0 引言

       前列腺癌（prostate cancer, PCa）是全球男性中发病率最高的恶性肿瘤之一，全球范围内PCa的发病率呈现显著上升趋势^[1]。在国内PCa的形势也不容乐观，根据国家癌症中心2024年数据，发病率位居男性恶性肿瘤前列^[2]。与发达国家相比我国PCa筛查普及不足，导致超过2/3的患者在初诊是已经进展至中晚期或发生转移，错过最佳治疗窗口。格里森评分（Gleason score, GS）常用于判断PCa的生物学行为的标准，GS≥4+3属于高级别PCa，其具有生长更快，侵袭性更高的生物学行为，复发和转移风险显著增高，临床常采用积极治疗（手术或放疗），常需联合内分泌治疗^[3]。磁共振成像（magnetic resonance imaging, MRI）作为显示PCa结构最好的成像手段，多参数磁共振成像（multiparametric magnetic resonance imaging, mpMRI）相比于单序列MRI能反映出更多肿瘤的内部信息，在PCa中双参数磁共振成像（biparametric magnetic resonance imaging, bpMRI）和mpMRI具有相似的诊断效能^{[4, 5]}。bpMRI的优势包括以下几点：无需注射对比剂，副作用小，更安全、更经济；检查时间更短，效率更高；简化判断时间，标准化程度更高。影像组学可通过MRI序列图像的纹理、形态及功能特征对肿瘤的病理分型进行预测，而PCa在肿瘤间和肿瘤内以及患者间水平上呈现异质性多样性，这受多种内在和/或外在因素的影响，肿瘤内异质性（intra-tumor heterogeneity, ITH）在PCa预后、治疗选择、复发和治疗耐药性获得中起关键作用，但是传统影像组学忽略了肿瘤内部异质性，导致分子分型判别、预后预测等关键临床评估的准确性受到显著制约^{[6, 7, 8]}。随着人工智能和深度学习的不断发展，医学影像组学领域引入生境分析，称为生境成像（habitat imaging, HI），是一种基于生物学环境特征的影像组学分析方法，通过提取和分析医学影像数据中的特征，描述和量化组织内部的异质性和各个区域之间的相互关系，这种方法在肿瘤诊断、治疗决策和预后评估中具有重要意义^{[9, 10, 11]}。本文基于bpMRI构建生境影像组学模型无创性预测PCa的病理分型，探究GS≥4+3与GS≤3+4之间的瘤内异质性，为临床对PCa患者的诊疗提供理论依据。

1 材料与方法

1.1 研究对象

       本研究回顾性分析了2023年12月至2024年8月期间经穿刺或手术病理证实为PCa患者191例。纳入标准：（1）通过组织学确认其Gleason评分；（2）血清总前列腺特异性抗原（total prostate specific antigen, tPSA）>4 ng/mL；（3）包括完整的相关临床资料。排除标准：（1）行MRI扫描前接受手术、放化疗等治疗；（2）图像质量差及病灶过小（直径<5 mm）以至于无法进行病灶分析；（3）并发其他恶性肿瘤。本研究遵守《赫尔辛基宣言》，经马鞍山市人民医院伦理委员会批准，免除受试者知情同意，批准文号：医学伦审（2024）第11（22）号。

1.2 检查设备及扫描参数

       所有前列腺MRI检测均采用Siemens MANGETO Prisma 3.0 T超导型MRI仪，令受检者呈仰卧位，采用18通道体部线圈扫描。扫描包含横断面T2WI和多b值DWI序列，T2WI参数：FOV 200 mm×200 mm，TR 6980 ms，TE 104 mm，层厚3 mm，层数23层。多b值小视野扩散加权成像（ZOOMit diffusion weighted imaging, ZOOMit-DWI）序列，ZOOMit-DWI参数：FOV 220 mm×220 mm，TR 4000 ms，TE 65 ms，体素0.9 mm×0.9 mm×3.0 mm，层厚3 mm，层数23层，带宽为1750 Hz/px，b值为0、50、100、200、500、1000、1500、2000和2500 s/mm²，最终选用b=2000 s/mm²的ZOOMit-DWI以及相应b值生成的表观扩散系数（apparent diffusion coefficient, ADC）图像。

