0 引言

       前列腺癌（prostate cancer, PCA）是全球男性中仅次于肺癌的第二大常见的癌症，也是导致癌症相关死亡的第五大原因，截至2022年全球PCA新增病例约150万例^[1]。此外，2022年美国癌症协会发布了美国过去十年间被诊断为晚期PCA的比例从3.9%增加到8.2%^[2]。早期识别PCA的异质性，有利于预测PCA的侵袭性及进展。影像组学是一个前沿领域，涉及使用高级算法和机器学习技术从医学图像中提取定量特征，在提高诊断、预后和治疗计划的准确性方面显示出巨大的潜力。多参数磁共振成像（multi parameter magnetic resonance imaging, mpMRI）能够提供丰富的肿瘤信息，包括肿瘤的大小、位置、边界清晰度以及血流动力学特征等，这些信息可以为人眼无法识别的肿瘤异质性和侵袭性提供有价值的见解。通过在mpMRI等成像方式上分析PCA的质地、形状和强度，影像组学有助于开发预测模型，帮助临床医生在患者管理方面做出更明智的决策。ZOOMit扩散加权成像（ZOOMit diffusion weighted imaging, ZOOMit-DWI）序列已被证明可显著提升图像分辨率和信噪比，图像质量优于传统DWI，且与T2WI一致性高^[3]。该技术通过测量水分子在组织中的扩散情况，生成ZOOMit表观扩散系数（ZOOMit apparent diffusion coefficient, ZOOMit-ADC）值，PCA组织由于细胞密度高，水分子扩散受限，ADC值通常低于正常前列腺组织，有助于区分癌组织与非癌组织。ZOOMit-ADC还能够清晰显示肿瘤的边界和侵犯范围，帮助医生判断肿瘤是否侵犯周围组织和器官，如精囊、直肠等。还可以检测盆腔淋巴结是否有转移，为临床分期提供重要依据，避免过度治疗或治疗不足^[4]。

       既往研究基本上是基于影像组学特征（包括瘤内或瘤周）联合机器学习模型预测PCA的侵袭性及预后，属于监督机器学习方法；此外，对于PCA的侵袭性，既往研究主要关注于Gleason评分、前列腺包膜外侵犯、盆腔淋巴结转移（lymph node metastasis, LNM）以及骨转移^[5]，而本研究创新性地引入PCA神经微环境^[6]的神经周围侵袭（perineural invasion, PNI），从而提供了一种崭新的视角。聚类是一种无监督学习技术，已有效地应用于识别患者样本的固有分组，利用特定的相似性度量进行可视化和划分，通过综合mpMRI影像组学聚类分析来解读乳腺癌的异质性和预后指标的应用价值已被报道^[7]。然而既往研究大多是基于基因组学无监督聚类分析来探究癌症的分型及预后，影像组学领域应用较少。此外，就疾病类别而言，影像组学聚类分析已经应用于肺癌、乳腺癌等，目前尚无PCA相关研究报道。本研究目的是从mpMRI扫描中提取的影像组学特征进行详细分析，并将这些特征与组织病理学数据相关联，以提高PCA分类的准确性和特异性，从而评估PCA的侵袭性及判断预后。

1 材料与方法

1.1 研究对象

       本研究遵守《赫尔辛基宣言》，经马鞍山市人民医院医学伦理委员会批准，免除受试者知情同意，批准号：医学伦审（2021）第006-008号。回顾性收集2022年1月至2024年1月马鞍山市人民医院经前列腺MRI检查并确诊为PCA的患者数据。纳入标准：（1）完整序列的可用性，包括T2WI、T2WI脂肪抑制（T2WI fat suppression, T2WI-FS）、ZOOMit-DWI和ZOOMit-ADC；（2）MRI检查后1~2周通过穿刺或前列腺切除术病理证实为PCA。排除标准：（1）存在可能干扰分析的图像伪影；（2）PCA不是原发病灶的病例；（3）可疑病变边缘模糊，无法清楚勾画病变边缘的情况；（4）MRI前的任何干预，如活检、手术、放疗、化疗或激素治疗。

