0 引言

       前列腺癌（prostate cancer, PCa）是全球范围内严重威胁男性健康的恶性肿瘤^[1]。根据最新的预测，PCa的年发病率将从2020年的140万增加到2040年的290万^[2]。在我国，PCa已连续五年位列男性泌尿生殖系统肿瘤发病首位，且发病率与死亡率逐渐递增^[3]。PCa的生长依赖于雄激素，雄激素剥夺疗法（androgen deprivation therapy, ADT）简称去势治疗，其核心是降低体内雄激素水平或者阻断雄激素与受体的相互作用，从而抑制PCa细胞的生长，它可以通过手术、药物两种方法实现^[4]。PCa的发病往往比较隐匿，发现时处于晚期^[5]，所以大部分的患者会采用药物ADT法进行治疗，但是部分患者^{[6, 7]}经过持续的ADT治疗后病变反复或呈持续进展，即转变为去势抵抗性前列腺癌（castration-resistant prostate cancer, CRPC）^[8]，这部分患者预后不佳，生存期明显缩短^[9]。因此在去势治疗前或治疗期间能够对患者是否发生去势抵抗进行预测非常重要，有助于患者选择更有效的治疗方案。影像组学可以通过整合和分析大规模生物医学图像数据，结合临床信息和基因组数据，揭示疾病的发病机制、诊断标志物和治疗靶点，为精准医学的临床实践转化提供依据^{[10, 11, 12]}。生境分析是融合放射组学特征提取、体素聚类算法及生物信息学建模，精准地划分出异质性肿瘤内部的各个亚区域，反映肿瘤的微环境，将传统影像的宏观形态信息转化为可量化的空间组学特征，是传统影像组学技术的深化与升级^{[13, 14]}。生境分析已在多类肿瘤的诊疗中展现出对疾病进展、转移风险及疗效评估的预测价值^{[15, 16, 17]}。然而，当前针对PCa的生境分析研究仍处于初步阶段，多数工作集中于肿瘤诊断及初始分期，缺乏对CRPC转化这一关键临床终点的深入验证。传统影像组学只聚焦于实体肿瘤的研究，而忽略了瘤周的影像信息，越来越多的研究表明，考虑到瘤周的影像信息进行分析可能具有更高的预后预测效能^{[18, 19]}。但多数研究未将瘤周影像组学特征与PCa患者ADT治疗后的临床随访数据进行系统关联分析，无法明确瘤周信息在CRPC预测中的价值。因此，本研究构建基于瘤内生境及瘤周特征的新型影像组学分析模型，旨在突破传统方法的局限性，通过空间异质性信息及瘤周信息建立ADT治疗后发生CRPC的预测体系，为PCa患者去势治疗反应性评估提供新型决策工具，并且分析其在临床工作中的应用价值。

1 材料与方法

1.1 研究对象

       本研究遵守《赫尔辛基宣言》，经内蒙古医科大学附属医院伦理委员会批准，免除受试者知情同意，批准文号：KY2025077。回顾性分析了内蒙古医科大学附属医院2018年1月至2022年12月有病理结果并经多参数磁共振成像（multiparametric magnetic resonance imaging, mpMRI）检查后4周内进行了ADT治疗的PCa患者。纳入标准：（1）穿刺活检证实的PCa患者；（2）MRI检查后进行ADT治疗；（3）完整的前列腺MRI图像及临床病理资料。排除标准：（1）已接受PCa根治术、放疗、化疗或其他局部治疗；（2）病理结果描述区域与MRI图像不匹配；（3）MRI图像质量差（出现运动伪影、磁化率伪影或关键解剖结构显示不清）；（4）病灶体积过小（≤1 cm³）无法准确划取感兴趣区（region of interest, ROI）；（5）合并其他恶性肿瘤。按照7∶3的比例随机分成训练组和验证组。对所有纳入的患者每3~6个月随访一次，包括总前列腺特异性抗原（total prostate specific antigen, tPSA）检测与临床评估，随访时间至少为2年^[20]，所有患者均按照上述随访方案进行，最长随访时间为6.2年，中位随访时间为4.1年（范围：2~6.2年）；在纳入的195例患者中，共有10例（5.1%）失访，其数据在失访日期截尾处理。根据是否确诊CRPC将患者分为CRPC组和非CRPC组。确诊CRPC标准：持续的去势水平血清睾酮<50 ng/dL或<1.7 nmol/L，同时满足以下两条标准中的至少一条：