1.3 MRI图像采集和分割

       所有患者的ZOOMit-DWI均从后处理机器（Siemens syngo.via）导出。所有图像均经过重采样（1 mm×1 mm×1 mm）预处理过程，感兴趣区（region of interest, ROI）的勾画在ITK-SNAP 3.8上进行，由2名分别具有5年工作经验的放射科主治医师（医师1）和15年工作经验的放射科副主任医师（医师2）在双盲情况下进行PCa病灶的分割，先由医师1结合ZOOMit-DWI图像，在ADC上进行三维ROI的逐层手动勾画，沿病灶边缘手动勾画ROI，尽量避开出血、囊变和坏死等区域，再由医师2进行验证。在双方意见不同的情况下，由另一位具有15年以上工作经验的放射科主任医师进行定夺。

1.4 PI-RADS评分判定

       由2名分别具有5年工作经验的放射科主治医师，在不知晓患者临床资料情况下，参照前列腺影像报告和数据系统（prostate imaging reporting and data system, PI-RADS）第2.1版进行判读，若两者对于同一病灶评分不一致，则由另一位具有15年以上工作经验的放射科主任医师进行复核。

1.5 生境亚区生成及影像组学分析

       为生成肿瘤微环境图谱^[12]，我们在ADC图像中提取19个影像组学特征。通过整合T2WI与ZOOMit-DWI图像，采用无监督K均值聚类方法在所有肿瘤体素中生成相似亚区，聚类数（k）设定为2~10以控制聚类分辨率。随后以Calinski-Harabasz（CH）值作为最佳聚类数选择标准，由最大CH值确定最终聚类数。完成聚类后，将属于同一簇的像素赋予相同颜色生成聚类标签（亚区）图谱。

       针对基于PCa bpMRI的影像组学分析，我们采用PyRadiomics软件包（3.1版本）从T2WI、ZOOMit-DWI和ADC中提取特征。每个序列共提取107个特征，包括：（1）42个形态学特征；（2）72个灰度共生矩阵（GLCM）特征；（3）42个灰度依赖矩阵（GLDM）特征；（4）48个灰度游程矩阵（GLRLM）特征；（5）48个灰度区域大小矩阵（GLSZM）特征；（6）15个邻域灰度差异矩阵（NGTDM）特征；（7）54个一阶特征。三个序列共提取321个特征，随后采用Z-Score法对所有特征进行标准化处理。

1.6 量化肿瘤内部异质性

       ITH分数（ITHscore）计算参考以下公式^[13]：

       连通区域的数量记为ni，每个聚类i的最大连通区域面积（Si, max）。更多的连通区域和每个聚类中更小的最大面积对应于更异质的模式。其中V表示标签图中的聚类数量，Stotal是肿瘤面积。ITHscore的范围从0到1。ITHscore越高，代表聚类分布越散乱，表明肿瘤内部异质性更高。

1.7 特征选择及模型建立

       为了筛选出低冗余特征，对影像组学特征进行Z-Score标准化，对于高重复的特征，计算Spearman相关系数，最后使用最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）算法，通过10折交叉验证选择最佳λ值，构造惩罚函数λ收缩部分回归系数使一些特征变为0，从而得到稳定的特征。根据最佳λ值对应的模型，筛选非零系数的特征，通过稳健归一化，对筛选特征进行标准化，根据LASSO回归算法筛选出的特征及其对应的系数，通过SHAP分析可视化图，以评估各特征重要性。经过各特征融合和筛选，分别建立10个生境影像组学habitat模型。为了降低过拟合，进行5折交叉验证以选择训练序列中的分类模型的最佳参数。

1.8 统计学分析

       采用统计软件SPSS（v25.0, IBM,https://www.ibm.com/products/spss-statistics）对数据进行分析，连续变量符合正态分布数据进行独立样本t检验，以（x̄±s）示，非正态数据进行Mann-Whitney U检验，以[M（P25，P75）]表示，连续变量组件采用t检验。采用受试者工作特征（receiver operating characteristic, ROC）曲线及相应曲线下面积（area under the curve, AUC）分析生境成像影像组学及临床数据和PI-RADS评分数据集对PCa病理分级的诊断价值，进一步比较不同亚区对PCa病理分级的相关性。仅选择具有统计学意义的特征（P<0.05）。采用了最小冗余最大相关性算法优化功能集并在相关性和冗余之间取得平衡。进一步采用决策曲线分析（decision curve analysis, DCA）评估模型的净获益。P<0.05为差异具有统计学意义。