       临床显著性PCA（significant PCA, sigPCA）被定义为Gleason评分≥3+4、伴或不伴病灶体积≥0.5 cm³、伴或不伴包膜外侵犯的PCA。非临床显著性PCA（Non clinically significant PCA, NcsPCA）包括Gleason评分为≤6的PCA。

1.2 图像采集

       采用配备18通道相控阵体线圈的西门子3.0 T超导MRI进行图像采集。扫描序列包括轴向T2WI、T2WI-FS和ZOOMit-DWI。具体参数详见表1。

点击查看表格

表1  磁共振扫描序列及参数
Tab. 1  MRI scan sequence and parameters

1.3 图像分割

       本研究图像分割采用软件ITK-SNAP（3.8.0版）完成。放射科医师A（有5年前列腺MRI诊断经验的住院医师）在轴向T2WI和ZOOMit-DWI上独立盲法勾画感兴趣区（region of interest, ROI）（图1）。然后将DWI ROI复制到相应的表观扩散系数（apparent diffusion coefficient, ADC）图上。为便于解剖学参考，我们参考了穿刺和/或术后的病理报告。勾画时包括整个病变而不超出其边缘，同时尽可能避免尿道、钙化区域、出血和邻近结构，如膀胱、血管和神经静脉丛。所有ROI均接受了高年资医师B（有10年以上MRI诊断经验的副主任医师）和医师C（有15年以上MRI诊断经验的主任医师）的审查和调整从而达成共识，以最大限度地减少周围组织对图像的影响。

       为验证结果的可靠性，我们对分割的ROI开展一致性评估，采用DICE指数评价勾画一致性。

点击查看大图

图1  男，69 岁，前列腺癌患者，红色区域为ROI。1A：T2WI 图像；1B：T2WI-FS 图像；1C：ZOOMit-DWI（b=1000 s/mm2）图像；1D：ZOOMit-ADC图像；1E：基于ZOOMit-ADC 的二维感ROI 图像；1F：三维ROI 图像。ROI：感兴趣区；FS：脂肪抑制；DWI：扩散加权成像；ADC：表观扩散系数。
Fig. 1  Male, 69-year-old, a prostate cancer patient, red represents the ROI. 1A: T2WI image; 1B: T2WI-FS image; 1C: ZOOMit-DWI (b = 1000 s/mm2) image; 1D: ZOOMit-ADC image; 1E: Two-dimensional ROI image based on ZOOMit-ADC; 1F: Three-dimensional ROI image. ROI: region of interest; FS: fat suppression; DWI: diffusion weighted imaging; ADC: apparent diffusion coefficient.

1.4 特征提取与筛选

       本研究使用开源的Python软件包“pyradiomics”（2.2.0版）对mpMRI的每个序列进行影像组学特征提取。特征提取包括图像预处理和特征计算两个步骤。图像的预处理包括将图像重新采样为3 mm的各向同性体素大小和箱宽为10的灰度离散化。此外，还应用了图像强度归一化。每种模态提取了107个影像组学特征，包括形状、一阶和二阶纹理特征，以及从小波变换和高斯拉普拉斯变换图像中得出的高阶特征。确保所有特征都能被复制并满足图像生物标志物标准化倡议设定的标准^{[8, 9]}。

1.5 聚类分析

       我们采用mpMRI（T2WI、T2WI-FS、ZOOMit-DWI、ZOOMit-ADC）影像组学特征无监督聚类分析，对185名患者进行分类，确保对影像组学数据及其潜在临床相关性进行有效且深入的探索。该过程涉及以下关键步骤。（1）特征降维：我们应用统一流形近似和投影（uniform manifold approximation and projection, UMAP）方法进行特征降维。该步骤对于简化复杂的影像组学数据同时保留重要信息至关重要。对于每种成像模式，我们保留了10个关键特征，确保为后续分析提供全面且可管理的数据集。（2）确定最佳聚类数：聚类预测指数（cluster prediction index, CPI）用于确定最佳聚类数（k），即最优的k值对应的最大CPI。（3）综合聚类：因为我们的数据是多模态的，类似于多组学数据，因此应用了癌症分型的多组学整合与分析包（multi-omics integration and visualization, MOVICS）中的高级多组学聚类算法来进行多模态聚类分析。MOVICS包^[10]比其他R分子分型包的独特优势在于它能够同时处理多个数据集，传统的使用R包的分子分型仅限于使用单一类型的组合数据，如信使核糖核酸（messenger RNA, mRNA）表达矩阵，而MOVICS允许同时使用不同的数据类型进行分型，包括mRNA、长链非编码RNA（long non-coding RNA, lncRNA）、甲基化和突变数据。此外，它有助于对每个子类型的探索和分析，包含了10多种聚类分析方法（CIMLR、iClusterBayes、MoCluster、COCA、ConsensusClustering、IntNMF、LRAcluster、NEMO、PINSPlus和SNF），对这些方法的聚类结果进行一致性分析，并确定最佳的聚类结果。