       （1）间隔1周以上连续3次PSA上升，2次升高均在PSA低点50%以上，并且PSA>2 ng/mL；（2）影像学进展：新发病灶的出现，包括骨扫描提示2处或以上的新发骨转移病灶，或者是应用实体瘤疗效评价标准评价的新发软组织病灶。

       与PCa患者是否发生CRPC相关的临床参数有年龄、tPSA水平、格林森（Gleason）评分、临床T分期、前列腺影像报告与数据系统（prostate imaging reporting and data system, PI-RADS）评分以及是否发生骨转移。PCa患者入组流程如图1所示。

点击查看大图

图1  患者入组流程图。PCa：前列腺癌；ROI：感兴趣区；CRPC：去势抵抗性前列腺癌。
Fig. 1  Patient enrollment flowchart. PCa: prostate cancer; ROI: region of interest; CRPC: castration-resistant prostate cancer.

1.2 图像获取

       在本研究中，所有患者均接受GE Discovery MR750 3.0 T超导型磁共振仪的前列腺动态增强扫描，使用体部相控阵线圈进行信号接收。扫描序列包括T1加权成像（T1-weighted imaging, T1WI）、横轴位T2加权成像（T2-weighted imaging, T2WI）、扩散加权成像（diffusion-weighted imaging, DWI）及动态对比增强（dynamic contrast-enhanced, DCE）扫描。参数：T1WI采用快速自旋回波序列（fast spin echo, FSE）序列，重复时间/回波时间（repetition time/echo time, TR/TE）为500 ms/10 ms，层厚为3 mm，层间距为1 mm；T2WI采用快速恢复快速自旋回波（fast recovery fast spin echo, FRFSE）序列，TR/TE为4000 ms/100 ms，层厚为3 mm，层间距为1 mm；DWI采用单次激发平面回波成像（single-shot echo planar imaging, SS-EPI）序列，b值为0、1500 s/mm²，TR/TE为5000 ms/70 ms，层厚为4 mm，层间距为1 mm；增强扫描采用的对比剂为钆喷酸葡胺（北陆药业，中国），剂量为0.1 mmol/kg，注射速率为2 mL/s，延迟时间为60 s。从图像存档与通讯系统将T2WI、DWI与增强扫描图像导出，对图像进行重采样，分辨率为1 mm×1 mm×1 mm，在勾画前对所有的图像进行N4偏置场校正^[21]。

1.3 病灶分割

       将预处理完成的图像导入三维切片软件（3D Slicer）进行病灶的手动勾画，由两名医师（具有5年影像诊断经验的主治医师和10年影像诊断经验的副主任医师）独立阅片，并且根据前列腺影像报告和数据系统2.1版（prostate imaging reporting and data system v2.1, PI-RADS 2.1）^[22]评分指南对每例患者进行PI-RADS评分，勾画的过程中需避开尿道、坏死、囊变或出血等区域，如果多个病灶共存，则选择Gleason评分最高的病灶进行划定。如果Gleason评分相同，则选择直径最大的病灶进行描绘。当两位医师在影像诊断意见出现分歧时，由一名具有20年诊断经验的主任医师进行复核。逐层勾画整个肿瘤ROI（intra-tumor ROI），增强仅在动脉期^[23]进行勾画，勾画完肿瘤ROI，软件自动生成全PCa病灶三维感兴趣容积（volum of interest, VOI）（瘤内容积，intra-tumor VOI），然后由软件自动将肿瘤边缘外扩3 mm肿瘤边界，包括T2WI、DWI和增强序列。得到瘤内区+3 mm容积（VOIintra+3 mm）；VOIintra+3 mm容积减去intra-tumor VOI容积所得即为瘤周区容积（peri-tumor VOI）。所有原始图像及勾画完成的VOI病灶均保存为nii格式。