2 结果

2.1 临床特征分析

       191例PCa病例纳入本研究，其中高风险组PCa为131例，低风险组PCa为60例，以7∶3比例随机划分为训练集和测试集。训练集分析显示，高风险组患者的总前列腺特异性抗原（tPSA）水平显著高于低风险组，且前列腺体积也明显更大（P值分别为<0.001、0.034），但两组患者的年龄差异无统计学意义（P=0.628）。测试集的结果与之部分一致，高风险组的tPSA水平同样显著高于低风险组（P=0.038），但前列腺体积和年龄的组间差异均不显著（P值分别为0.606、0.777），详见表1。

点击查看大图

图1  男，70岁，前列腺癌，格里森评分4+4，肿瘤内异质性分数0.91，肿瘤内部异质性较高。1A：表观扩散系数图像；1B：单一层面亚区生成结果，红色代表h1亚区，绿色代表h2亚区；1C：生境亚区空间分布图。
Fig. 1  Male, 70 years old, prostate cancer, Gleason score 4+4, intratumoral heterogeneity score 1A: apparent diffusion coefficient image; 1B: Single-slice subregion generation results, with red representing h1 subregion and green representing h2 subregion; 1C: Habitat subregion distribution map in space.

点击查看表格

表1  训练集及测试集中高风险PCa及低风险PCa患者临床特征比较
Tab. 1  Comparison of clinical characteristics between high-risk PCa and low-risk PCa patients in training set and test set

2.2 肿瘤内部异质性分析

       基于术前bpMRI图像计算的ITHscore在全部患者中表现出广泛的变异范围（0.000~0.943），其均值为0.502±0.279，中位数（四分位距）为0.504（0.209，0.745）（图1）。

2.3 特征选择和模型构建

       使用k-means算法基于影像特征进行聚类，将聚类中心数设置为2~10个，通过CH值作为评估指标，评估标准为CH越高，则结果最优，选择最优聚类中心数为2（图2），生成相应亚区，并赋予2个生境亚区不同的颜色标签。

       对于生境影像组学数据集，从h1和h2生境亚区中分别提取107个特征。通过去除冗余特征，最终筛选h1亚区筛选出5个特征，h2亚区筛选出5个特征，共10个特征，建立10个分类模型。通过SHAP分析得出h2亚区中original_glszm_ZoneEntropy特征影响力最大（图3）。

点击查看大图

图2  Calinski-Harabasz（CH）值评估聚类结果并选出最佳聚类数目（k=2），横坐标为聚类数k，纵坐标为CH值。
Fig. 2  The Calinski-Harabasz (CH) value evaluates clustering results and selects the optimal number of clusters (k=2), with the horizontal coordinate representing the number of clusters k and the vertical coordinate representing the CH value.

点击查看大图

图3  生境影像组学模型利用SHAP进行总样本及单一样本分析。3A：SHAP全局图，显示了每个特征与SHAP值之间的相关性；3B：SHAP瀑布图，显示单个样本的预测值红色代表正向影响，蓝色代表负向影响；3C：SHAP力图，显示单个样本的SHAP表示最终预测值为0.86，高于基准值，预测病灶为高风险前列腺癌。
Fig. 3  The habitat radiomics model utilizes SHAP for total sample and individual sample analysis. 3A: SHAP global plot, showing the correlation between each feature and SHAP values; 3B: SHAP waterfall plot, displaying the predicted value of a single sample: red indicates positive influence, blue indicates negative influence; 3C: SHAP force plot, showing the SHAP representation of a single sample with a final predicted value of 0.86, higher than the baseline value, predicting the lesion as high-risk prostate cancer.

2.4 各模型预测效能评估

       对于生境影像组学数据集采用10个分类器进行模型构建。在测试集中极端随机树（extremely randomized trees, ExtraTrees）模型预测效果最佳，其中训练集AUC值为0.838（95% CI：0.768~0.908），测试集AUC值为0.796（95% CI：0.665~0.927），利用DCA评估ExtraTrees模型的临床净收益（表2、图4），在测试集中阈值为0.652。对于临床数据和PI-RADS评分数据集采用10个分类器进行临床+PI-RADS评分模型构建。在测试集中逻辑回归（logistic regression, LR）模型预测效能最佳。其中训练集AUC值为0.786（95% CI：0.705~0.866），测试集AUC值为0.719（95% CI：0.550~0.887），利用DCA评估LR模型的临床净收益（表3、图5），在测试集中阈值为0.264。生境影像组学模型AUC值及DCA阈值高于临床+PI-RADS评分模型。