1.6 统计学分析

       本研究统计分析均使用R软件（版本4.2.1，www.r-project.org）进行。连续变量在符合正态分布时描述为均值±标准差，非正态分布时描述为中位数（四分位距）。为了比较最终聚类的临床特征，使用卡方检验分析分类数据Gleason评分、sigPCA、P504S及LNM、前列腺特异性抗原（prostate-specific antigen, PSA）、脉管内可见癌栓、PNI和Ki-67，使用独立样本t检验评估连续数据年龄和前列腺体积（prosate volume, PV）。双侧P<0.05为差异具有统计学意义。

2 结果

2.1 一般病例资料

       共有185例PCA患者符合纳入标准PCA，159例为sigPCA，26例为NcsPCA。患者中最常见的Gleason评分为4+3（45例）和3+4（40例）。175例患者P504S检测呈阳性，而10例P504S检测呈阴性；181例患者PSA阳性，4例PSA阴性；27例有LNM，65例有PNI。详见表2。

点击查看表格

表2  多参数磁共振成像特征与临床病理特点
Tab. 2  Multi-parameter MRI features and clinicopathological features

2.2 ROI勾画一致性评估

       我们对分割的ROI开展一致性评估，采用DICE指数评价勾画一致性。随机选取20个数据进行重复勾画，DICE结果为0.797（四分位值为0.756、0.840）。

2.3 聚类分析

       数据表明CPI在k=2时达到峰值，这表明分类计数2是该分析的最佳选择（图2）。设置k=2，采用10种先进的多组学聚类分析方法进行聚类。对这10个结果的一致性分析产生了一个聚类一致性矩阵（图3）和一个影像组学特征在两个不同聚类中分布模式的热图（图4）。热图显示，影像组学特征在两种聚类之间有所不同。

点击查看大图

图2  采用聚类预测指数（cluster prediction index, CPI）和间隙统计量（gap-statistics, Gaps）估计聚类数量。CPI用于确定最佳聚类数（k），图中在k=2时对应的最大CPI，表明分类计数2是该分析的最佳选择。
Fig. 2  Estimate the number of clusters using cluster prediction index (CPI) and gap-statistics (Gaps). The CPI is used to determine the optimal number of clusters (k), which corresponds to the maximum CPI. In the graph, the CPI peaks at k = 2, indicating that a cluster count of 2 is the best choice for this analysis.

点击查看大图

图3  2种聚类亚型采用10种聚类分析方法得到的聚类一致性矩阵。具体操作，每个算法得到NumberN矩阵（N为患者数），矩阵的每个元素表示是否将两个患者分成一组（如果将患者1和患者2分成一组，则矩阵的第一行，第二列为1，改为0），然后将10种算法的矩阵相加，得到一个合并矩阵。根据合并矩阵，采用HC（层次聚类）进行聚类，得到最终的分组结果。
Fig. 3  The clustering consistency matrix was obtained using 10 clustering analysis methods for 2 subtypes of clusters. Specific operation, each algorithm obtains a NumberN matrix (N is the number of patients), where each element of the matrix is whether to group two patients together (for example, if patient 1 and patient 2 are grouped together, then the first row and second column of the matrix are set to 1 and changed to 0). Then add the matrices of the 10 algorithms together to obtain a merged matrix. According to the merging matrix, HC (hierarchical clustering) is used for clustering to obtain the final grouping result.