1.4 生境聚类

       本研究采用轮廓系数（silhouette coefficient）进行最佳聚类评估。我们选择k=2作为最佳聚类数。采用Scikit-Learn中的K均值聚类算法（K-means clustering algorithm），对每个样本的MRI序列T2-DWI-增强三个模态中VOI的体素值进行聚类。轮廓系数与聚类散点图如图2、图3所示，PCa病灶勾画示意图如图4所示。采用Python 3.7平台的PyRadiomics工具包（版本3.0.1）^[24]，分别从两个影像亚区（habitat1、habitat2）中独立提取影像组学特征。在队列层面，通过将ROI细分为亚区进行聚类分析，由于生物学异质性，部分病例未形成全部两个亚区聚类。针对此问题，采用跨患者特征均值计算法对两组影像亚区特征进行融合。基于筛选后的亚区特征，在训练组中构建分类模型，并在验证组中进行效能验证。

点击查看大图

图2  Silhouette系数评估聚类结果并选择出最佳聚类数目（k=2）。
图3  聚类散点图，数据点划分为两个显著亚区（Cluster 1和Cluster 2）。
Fig. 2  Silhouette coefficient analysis showing optimal cluster selection (k=2).
Fig. 3  Scatter plot demonstrating data partitioning into two distinct subregions (Cluster 1 and Cluster 2).

点击查看大图

图4  病灶勾画示意图。4A：瘤内区域勾画ROI；4B：瘤内区域生境分割ROI与VOI；4C：瘤周区域ROI；4D：瘤内加3 mm瘤周ROI。ROI：感兴趣区；VOI：感兴趣体积。
Fig. 4  Schematic representation of lesion delineation. 4A: Intratumoral ROI delineation; 4B: Habitat segmentation of intratumoral ROI and VOI; 4C: Peritumoral ROI; 4D: Intratumoral ROI with 3 mm peritumoral expansion. ROI: region of interest; VOI: volume of interest.

1.5 特征提取与选择

       影像组学特征提取采用PyRadiomics工具包（版本3.0.1）。从T2-DWI增强序列中进行特征提取，提取的特征种类包括3类：一阶特征、二阶纹理特征、形状特征。所有特征均采用Z-score变换进行归一化，为确保模型可重复性并降低过拟合/选择偏倚，使用组内和组间相关系数（intra-class correlation coefficient, ICC）来评价其稳定性和可重复性，ICC大于0.75的特征予以保留。使用最小冗余最大相关（minimum redundancy maximum relevance, MRMR）+最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）进行特征降维。

1.6 生境分析模型、瘤内瘤周组学及临床模型构建与评估

       本研究采用多维度建模策略构建预后预测模型。基于T2-DWI-增强多序列分别建立生境（habitat）、瘤内（intra-tumor）、瘤周（peri-tumor）、瘤内+瘤周（ROIintra+3 mm）影像组学特征预测模型；通过logistic回归中的进入法整合计算出每一位患者的影像组学评分（radiomics score, Radscore）；单因素logistic回归筛选具有统计学意义的临床变量（P<0.05），多因素logistic回归确定与发生CRPC相关的独立预测因子，构建临床模型；将临床特征与预测效能最佳模型特征进行整合，构建联合模型，绘制放射组学列线图（radiomics noogram, RN），提供可视化工具。在模型验证阶段，采用独立验证组评估模型性能，通过绘制的受试者工作特征（receiver operating characteristic, ROC）曲线来量化模型的区分能力。同时，采用决策曲线分析（decision curve analysis, DCA）评估模型的临床实用价值，并通过校准曲线验证预测概率与实际观察值的一致性，确保模型的校准度。

1.7 统计学分析

       本研究借助R语言（版本4.2.3）与SPSS（IBM，版本27）两款软件开展统计分析工作。对于计数资料和等级资料，均以频率或百分数（%）的形式予以呈现。在计量资料分析方面，首先实施Kolmogorov-Smirnov正态性检验。若计量资料符合正态分布特征，采用独立样本t检验进行组间差异性分析，若计量资料不符合正态分布，选用Mann-Whitney U检验完成统计学分析。使用曲线下面积（area under the curve, AUC）、95%置信区间（confidence interval, CI）来量化模型的预测性能，计算模型敏感度、特异度、准确度、阳性预测值、阴性预测值评估模型的能力。

