《Frontiers in Oncology》：Radiomics based on habitat analysis in predicting parametrial invasion of early stage cervical cancer
编辑推荐：
本研究通过影像组学生境（Habitat）分析，创新性地利用T2加权磁共振成像（T2WI）对早期宫颈癌（CC）的宫旁浸润（PMI）进行术前预测。研究将肿瘤划分为三个具有不同信号特征的子区域（生境），并从中提取影像组学特征构建预测模型。结果显示，基于低信号生境（Habitat 3）的模型在训练集和测试集中均表现出最优诊断性能（曲线下面积AUC分别为1.00和0.85），其性能显著优于传统全肿瘤模型及其他生境模型。该方法为CC患者术前精准评估PMI状态、制定个体化治疗方案提供了可靠的影像学生物标志物，具有重要的临床转化潜力。
引言
宫颈癌（CC）是全球范围内威胁女性生殖系统健康的主要恶性肿瘤。准确的术前临床分期，特别是宫旁浸润（PMI）状态的评估，对制定治疗方案至关重要。根据国际妇产科联盟（FIGO）分期标准，存在PMI将疾病分期提升至IIb期，治疗首选同步放化疗而非根治性手术。磁共振成像（MRI），尤其是T2加权成像（T2WI），是目前评估PMI最常用的无创工具，但其诊断准确性受肿瘤压迫、瘤周水肿或炎症变化等因素限制。影像组学通过从医学图像中提取大量定量特征，揭示了肉眼难以察觉的信息，在肿瘤表征和治疗预测方面展现出优势。然而，传统影像组学将整个肿瘤视为均匀实体，未能充分捕捉肿瘤内异质性。生境（Habitat）分析通过将肿瘤划分为不同亚区并分别提取特征，能够更精细地表征肿瘤生物学行为。本研究旨在评估基于T2WI的生境分析影像组学在预测早期CC患者PMI中的应用价值。
材料与方法
本研究回顾性分析了2020年3月至2024年10月期间经术前评估为FIGO IB-IIA期并接受根治性子宫切除术的CC患者的术前MRI图像和临床病理资料。最终纳入110例患者，随机按8:2比例分为训练集和测试集。由两名经验丰富的医师在ITK-SNAP软件上手动勾画T2WI序列上的肿瘤感兴趣区（ROI），并经资深放射科医师审核。图像预处理包括N4偏置场校正和强度归一化（0-1）。随后，基于训练集所有患者ROI内的体素强度值，应用K-means无监督聚类算法，根据失真度、Davies-Bouldin指数和Calinski-Harabasz指数确定最佳聚类数目为3，将肿瘤划分为三个生境亚区：生境1（高T2WI信号，提示含水量高或水肿）、生境2（中等T2WI信号，代表存活肿瘤组织）、生境3（低T2WI信号，指示细胞密度高的实体肿瘤成分）。使用PyRadiomics包从全肿瘤和每个生境分别提取2264和1890个影像组学特征。特征选择流程包括：z-score标准化、点二列相关分析（p<0.05）、递归特征消除交叉验证（RFECV）以及最小绝对收缩和选择算子（LASSO）回归。最终从全肿瘤、生境1、生境2、生境3中分别筛选出10、10、7、9个有效特征。基于这些特征，使用13种机器学习分类器构建预测模型，并根据测试集曲线下面积（AUC）选择最优分类器。模型性能通过AUC、准确率、敏感性、特异性、F1分数、校准曲线、决策曲线以及综合判别改善指数（IDI）等进行评估。
结果
患者特征分析显示，训练集中PMI阳性与阴性组间，淋巴血管间隙浸润（LVSI）状态存在显著差异（p<0.001）。所有构建的模型在区分PMI阳性和阴性方面均表现出良好的分类性能。在训练集中，全肿瘤、生境1、生境2、生境3模型的AUC分别为0.814、0.800、0.777和1.000。在测试集中，相应的AUC分别为0.758、0.750、0.763和0.850。生境3模型的诊断性能显著优于全肿瘤模型及其他生境模型（IDI均具有统计学显著性，p<0.05）。生境3模型在训练集和测试集中的敏感性、特异性、AUC（95%置信区间）分别为97.9%、100%、1.00（0.999–1.00）和75.0%、100%、0.850（0.649–1.00）。校准曲线显示生境3模型预测概率与实际结果具有良好的一致性，决策曲线分析表明其在多数阈值概率下具有更高的临床净获益。
讨论
本研究证实基于T2WI全肿瘤及其生境亚区的影像组学模型能有效预测早期CC的PMI。其中，生境3模型表现最佳。这与既往生境影像组学研究结果一致，表明该方法具有稳健性。相较于以往的多序列或多参数MRI影像组学研究，本研究采用单序列T2WI结合生境分析，在保证诊断性能的同时，显著减少了扫描时间和后处理复杂度，提升了临床实用性和跨中心可重复性。生境分析通过空间分解肿瘤内部异质性，能更有效地表征与PMI相关的微观结构和功能特征（如局部血供、细胞密度），从而提高预测准确性。LVSI在PMI阳性与阴性患者间的显著差异，提示其可作为术前风险分层的潜在病理学指标。
结论
基于生境分析的影像组学能有效预测早期CC患者的PMI状态，其诊断性能优于传统的全肿瘤影像组学方法。该策略为CC的术前PMI预测提供了一种有前景的手段，并为影像组学与肿瘤微环境分析的深度融合奠定了理论基础。