点击查看大图

图4  基于前列腺多参数成像特征（T2WI、T2WI-FS、ZOOMit-DWI、ZOOMit-ADC）热图。热图显示影像组学特征在两种聚类之间分布不同。FS：脂肪抑制；DWI：扩散加权成像；ADC：表观扩散系数。
Fig. 4  Thermal map based on prostate multiparametric imaging features (T2WI, T2WI-FS, ZOOMit-DWI, ZOOMit-ADC). The thermal map shows that the radiomics features are distributed differently between the two clusters. FS: fat suppression; DWI: diffusion weighted imaging; ADC: apparent diffusion coefficient.

2.4 聚类亚型与临床病理特征相关性分析

       两种聚类亚型与临床病理特征之间的相关性分析（表2）显示年龄及PV差异没有统计学意义（P>0.05）。sigPCA的发病率两组分别为92.857%（78/84）和80.198（81/101），聚类1型显示sigPCA发生率较高，差异有统计学意义（P<0.05），并生成了如图5所示的柱状图。采用Gleason评分系统对PCA进行评估。结果显示，在聚类1型中，4+3分的比例最高（32.143%），其次是3+4和5+4分（均为15.476%）。在聚类2型中，3+4分的比例最高（26.733%），两组聚类亚型3+5和5+3的比例一样。两种聚类亚型之间的Gleason评分差异存在统计学意义（P=0.035）。两组患者的Ki-67及PSA的表达方面差异没有统计学意义（P>0.05）。在P504S表达方面，聚类2型的比例较高（91.089%），两组差异有统计学意义（P<0.05）。两组的脉管内可见侵犯及PNI发生率差异无统计学意义（P>0.05）。聚类1型的LNM发生率21.429%高于聚类2型的8.911%，差异显著。

点击查看大图

图5  内在影像组学表型与数据集中的sigPCA显著相关（cluster 1 vs. cluster 2：93% vs. 80%；P=0.02）。sigPCA：临床显著性前列腺癌。
Fig. 5  The intrinsic radiomics phenotype is significantly correlated with sigPCA in the dataset (cluster 1 vs. cluster 2: 93% vs. 80%; P=0.02). sigPCA: significant prostate cancer.

3 讨论

       传统监督学习方法常以结局指标作为类别标签构建预测模型，其内部验证策略易导致模型泛化性能受限。本研究创新性采用非监督聚类技术，基于mpMRI的影像组学特征实现PCA亚型分类，而非依赖直接预后标签，进而系统分析各影像亚型与临床病理参数的相关性。该技术通过挖掘未标记数据的内在模式特征，将具有高相似性的样本归入同一聚类，并在类间形成显著异质性，现已成为生物医学数据分析的重要工具^[11]。本研究基于mpMRI影像组学聚类分析，发现PCA存在潜在的影像表型，这个表型如本研究的聚类1型与象征高侵袭性或预后差的sigPCA、LNM发生率相关，以此表征PCA的侵袭性及预后指标，从而对PCA的个体化治疗及预后评估有重要临床价值。