2 结果

2.1 患者临床数据

       训练组与验证组患者的年龄、tPSA水平、Gleason评分、T分期、PI-RADS评分及是否发生骨转移等临床特征组间差异均无统计学意义（P>0.05，表1）。单因素logistic回归分析显示tPSA水平，Gleason评分、T分期及是否发生骨转移与PCa患者是否发生CRPC显著相关（P<0.05），多因素logistic回归分析结果显示，tPSA水平是PCa患者发生CRPC的独立危险因素（表2）。

点击查看表格

表1  训练组与验证组患者临床特征比较
Tab. 1  Comparison of clinical characteristics between training and validation sets

点击查看表格

表2  PCa患者发生CRPC的单因素、多因素logistic回归分析结果
Tab. 2  Univariate and multivariate logistic regression analysis of CRPC occurrence in PCa patients

2.2 特征选择

       从MRI图像中共提取到2322个影像组学特征，其中包括一阶特征540个，二阶纹理特征1740个，形状特征42个。经过MRMR+LASSO降维后，各模型保留的有意义特征分别为：生境分析模型17个，intra-tumor影像组学模型16个，peri-tumor影像组学模型15个，ROIintra+3 mm影像组学模型19个。特征提取过程及各模型提取特征所占权重详见图5、图6。

点击查看大图

图5  各模型特征选择过程（LASSO模型中的调整参数选择）。5A：生境模型；5B：瘤内影像组学模型；5C：瘤周影像组学模型；5D：瘤内联合瘤周3 mm模型。LASSO：最小绝对收缩和选择算子。
Fig. 5  Feature selection process of each model (Tuning parameter selection in the LASSO model). 5A: habitat model; 5B: intra-tumor model; 5C: peri-tumor model; 5D: ROIintra+3 mm model. LASSO: least absolute shrinkage and selection operator.

点击查看大图

图6  各模型特征权重示意图。6A：生境模型；6B：瘤内影像组学模型；6C：瘤周影像组学模型；6D：瘤内联合瘤周3 mm模型。
Fig. 6  Feature weight diagrams for each model. 6A: habitat model; 6B: intra-tumor model; 6C: peri-tumor model; 6D: ROIintra+3 mm model.

2.3 模型构建与预测效能

       临床模型在训练组的AUC为0.759（95% CI：0.682~0.835），在验证组的AUC为0.667（95% CI：0.534~0.801）。瘤内影像组学模型在训练组的AUC为0.797（95% CI：0.723~0.872），在验证组的AUC为0.697（95% CI：0.560~0.834）。与肿瘤内部分析相比，生境分析侧重于区域成像，在预测PCa患者发生CRPC方面展现出卓越的预测效能，优于传统组学模型。生境模型在训练组的AUC为0.838（95% CI：0.770~0.905），在验证组的AUC为0.821（95% CI：0.711~0.932）。基于预测效能最优的生境模型及临床特征构建联合模型诊断效能最高，在训练组的AUC为0.881（95% CI：0.825~0.937），在验证组的AUC为0.828（95% CI：0.721~0.934）。而ROIintra+3 mm组学模型的预测效能在训练组的AUC为0.826（95% CI：0.756~0.896），在验证组的AUC为0.752（95% CI：0.620~0.885），优于单纯瘤内、瘤周组学模型。表3显示了各个模型的诊断效能，图7显示了在训练组与验证组中各模型的ROC曲线。

点击查看大图

图7  训练组（7A）与验证组（7B）中各模型ROC曲线。ROC：受试者工作特征；clinical：临床模型；intra-tumor：瘤内影像组学模型；peri-tumor：瘤周影像组学模型；ROIintra+3 mm：瘤内联合3 mm瘤周模型；habitat：生境模型；AUC：曲线下面积；CI：置信区间。
Fig. 7  ROC curves of each model in the training (7A) sets and validation sets (7B). ROC: receiver operating characteristic; clinical: clinical model; intratumor: intra-tumoral radiomics model; peri-tumor: peritumoral model; ROIintra+3 mm: intratumoral ROI with 3 mm peritumoral extension model; habitat: habitat imaging model; AUC: area under the curve; CI: confidence interval.

