基于生境感知影像组学与自适应2.5D深度学习的ESCC新辅助 chemoimmunotherapy 疗效预测与生存分析

　　来自双中心的研究团队针对食管鳞癌（ESCC）新辅助 chemoimmunotherapy（NACI）反应预测中空间瘤内异质性（ITH）解析不足的问题，开发了一种融合 habitat radiomics 与 2.5D 深度学习的多模态可解释框架。该研究在269例患者中实现优越预测效能（验证AUC=0.865），首次识别侵袭前沿（H2）为关键耐药亚区，为ESCC精准诊疗提供机制驱动的影像生物标志物。

　　

当前影像组学方法在解析食管鳞状细胞癌（ESCC）的空间瘤内异质性（Intratumoral Heterogeneity, ITH）方面存在局限，制约了新辅助 chemoimmunotherapy（NACI）疗效预测的准确性。为此，研究者提出了一种可解释的多模态框架，其核心目标包括：通过体素级生境影像组学（habitat radiomics）定量绘制瘤内与瘤周异质性图谱；利用2.5D深度学习技术建模横断面肿瘤生物学特征；并借助SHAP可解释性分析建立机制驱动的生物标志物，以识别耐药相关亚区域。

这项双中心回顾性研究纳入了269例初治ESCC患者，所有患者均接受基线PET/CT成像。数据集划分为训练集（n=144）、验证集（n=62）与测试集（n=63）。研究采用基于K均值聚类（经Calinski-Harabasz指数优化）的生境影像组学方法在PET与CT图像上 delineate 肿瘤亚区，并从每种模态提取了1,834个影像组学特征。通过多阶段特征筛选流程（包括单变量过滤、mRMR和LASSO回归），最终遴选出32个判别性特征。

2.5D模型整合了肿瘤±4层的相邻切片，通过MixUp通道融合PET与CT信息，并采用经ImageNet预训练的ResNet50进行微调。多示例学习（Multi-Instance Learning, MIL）机制将切片级特征聚合为患者级预测结果。生境特征、MIL签名与临床变量进一步通过五分类器集成（包括ExtraTrees、支持向量机SVM与随机森林）和Crossformer架构进行融合，过程中使用SMOTE技术平衡数据分布。

验证结果表明，生境影像组学在验证集上达到0.865的AUC值（95% CI: 0.778–0.953），显著优于传统影像组学（ΔAUC +3.6%, P<0.01）与临床模型（ΔAUC +6.4%, P<0.001）。SHAP分析将侵袭前沿（Habitat H2）确定为最具预测力的区域（贡献了40%的顶级特征），其中小波变换特征wavelet_LHH_firstorder_Entropy影响最大（SHAP=+0.42）。2.5D MIL模型表现出强泛化能力（验证AUC: 0.861），而融合模型在测试集上实现了0.824的AUC与0.875的灵敏度，且具有优良的校准度（Hosmer-Lemeshow P>0.800）、有效的生存分层能力（测试C-index: 0.809）以及在决策曲线分析（DCA）中23–41%的净收益提升。

该研究通过整合生境影像组学与2.5D深度学习，为ESCC提供了可解释的双重诊断-预后分层工具，通过解码空间异质性推动了精准肿瘤学的发展。