3.1 基于临床病理特点

       LNM是预后不良的重要标志，表明癌细胞已扩散至原发肿瘤以外区域。对于PCA患者，LNM是影响预后的关键因素。中国男性sigPCA发病率居亚洲首位（Gleason评分≥7）^[12]。该病侵袭性强、进展快，需综合激素治疗、放疗等多手段干预，早期诊治至关重要^[13]。NcsPCA通常进展缓慢，美国指南建议仅需动态随访，避免侵入性检查^[14]。而本研究聚类1型与高比例sigPCA（92.857%）、LNM（21.429%）及更高Gleason评分（以4+3分为主）显著相关（P均<0.05），提示该亚型可能代表生物学行为更具侵袭性的肿瘤群体。这一结果与既往基于mpMRI影像组学特征预测PCA侵袭性的研究结论一致。究其原因，肿瘤细胞增殖旺盛，腺体结构被破坏，腺泡内液体减少，此外高侵袭性肿瘤的细胞异型性更明显，间质纤维化或坏死更常见，使得组织的T2弛豫时间缩短，PCA在T2WI表现为低信号区域。初步研究结果表明^[15]，基于T2WI的纹理特征参数（如熵值、对比度等）的变化可间接反映肿瘤细胞的增殖活性、组织结构紊乱程度。T2WI-FS可抑制脂肪信号，使肿瘤与周围组织对比更明显，便于观察肿瘤边界和侵袭范围。肿瘤细胞的快速增殖和恶性转化导致细胞结构改变，细胞排列紧密，细胞膜完整性和流动性发生变化，限制了水分子的自由扩散。同时，肿瘤新生血管异常，也会影响周围微环境中水分子的扩散状态，这些因素共同导致在ZOOMit-DWI上出现特征性高信号和ADC值下降，低ADC值与肿瘤细胞的高增殖活性和侵袭能力密切相关，可反映肿瘤的侵袭潜能^[3]。本研究的聚类分析进一步将这些分散的影像组学特征整合为可量化的表型亚型，相比单一影像指标，更能全面反映肿瘤的异质性，这可能是其与临床高风险指标显著相关的关键原因。正是基于T2WI、T2WI-FS、ZOOMit-DWI及ZOOMit-ADC反映肿瘤侵袭性的分子机制，揭示了本研究聚类模式后潜在的影像学基础。

       Ki-67是一种广泛存在于恶性肿瘤细胞中的核抗原，虽非肿瘤特异，但作为细胞增殖活性的关键标志物，常用于评估肿瘤增殖状态。研究证实Ki-67与PCA的增殖、侵袭性、转移及预后相关^{[16, 17]}。而本研究两种聚类亚型的Ki-67表达差异没有统计学意义（P=0.491），原因可能是：其一，样本中肿瘤的临床病理特征分布不均，存在较高异质性；其二，本研究的两个聚类亚型Ki-67阳性率分别为14.286%（12/84）和9.901%（10/101），定性差异没有统计学意义，定量分析（标记具体Ki-67值）有可能差异显著。P504S是诊断PCA高度敏感（95.8%）和特异（96.5%）的标志物^[18]。另有研究表明P504s表达水平与Gleason评分（提示肿瘤侵袭性及预后）或肿瘤体积之间无显著相关性^[19]。具体而言，当Gleason评分从（3+4）升至（4+3）（侵袭性提高）^[20]时，与Ki-67和PSA免疫染色呈正相关，而与P504s无此关联。本研究发现聚类1型较聚类2型的P504s表达率更高且差异具有统计学意义，可能原因是P504s主要用于区分前列腺疾病良恶性，其表达可能更多与肿瘤的“恶性属性”本身相关，而非单纯反映侵袭性的高低，聚类1型可能在肿瘤发生的早期分子特征或细胞表型上与聚类2型存在差异，这种差异更易体现在P504s的表达水平上，而未影响与侵袭性相关的Gleason评分。

       PNI的定义为癌细胞靠近神经并累及至少33%神经或神经鞘的三层结构中任何一层出现肿瘤细胞^[21]。研究显示，前列腺活检中检测到的PNI与根治性前列腺切除术（radical prostatectomy, RP）后肿瘤预后存在显著相关性。这一病理现象不仅可能反映PCA侵袭性的新型生物学机制，还被证实为术后生化复发（biochemical recurrence, BCR）的独立预测因子^[22]。临床病理学分析表明，PNI的存在与更具侵袭性的肿瘤表型相关，包括不良病理特征（如手术切缘阳性、前列腺外侵犯及精囊浸润）以及更高的ISUP分级和pT分期^[23]，使其成为指导主动监测或强化治疗的重要风险分层指标^[24]。在预测技术方面，ZHANG等^[25]构建的放射学模型通过整合T2WI、DWI影像特征与临床参数，实现了PNI术前预测的高精度识别。而KARTASALO团队^[26]开发的深度神经网络（deep neural network, DNN）模型不仅能自动识别活检样本中的PNI，还提供可视化解释，有助于鉴别肿瘤亚型。然而，本研究并没有发现所分析的两种聚类亚型与PNI的存在之间的显著关系（P=0.754），且聚类1型的PNI发生率较低（33.333%），笔者认为原因是本研究入组的185例患者中，只有65例发生了PNI，样本量较小，PCA病例中PNI可能存在较大的个体差异性，从而降低识别聚类亚型的分类预测性能。此外，影像组学对PNI的表征局限性不仅源于样本量，更涉及MRI技术对神经束的显示能力、特征与生物学机制的关联性不足，以及方法学的内在缺陷。CT影像组学在预测胆管癌^[27]和胃癌^[28]PNI时，需结合临床特征（如Bismuth分型）以提高准确性，但仍无法完全克服影像学对神经束侵犯的识别不足。MRI结合靶向神经结合肽探针可提高神经密度的可视化敏感度，但单独MRI对微小神经侵犯的识别仍有限^[29]。此外，影像组学模型对PNI的预测效能受限于MRI对神经束的显示能力^[30]。未来需结合高分辨率序列（如扩散张量成像、扩散频谱成像）、靶向对比剂和多模态数据融合，以提升PNI预测的准确性。最后，也有可能是我们感兴趣的影像组学特征无监督聚类分析后与PNI的相关性较弱，而ZHANG等^[25]、KARTASALO等^[26]通过监督机器学习，与PNI相关性较强。