点击查看表格

表3  各模型诊断效能
Tab. 3  Diagnostic performance of each model

2.4 影像组学评分及列线图的构建

       通过生境模型的17个最优组学特征，按其各自的系数加权而得到Radscore。多因素logistic回归的独立临床预测因子结合Radscore评分组成放射组学列线图（图8）。

点击查看大图

图8  基于生境分析及临床特征构建的列线图。PSA：前列腺特异性抗原；H_rad_score：生境分析影像组学评分。
Fig. 8  Nomogram based on habitat analysis and clinical features. PSA: prostate specific antigen; H_rad_score: habitat radiomics score.

2.5 各模型预测效能的评估

       各组间AUC值差异的DeLong检验两两比较结果显示，联合模型与瘤内影像组学模型间差异有统计学意义；其余模型间对比差异无统计学意义（P>0.05）。校准曲线分析显示，联合模型的预测概率与实际概率具有良好的一致性（图9）。DCA进一步表明，联合模型在较大阈值范围内能提供显著的临床净获益（图10）。

点击查看大图

图9  联合模型在训练组（9A）与验证组（9B）中的校准曲线。
Fig. 9  Calibration curves of the combined model in the training sets (9A) and validation sets (9B).

点击查看大图

图10  各模型在训练组（10A）与验证组（10B）中的决策曲线分析。clinical：临床模型；intra-tumor：瘤内影像组学模型；peri-tumor：瘤周模型；ROIintra+3 mm：瘤内联合3 mm瘤周模型；habitat：生境模型。
Fig. 10  Decision curve analysis of each model in the training sets (10A) and validation sets (10B). clinical: clinical model; intra-tumor: intratumoral radiomics model; peri-tumor: peritumoral model; ROIintra+3 mm: intratumoral ROI with 3 mm peritumoral extension model; habitat: habitat imaging model.

3 讨论

       本研究基于术前mpMRI开发和验证了生境组学、瘤内瘤周影像组学对PCa患者发生CRPC的预测模型，结果显示生境模型的预测价值显著高于传统组学模型，而其与临床模型相结合建立联合模型的诊断效能最佳。这表明，基于MRI的生境分析可以突破传统影像组学模型无法捕捉瘤内异质性全部程度的局限性，从而实现更准确的预测。

3.1 瘤周影像组学对PCa评估的价值突破

       在PCa的研究中，传统影像组学关注肿瘤内部的影像信息，随着研究发现瘤周在肿瘤的发生发展中起到关键作用。最近的几项研究逐渐关注PCa的瘤周，BAI等^[25]团队率先探索了对PCa瘤周区域（peritumoral region, PTR）的界定方法，以瘤内区域（intratumoral region, ITR）为基准向外延伸肿瘤长度的50%（3~12 mm）定义PTR的范围，在预测PCa包膜外侵犯（extraprostatic extension, ECE）的研究中，他们发现PTR影像组学特征在mpMRI中均显著优于ITR特征，初步揭示了PCa瘤周区域对PCa进展评估的潜力。接着，邱杨^[26]团队通过整合多模态MRI参数，开发了基于PTR的影像组学评估模型，研究证实，该模型在鉴别PCa的Gleason分级分组中表现出卓越性能（AUC=0.850，准确率95%），其效能显著优于传统瘤内模型或单一模态瘤周模型，验证了多模态PTR特征在精准分期中的价值。我们的研究表明扩展3 mm的瘤周影像组学模型对PCa患者发生CRPC具有不错的预测价值，而瘤内+瘤周3 mm的预测效能最高，高于单纯瘤内与瘤周组学模型，表明加入瘤周以后，模型的诊断效能得到提升，瘤周影像组学起到重要的补充信息。这一研究结果为CRPC的早期预警提供了新的量化指标，有助于临床医生更精准地制订治疗策略。相较于既往研究聚焦于ECE、Gleason分级等分期诊断，本研究首次将瘤周影像组学应用于CRPC预测，其原因在于瘤周作为肿瘤与正常组织的过渡区域，承载着肿瘤细胞侵袭、血管生成等关键生物学信息，这些信息与CRPC的发生发展密切相关^[27]。瘤周区域的独特生物学特性决定了其影像组学特征能够为CRPC预测提供新视角。