点击查看大图

图4  生境成像影像组学模型的ROC曲线。4A~4B：生境影像组学模型在训练集（4A）和测试集中（4B）的ROC曲线；4C：最佳预测模型ExtraTrees在训练集和测试集中的ROC曲线；4D：最佳预测模型ExtraTrees在测试集中的校准曲线图。ROC：受试者工作特征；ExtraTrees：极端随机树。
Fig. 4  ROC curves of the habitat radiomics models. 4A-4B: ROC curves of the habitat radiomics model in the training set (4A) and test set (4B); 4C: ROC curves of the optimal prediction model ExtraTrees in the training set and test set; 4D: Calibration curve of the optimal prediction model ExtraTrees. ROC: receiver operating characteristic; ExtraTrees: extremely randomized trees.

点击查看大图

图5  临床+PI-RADS模型ROC曲线。5A~5B：临床+PI-RADS模型在训练集（5A）和测试集中（5B）的ROC曲线；5C：最佳预测模型LR在训练集和测试集中的ROC曲线；5D：最佳预测模型LR在测试集中的校准曲线图。ROC：受试者工作特征；LR：逻辑回归。
Fig. 5  ROC curves of the clinic + PI-RADS models. 5A-5B: ROC curves of the Clinic-PI-RADS models in the training set (5A) and test set (5B). 5C: ROC curves of the optimal prediction model LR in the training set and test set; 5D: Calibration curve of the optimal prediction model LR. ROC: receiver operating characteristic; LR: logistic regression.

点击查看表格

表2  训练集及测试集中的各生境影像组学模型的诊断效能
Tab. 2  Diagnostic efficacy of each radiomics model in the training set and test set

点击查看表格

表3  训练集及测试集中的各临床+PI-RADS评分模型的诊断效能
Tab. 3  Diagnostic efficacy of each clinical+PI-RADS score model in the training set and test set

3 讨论

       本研究基于双参数序列图像，通过评估肿瘤内部的异质性，划分生境亚区，定量计算PCa内部异质性，揭示高风险及低风险PCa的生物学异质性。SHAP分析量化生境分区特征贡献值，构建生境影像组学模型，无创性预测高风险和低风险PCa。PCa患者不同Gleaosn分级的之间存在异质性，需要个性化评估风险，对患者做出最佳的管理及治疗方案^[14]。本研究与以往研究结果一致，相比于年龄与前列腺体积，PSA与PCa风险密切相关，是可靠的生物学标志物，但是其准确率较低，常作为PCa筛查指标^{[15, 16]}。

3.1 bpMRI对PCa的诊断价值

       随诊功能性MRI序列的引入及PI-RADS评分的制定，mpMRI在PCa检测及分期中发挥着重要作用^{[17, 18]}。影像组学及人工智能的进展，潜在改善MRI诊断率及PCa侵袭性的评估^[17]。T1WI、T2WI、DWI及动态对比增强成像是mpMRI标准序列，但bpMRI仅需无对比剂的T2WI和DWI方案，降低了成本、采集时间和对比剂相关风险，而二者诊断准确性相匹配^{[19, 20]}。

       DWI是mpMRI及bpMRI的关键组成部分，用于前列腺中肿瘤检测和定位，PI-RADS v2和PI-RADS v2.1强调了DWI在移行区和外周带中评估作用^[21]。ADC序列是通过比较DWI序列中在不同b值下获得的数据获得的，它表示水分子在反映扩散敏化的时间尺度上的净位移，低信号强度证实了DWI上被视为高信号的限制弥散，这在两种情况下都反映了相同的潜在现象，ADC序列根据所用DWI序列的实际质量和重建中使用的b值而变化^{[22, 23]}。解剖序列T2WI被认为是识别具有临床意义PCa的主要成像序列，且PI-RADS中强调了T2WI在诊断PCa中的作用^{[24, 25]}。ADC值作为定量参数有助于区分高风险和低风险PCa，且与Gleason评分显著相关，是PCa的重要预测因子^{[26, 27]}。因此本文选择T2WI、DWI及ADC作为研究序列，在亚区生成中选择ADC图提取定量影像组学特征，再整合T2WI与DWI图像，生成生境亚区。

