《Frontiers in Oncology》：MRI-based habitat radiomics for predicting WHO/ISUP nuclear grade in clear cell renal cell carcinoma
编辑推荐：
本研究创新性地构建并验证了一种基于MRI的、融合瘤内、瘤周及栖息地（Habitat）影像组学特征的列线图模型，用于肾透明细胞癌（ccRCC）WHO/ISUP核分级的术前无创预测。该模型通过K-means聚类识别肿瘤内异质性亚区，结合最优瘤周范围（2 mm）特征及独立临床预测因子（皮髓质期强化水平），在训练集和测试集中分别取得了0.934和0.912的高曲线下面积（AUC），并利用SHAP（Shapley Additive exPlanations）提升模型可解释性，为ccRCC个体化治疗决策提供了有前景的辅助工具。
引言
肾细胞癌（RCC）是全球第14位常见恶性肿瘤，其中肾透明细胞癌（ccRCC）是最主要的病理亚型。WHO/ISUP核分级系统是评估ccRCC预后的关键指标，高分级的肿瘤通常更具侵袭性。目前术前分级依赖有创穿刺活检，存在局限性和风险。磁共振成像（MRI）具有优越的软组织对比度，但其主观判读存在变异性。影像组学通过高通量提取定量影像特征，结合人工智能算法，为无创评估肿瘤生物学行为提供了新途径。然而，传统方法多将瘤内和瘤周区域视为同质整体，忽略了其空间异质性。栖息地成像技术通过聚类算法将肿瘤划分为具有相似影像特征的亚区，能更精细地量化肿瘤内异质性。本研究旨在开发一个可解释的融合模型，整合瘤内、瘤周及栖息地特征，用于预测ccRCC的WHO/ISUP核分级。
材料与方法
本研究回顾性纳入了154例经病理证实的ccRCC患者，随机分为训练集（108例）和测试集（46例）。所有患者均接受了术前MRI检查。在对比增强T1加权图像上，由两名放射科医生手动逐层勾画肿瘤感兴趣体积（VOI），并向外扩展1、2、3、4、5 mm生成瘤周区域。采用K-means聚类算法（最佳聚类数k=3由Calinski-Harabasz指数确定）识别肿瘤栖息地亚区。使用PyRadiomics包提取影像组学特征，并经过包括组内相关系数（ICC≥0.75）、单变量筛选、去除高相关性特征以及LASSO回归在内的多步特征选择流程。使用五种机器学习算法构建模型，并通过五折交叉验证进行超参数调优。将最优的瘤内、瘤周（2 mm）、栖息地模型特征与独立的临床预测因子（皮髓质期强化水平）整合，构建列线图。采用受试者工作特征曲线（ROC）、曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）评估模型性能，并利用SHAP进行可解释性分析。
结果
患者基线特征分析显示，肿瘤最大直径、肾窦受累、肾静脉侵犯、瘤内血管、皮髓质期强化水平在高低分级组间存在显著差异。单因素和多因素逻辑回归确定皮髓质期强化水平是核分级的独立预测因子。在比较的不同瘤周范围（1-5 mm）中，2 mm瘤周区域（Peri2mm）模型表现最佳（训练集AUC=0.884，测试集AUC=0.839）。栖息地聚类将肿瘤分为三个亚区，其中整合的栖息地（Habitat）模型性能最优（训练集AUC=0.894，测试集AUC=0.877），优于单个栖息地亚区模型及传统瘤内模型（训练集AUC=0.848，测试集AUC=0.816）。SHAP分析显示，栖息地1亚区（推测为中度至明显强化区）的特征对模型决策贡献最大。最终构建的融合瘤内、2 mm瘤周、整合栖息地特征及皮髓质期强化水平的列线图模型，取得了最高的预测性能（训练集AUC=0.934，测试集AUC=0.912）。校准曲线显示预测概率与观察结果一致性良好，DCA表明模型具有临床实用性。
讨论
本研究首次将MRI栖息地影像组学应用于ccRCC核分级预测。结果表明，栖息地模型通过量化瘤内异质性，提供了优于传统方法的判别性能。2 mm被确定为最优瘤周分析范围，可能因其在捕获相关微环境特征和减少远处正常组织干扰之间取得了平衡。栖息地1亚区（占比43.54%）表现出最强的预测能力，其影像特征可能反映了肿瘤内血管生成活跃、细胞密集的区域，与肿瘤侵袭性相关。皮髓质期强化水平作为独立预测因子，与高级别肿瘤因快速生长导致相对缺血、强化减低的理论一致。融合模型展示了优异的性能，其术前无创预测核分级的能力，对于指导治疗决策（如主动监测、肾部分切除术或根治性切除术的选择）具有潜在重要价值。研究的局限性包括回顾性单中心设计、样本量有限、仅使用单序列单期相图像以及手动勾画VOI可能引入的偏差。未来需要在多中心、多参数MRI的前瞻性队列中进行外部验证，并探索与病理的空间对应关系。
结论
本研究成功开发并初步验证了一个基于MRI栖息地影像组学的列线图模型，用于ccRCC WHO/ISUP核分级的术前无创预测。该模型整合了临床、瘤内、瘤周及栖息地特征，显示出良好的判别性能和临床实用性。SHAP分析增强了模型的可解释性。这项工作为ccRCC的无创术前分级提供了初步可行性证据，并为栖息地影像组学的临床转化提供了方法论指导。
