基于多参数MRI影像组学与机器学习预测非肌层浸润性膀胱癌两年内复发风险的临床研究

　　本研究针对非肌层浸润性膀胱癌（NMIBC）术后高复发率及现有预测模型效能不足的临床难题，通过整合mp-MRI影像组学特征与EAU 2021风险分层临床参数，构建了支持向量机（SVM）预测模型。该模型在训练集和验证集分别达到AUC 0.973和0.891，外部验证AUC稳定在0.87-0.88，显著提升了个体化复发风险评估精度，为NMIBC术后精准管理提供了创新性工具。

　　

膀胱癌作为全球男性第四大常见恶性肿瘤，每年导致约20万人死亡，其中70-75%初诊患者属于非肌层浸润性膀胱癌（NMIBC）。虽然经尿道膀胱肿瘤切除术（TURBT）可有效切除肿瘤，但术后两年内复发率高达30-50%，部分患者甚至需要多次手术乃至根治性切除。现有临床预测模型如EORTC和CUETO评分系统的预测效能有限（AUC仅0.48-0.56），无法满足精准医疗需求。

为突破这一瓶颈，昆明医科大学第二附属医院陈博团队联合云南省肿瘤医院等机构，在《BMC Cancer》发表了创新性研究。该研究通过融合多参数磁共振（mp-MRI）影像组学特征与临床参数，构建机器学习模型来预测NMIBC术后两年内复发风险，为个体化术后管理提供了新方案。

研究采用三大关键技术方法：首先收集183例NMIBC患者的临床资料和mp-MRI图像（包含T2W、ADC和增强序列）；其次使用3D-Slicer软件手动勾画肿瘤感兴趣区域（ROI），提取1782个影像组学特征，并通过组内相关系数（ICC>0.8）筛选出1642个稳定特征；最后采用LASSO回归筛选出4个关键影像特征（MajorAxisLength、SZNN、S/V、Skewness），结合6项EAU临床特征构建数据集，对比10种机器学习模型性能。

临床特征验证结果

研究纳入的183例患者中，复发组（57例）与非复发组（126例）在年龄、T分期、肿瘤分级、多发性和肿瘤大小等方面存在显著差异（p<0.01），这与EAU 2021风险分层因素高度吻合。外部验证数据（云南省第一人民医院54例、云南省肿瘤医院54例）也呈现相同趋势，证实临床特征的普适性。

影像特征筛选结果

通过LASSO回归从1642个特征中筛选出四个关键影像生物标志物：

• •
  original_shape_MajorAxisLength（肿瘤长轴长度，反映肿瘤空间分布）
• •
  exponential_Glszm_SizeZoneNonUniformityNormalized（SZNN，量化病灶区域不均匀性）
• •
  original_SurfaceVolumeRatio（S/V，表面积体积比，表征肿瘤侵袭性）
• •
  Wavelet-HL_Skewness（偏度系数，反映信号强度分布对称性）
  这些特征与肿瘤生物学行为密切相关，例如较高SZNN值对应更大异质性，而高S/V值通常预示更强侵袭性。

模型性能对比结果

在10种机器学习模型中，支持向量机（SVM）表现最优：训练集AUC达0.9653（95%CI:0.9513-0.9793），验证集AUC为0.8905（95%CI:0.8569-0.9241），准确率89.05%。尽管KNN在训练集AUC最高（0.9726），但SVM在验证集展现更强泛化能力。逻辑回归（LR）模型虽非最优，但其构建的列线图整合了Rad-Score（计算公式：SZNN×0.4218+Skewness×0.4173+MajorAxisLength×0.5981+S/V×0.1096）与临床特征，提供了直观的预后工具。

模型验证结果

决策曲线分析（DCA）显示SVM模型具有临床适用性，校准曲线预测值与实测值高度吻合。外部验证中，模型在两家医院数据集分别达到AUC 0.88和0.87，证明其跨机构稳定性。

研究结论强调，SVM驱动的临床-影像组学模型显著提升了NMIBC复发预测效能，解决了传统风险评估的局限性。特别是ADC序列的应用，通过表征肿瘤细胞密度和扩散受限程度，为识别恶性特征提供了关键信息。此外，MajorAxisLength等影像特征与头颈癌研究中的发现一致，证实其跨癌种预后价值。

讨论部分指出本研究的局限性：回顾性设计可能存在选择偏倚，手动勾画ROI存在主观误差，且未整合分子生物标志物。未来需通过多中心前瞻性研究进一步验证。尽管如此，该模型为NMIBC患者术后化疗灌注方案选择（如吉西他滨与蒽环类药物疗效对比）提供了数据支持，尤其对T1G3高危患者具有重要临床指导意义。

这项研究不仅推动了膀胱癌精准医疗发展，更为影像组学在实体瘤预后评估中的应用提供了范式参考。