3.2 HI在肿瘤中的应用

       HI和影像组学都是基于医学影像发展而来的技术，二者都是通过提取医学影像中的定量特征诊断疾病、评估治疗及预测预后。HI的优势在于其侧重于肿瘤内部微环境的划分，从而揭示ITH的空间分布及肿瘤发展过程^{[28, 29]}。传统影像组学模型常将肿瘤视为均质化整体进行特征提取，忽略了肿瘤内部异质性，而HI通过空间分割技术将肿瘤划分为不同的生物学亚区，反映肿瘤内部异质性^{[29, 30]}。HI中关键在于生境亚区的划分，目前常用的方法有K均值聚类算法、高斯混合模型及OTSU，其中K均值聚类算法运用最广。ITHscore从生成的栖息地模型中得出，通过定值反映出瘤体内部的异质性大小。不同亚型或表型的肿瘤受到表观遗传或转录组学的影响从而增加肿瘤的异质性^{[31, 32]}。ITH不仅可影响诊断，同时也对治疗、疗效和疾病监测、耐药性和预后评估等产生影响^[33]。临床上高异质性肿瘤其肿瘤增值能力、侵袭能力和转移能力更强，导致治疗获益不佳，从而导致较差的预后^{[34, 35]}。ITHscore的优势在于通过无创性医学影像定量分析肿瘤内部异质性。除计算ITHscore，本研究还对聚类后的生境亚区进行特征的定量分析，结果证明HI模型具有高效的预测效能。

3.3 HI与PCa GS的研究

       GS精确定义了PCa病理中细胞形态变异的分级标准，随着GS中4+3和3+4的细分，研究表明GS 4+3 PCa的预后比GS 3+4 PCa差，因此区分这两种类型的PCa具有临床意义^{[36, 37]}。在本研究中，h2亚区中original_glszm_ZoneEntropy特征对预测PCa GS的影响力最大，因为ZoneEntropy常用于衡量一个系统的不确定性或无序度，在影像组学中，基于GLSZM矩阵的分布来计算ZoneEntropy，ZoneEntropy越高，则区域大小非常多样化、无序，导致图像纹理非常粗糙、杂乱、异质性高。对于PCa，GS越高，则腺体结构紊乱、融合、坏死，细胞核异型性明显，组织结构高度异质。综上，高GS的PCa中，肿瘤生物学行为更具侵袭性，肿瘤微环境空间结构高度异质，在医学影像上表现为复杂的纹理模式，而ZoneEntropy可以量化图像中复杂的纹理区域大小的无序性。PCa在肿瘤间和肿瘤内以及患者间水平上呈现出多样的异质性，PCa患者中不同GS中存在转录水平的异质性，低GS的PCa，其肿瘤细胞形态规则、大小均一，肿瘤微环境相对单一，而高GS的PCa中肿瘤失去腺体分化，肿瘤微环境内充斥着结构紊乱的癌细胞团，空间异质性极高。因此，在医疗诊断中，定量PCa患者ITH并制定个性靶向治疗，将在临床治疗中发挥越来越大的作用^{[8, 38]}。而现有研究主要集中于单个功能MRI序列汇测PCa亚区及预测临床有意义PCa，仅基于单个MRI缺乏对PCa内部多样性的评估^{[39, 40]}。本文在现有研究的基础上，基于mpMRI序列划分生境亚区，预测不同GS的PCa，为临床提供无创性诊断依据及治疗效果预测。

3.4 本研究的局限性

       本研究存在以下不足：（1）本研究仅为单中心研究，缺少外部测试集，可能导致选择偏倚，后续将引入多中心数据，扩大样本量进行研究；（2）本研究的生境亚区依靠聚类算法，缺乏对亚区的合理生物学意义可解释性，后续仍要结合病理学及基因学进一步阐述生境亚区的生物学意义；（3）本研究通过ITHscore定量ITH，但缺少随访，后续将对病例的治疗方法及生存预后进行随访，验证ITH的准确性。

4 结论

       综上分析，对bpMRI进行HI分析能定量PCa内部异质性，通过HI建立生境影像组学模型能预测PCa的病理分级，从而有助于临床对PCa患者积极的管理及治疗，以期改善患者的预后。