基于多参数MRI影像组学联合肿瘤微环境特征的原发性中枢神经系统淋巴瘤双重表达状态预测：一项双中心研究

　　为解决原发性中枢神经系统淋巴瘤(PCNSL)双重表达淋巴瘤(DEL)诊断依赖有创检测的临床难题，研究人员创新性地整合影像组学与肿瘤微环境特征，通过机器学习构建预测模型。研究表明联合模型(AUC 0.8289)显著提升术前DEL状态预测效能，为无创诊断提供新思路。

　　

在神经肿瘤领域，双重表达淋巴瘤(Double expression lymphoma, DEL)作为原发性中枢神经系统淋巴瘤(PCNSL)的独立高危预后因子，其临床诊断长期依赖侵入性检测方法。这项开创性研究首次将传统影像组学(Radiomics)与创新性的肿瘤微环境特征(Habitat radiomics)相结合，通过分析肿瘤内部异质性构建机器学习预测模型。

研究团队收集了两个独立医学中心139例PCNSL患者的临床病理资料及多参数MRI数据，运用K近邻(KNN)、决策树(DT)、逻辑回归(LR)和支持向量机(SVM)等算法构建了三种预测模型。结果显示：基于传统影像组学的LR模型训练集AUC达0.8779(95%CI:0.8171-0.9386)；而基于T1增强扫描的肿瘤微环境模型(SVM)在测试集表现更稳定(AUC 0.7433)。最具突破性的是综合所有特征的"Combined all"模型，其LR版本在训练和测试集分别获得0.8962和0.8289的优异AUC值。

通过决策曲线分析(DCA)和校准曲线验证，该研究证实肿瘤微环境特征能显著提升DEL预测效能。SHAP分析则直观揭示了关键影像特征对模型决策的贡献度。这项双中心研究为PCNSL的无创分子分型提供了重要方法学突破，其构建的预测模型具有明确的临床转化价值。