引言
软组织肉瘤（STS）是一组组织学异质性高的恶性肿瘤，占所有恶性肿瘤不足1%。根治性切除术是局部病变的标准治疗方式，但术后预后较差，复发率高达33%-50%，远处转移率约为46%。早期识别术后高复发或转移风险患者，对优化新辅助放化疗方案、改善预后至关重要。现有TNM、FNCLCC和NCI分期系统虽常用于预后评估，但基于低维临床信息的模型其性能和普适性存在争议。影像组学通过高通量提取影像特征，可提供更丰富的决策信息。然而，既往研究多将瘤体视为整体，忽略了瘤内功能亚区（栖息地）和瘤周微环境的异质性信息，而侵袭性栖息地与瘤周改变对肿瘤生物学行为有重要提示作用。
材料与方法
本研究回顾性纳入了4家医疗机构2007年1月至2022年7月接受手术的148例STS患者的术前MRI数据（脂肪抑制T2加权成像FS-T2WI和对比增强脂肪抑制T1加权成像CE-T1WI）。训练队列108例，验证队列40例。图像预处理包括配准、N4偏置场校正、肿瘤相关区域（瘤体、瘤周10 mm范围内区域、瘤体扩张区）勾画及空间重采样。采用K-means聚类将瘤体体素按信号强度值划分为三个栖息地：栖息地1（低强化实性亚区，低CE-T1WI/FS-T2WI信号）、栖息地2（高强化活性亚区，高CE-T1WI/FS-T2WI信号）、栖息地3（中等活性亚区，中等信号）。使用PyRadiomics从各区域提取大量影像组学特征，并通过Combat算法校正多中心差异。最终构建了常规影像组学特征集、栖息地基线特征集和栖息地影像组学特征集共18个签名，并筛选出最佳影像组学特征签名计算影像组学进展风险评分（RPRS）。结合临床预测因子（年龄）与RPRS构建列线图模型。采用C指数、受试者工作特征曲线下面积（AUC）、综合Brier评分（IBS）、校准曲线和决策曲线分析评估模型性能。通过X-tile确定风险分层截断值，并用Kaplan-Meier生存分析比较不同风险组间的PFS差异。
结果
患者中位PFS为12.5个月。栖息地基线特征签名预测性能不佳，而融合瘤周和栖息地特征的“Peri-tumor + Habitat_combined”签名在验证队列中表现最佳（C指数0.761，中位AUC 0.775，IBS 0.131）。列线图整合了年龄和RPRS，其在验证队列中的预测性能（C指数0.777，AUC 0.808，IBS 0.135）优于单一临床模型或影像组学签名，且决策曲线显示在全阈值概率范围内具有良好临床获益。根据列线图风险评分（截断值1.28）将患者分为低危和高危组，Kaplan-Meier分析显示两组PFS在训练和验证队列中均存在显著差异（P<0.01）。此外，列线图在低和高组织病理学分級亚组中均能实现有效风险分层。
讨论
本研究证实，结合瘤内栖息地与瘤周影像组学特征的列线图能有效预测STS患者的肿瘤进展风险。与单一区域分析相比，多区域特征整合模型更能全面量化肿瘤异质性。瘤周区域（本研究定义为瘤外10 mm）蕴含了反映肿瘤侵袭性的微环境信息；而基于体素聚类的瘤内栖息地分析则避免了人工分区的偏差，并能挖掘高维特征所描述的异质性。该模型可为临床提供增量信息，辅助识别高危患者，从而指导术后辅助治疗决策：低危患者可考虑初始单纯手术以避免放化疗副作用，而高危患者则需接受系统性辅助治疗。研究的局限性包括回顾性设计可能带来的选择偏倚、需进一步验证模型在不同MRI参数和多中心数据中的鲁棒性，以及手动勾画肿瘤边界可能引入的偏差。
结论
基于瘤内栖息地与瘤周影像组学的列线图能有效预测STS患者的肿瘤进展风险，并实现精准风险分层，其性能优于其他基于栖息地或单一区域的模型，具有重要的临床转化潜力。