       聚类2型中Gleason评分3+4分占比最高（26.733%），且sigPCA、LNM发生率均低于聚类1型，提示该亚型更倾向于低-中侵袭性肿瘤。值得注意的是，两组亚型在3+5和5+3分比例上接近（2.381% vs. 1.980%），这可能反映了部分肿瘤侵袭性特征的独立性，其与影像组学表型的关联需更大样本量验证。

       这种基于聚类分析驱动的内在影像表型，有助于评估侵袭性及判断预后。既往研究大多是基于mpMRI结合机器学习进行判别分析，来探究影像组学特征和Ki-67^[31]、LNM^[32]、sigPCA^{[33, 34]}以及PNI^{[25, 26]}的相关性，虽然可无创预测这些临床病理特点，但机器学习模型也存在如可解释性不强、数据过拟合和欠拟合、模型泛化能力有限等不足^[35]。本研究采用的无监督聚类无需预设临床结局，不过度依赖高质量标注数据，能根据影像特征的内在关联识别潜在亚型，尤其利于探索未知疾病异质性，为发掘新生物标志物提供线索。

3.2 基于聚类分析

       GAO等基于PCA聚类分析发现聚类2型具有更高的Gleason评分（P<0.001）、更高的淋巴结侵袭（P=0.005）以及更高的病理T分期（P<0.001）^[36]，相较于本研究基于PCA聚类分析发现聚类1型Gleason评分≥7（即sigPCA，P=0.024）及LNM（P=0.028）高于聚类2型，差异更显著。究其原因，GAO等是基于基因组学来探究生物学行为和预后，基因组学直接从遗传物质层面入手，反映的是肿瘤发生发展的内在根源，能够精准识别特定基因变异和分子亚型，由此得出的聚类亚型更加准确独立。但基于影像组学聚类分析可实时获取肿瘤信息，能直观反映肿瘤形态和微环境变化，便于动态检测。此外，因其无创、便捷及价格相对便宜，在经济性、效率和可行性方面，也表现出了更明显的优势。