3.2 生境分析技术在PCa预测中的优势

       传统影像组学多聚焦于PCa整体肿瘤分析，如ZHOU等^[21]整合多模态数据来构建基于人工智能的CRPC进度预测模型，机器学习模型的AUC为0.755。而ResNet-50等深度学习模型在影像/病理组学中的最佳AUC仍局限在0.752和0.768区间，提示传统影像组学及深度学习在肿瘤微环境解析方面存在技术瓶颈。而生境分析则是突破其局限性，通过多参数影像（如动态增强MRI、PET代谢参数）分割肿瘤内具有不同微环境特征的亚区域，量化空间异质性格局，更精准反映肿瘤生物学行为。相关证据表明，肿瘤微环境在肿瘤恶性进展中起到关键作用^{[28, 29]}，与以前的研究相比，我们根据前列腺MRI体素特征的相似性和差异性将整个肿瘤划分为不同的生境亚区，并利用这些亚区的影像组学特征构建了一个预测模型。生境预测模型展现出显著优势，其在训练组与验证组CRPC风险预测中的效能指标均超越传统影像组学模型。这种技术的可行性在HUANG等^[30]的研究中得到交叉验证，该团队基于T2、DWI和表观扩散系数图将PCa肿瘤划分为三个亚区，构建生境联合MRI组学模型预测高危PCa，该预测模型在训练组和验证组中PCa风险的AUC分别为0.846和0.813，高于既往的传统组学的预测效能^[31]。本研究与生境分析相关文献的不同之处在于，HUANG等^[30]研究主要应用于高危PCa预测，而本研究将其拓展至CRPC预测领域。这一差异源于对肿瘤微环境与CRPC发生机制关联的深入理解，PCa的微环境特征^[32]是大量血管生成和浸润，其复杂的血管分布，导致瘤内的异质性血供分布。从而微环境发生适应性的变化，如缺氧、酸中毒和坏死。PCa受到多种免疫微环境网络的动态调控，导致肿瘤细胞免疫逃逸，发生CRPC，如效应淋巴细胞功能抑制和免疫抑制性细胞扩增等机制^{[33, 34]}，而生境分析通过分类体素，动态捕捉PCa微环境与肿瘤细胞增殖的协同演化过程，精准量化肿瘤生长中病理生理异质性及区域适应性特征。肿瘤微环境的复杂性决定了生境分析技术的应用价值，该成果为PCa的精准预测提供了新的技术路径，推动了肿瘤微环境研究与影像组学的交叉融合。

3.3 局限性与展望

       本研究存在一些局限性，第一，这是一项基于单一机构的回顾性研究，存在选择偏倚风险及潜在混杂因素干扰。未来需通过前瞻性以及多中心队列验证模型普适性；第二，瘤周划分没有严格的标准，本研究虽参考BAI等^[25]方法扩展3 mm，但未验证该阈值是否最优（如1 mm、5 mm可能提升PTR特征敏感性），未来需通过网络搜索优化扩展距离；第三，基于影像组学聚类生成的生境分区尚未与组织病理学进行空间匹配验证，下一步拟合穿刺活检坐标开展配准研究；第四，我们的研究没有应用更高级的学习方法，例如深度学习自动分割技术，这是我们未来的研究方向；第五，本研究在构建模型时未纳入一些重要的临床变量，如游离前列腺特异性抗原（free-prostate specific antigen, f-PSA）、f/tPSA比值、ECE以及精囊腺受累情况，这可能影响临床实用性，未来的研究需要整合这些指标以优化预测效能。

4 结论

       综上所述，本研究首次将生境分析技术与瘤周影像组学应用于CRPC预测，相较于传统影像组学指标效能显著提升，可为ADT治疗前高危患者的识别提供量化工具，进一步指导个体化治疗决策。