       本研究基于影像组学聚类分析发现聚类1型与高侵袭性及预后不良（sigPCA、LNM发生率高）相关，这与一些学者的研究^{[7, 37, 38]}相仿，PEREZ-JOHNSTON等^[37]指出基于临床Ⅰ期肺腺癌CT影像组学聚类分析发现聚类4型与侵袭性较强的实性和微乳头状亚型相关（13/45，29%）。同时，该聚类中淋巴管浸润发生率最高（28/45，62%，P<0.001），且空气间隙扩散发生率也较高（31/45，69%；P<0.001），这些特征均提示预后不良。另有学者ASHRAF^[38]基于乳腺癌单参数MRI [动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）]影像组学聚类分析发现聚类亚型3和4（尤其是4）的影像特征中对比剂快速摄取、肿瘤更大且边缘不规则等与高复发风险的基因表达谱显著相关（AUC=0.77），将聚类亚型类别作为附加变量时，预测性能进一步提升（AUC=0.82）。HE等^[7]通过探究乳腺癌多参数MRI影像组学聚类分析发现聚类1型相比聚类2型表现出更不利的预后特征，如雌激素受体（P=0.01）和孕激素受体（P=0.04）阳性率更低、Luminal A亚型比例更小（P=0.03）、肿瘤更大（P<0.01）、组织学分级更高（P<0.01）、LNM（P=0.01）和肿瘤周围水肿发生率更高（P<0.01）等。与之不同的是，PEREZ-JOHNSTON等^[37]是基于CT，更易区分肿瘤实性/磨玻璃状结构，因此该聚类亚型主要与肿瘤密度及侵袭性特征（如淋巴管浸润、空气间隙扩散）关联紧密。ASHRAF等^[38]仅用单参数DCE-MRI（侧重肿瘤血管动力学特征），故聚类结果与对比剂摄取模式（如快速增强）强相关。而HE等因其整合多序列信息（解剖、扩散、灌注），覆盖更全面的肿瘤生物学特征，故聚类亚型可直接关联预后相关的临床病理指标（如肿瘤大小、LNM），与本研究相符。此外，这两项研究^{[37, 38]}主要基于单一聚类算法，可能导致聚类亚型偏多（聚类亚型为4）。另一项研究^[7]与本研究聚类结果一致（聚类亚型为2），基于多种聚类算法验证，结果更稳定，聚类亚型更少，更聚焦核心预后差异。

3.3 随访策略调整及个体化治疗

       本研究首次将非监督聚类技术系统性应用于PCA的mp-MRI影像组学分析，通过提取成像特征中的固有模式识别侵袭性高、预后差的潜在亚型，同样达到PCA的风险分层的目的。为直观呈现聚类结果，创新性引入基因微阵列分析中常用的热图-树状图联合可视化策略。这种基于数据驱动的影像表型识别方法，规避了传统监督学习的标签依赖局限性，有可能为PCA风险分层提供崭新的切入点，对复发预测和个体化治疗具有重要转化价值。例如，对于聚类1型患者，提示其疾病进展风险较高，临床可将其列为重点监测对象，缩短影像学复查间隔（如每3个月一次MRI检查），并加强血清肿瘤标志物的动态监测。采用更积极的术前评估（如淋巴结穿刺活检），并在手术方案中适当扩大淋巴结清扫范围，对于无法手术的患者，聚类1型可作为优先选择联合治疗（如放化疗同步）的参考依据；而聚类2型患者可采用常规随访频率（如每6个月一次MRI检查），减少不必要的医疗资源消耗。优先考虑单一治疗模式（如单纯放疗或内分泌治疗），以平衡疗效与不良反应。

3.4 局限性与展望

       本研究有一些局限性，第一，本研究是在单一的中心进行的，从而导致样本代表性不足及选择偏倚，这表明未来的研究应该涉及更大的样本量，并纳入来自多个中心的数据，以证实该模型的临床效用。第二，本研究中的一些患者以穿刺活检病理作为诊断标准，可能与术后病理结果不一致，从而造成诊断准确性偏差、分组偏差，期待未来通过增加验证环节确定最终病理或敏感性分析评估结果稳定性。第三，本研究为一项回顾性研究，存在患者选择偏倚和信息获取有限的挑战。第四，本研究聚类分析得到的亚型没有经过外部验证，亚型识别的可重复性与普适性有待进一步研究去验证，未来可通过外部或公开数据集进行验证。第五，聚类分析与监督学习的互补性表明，临床实践中可先通过聚类识别影像表型亚型，再利用监督学习将其转化为个体化风险评分，兼顾疾病异质性探索与精准预测需求。

4 结论

       综上所述，我们确定了基于PCA mpMRI的放射学特征的无监督聚类的内在成像表型与象征高侵袭性、预后差的sigPCA、和LNM发生率相关。这些聚类亚型可以作为这些临床病理特征的风险预测因子，放射科医生通过MRI早期发现这些特征和内部表型，有助于判断侵袭性、预后分层、随访策略调整以及辅助选择治疗方案。