本文介绍了一项由Y. Shang、W. Zhao等多位学者合作完成的多中心回顾性研究，研究成果发表于American Journal of Roentgenology（AJR）2024年10月刊（第223卷，文章编号e2431675）。主要研究机构包括中南大学湘雅二医院放射科、湘潭市中心医院放射科、新疆医科大学第二附属医院影像中心、复旦大学附属华东医院放射科、中国科学院深圳先进技术研究院等。研究得到了国家自然科学基金等多个项目的资助。
一、学术背景与研究目的
肺癌是全球最常见的恶性肿瘤之一，非小细胞肺癌（non–small cell lung cancer, NSCLC）约占原发性肺恶性肿瘤的85%，而肺腺癌（lung adenocarcinoma）是NSCLC最主要的组织学类型。2011年国际肺癌研究学会（IASLC）将肺腺癌分为非典型腺瘤样增生（atypical adenomatous hyperplasia, AAH）、原位腺癌（adenocarcinoma in situ, AIS）、微浸润性腺癌（minimally invasive adenocarcinoma, MIA）和浸润性腺癌（invasive adenocarcinoma, IAC）。其中AIS和MIA预后良好，5年无病生存率接近100%，可通过密切随访或局限性手术切除管理；而IAC存在经淋巴道、血管或胸膜侵袭导致复发的风险，预后相对较差，手术切除是主要治疗手段。因此，术前准确评估肺腺癌的浸润性对于判断预后和指导临床决策至关重要。
传统影像学对肺腺癌浸润性的预测存在很大挑战，因为不同病理亚型的CT表现存在重叠。影像组学（radiomics）可提取人眼无法察觉的高通量定量特征，已在肺癌早期检测、诊断和预后预测中展现出潜力。然而，既往大多数影像组学研究将肿瘤整体或肿瘤联合瘤周区域作为单一感兴趣区（volume of interest, VOI）进行特征提取，默认该区域内特征分布均匀，忽视了肿瘤内部的空间异质性（spatial heterogeneity）。肿瘤生长过程中受局部血流、间质水肿、细胞密度等因素影响，可形成具有独特生物学行为的子区域，即“habitat”（栖息地或生境）。Habitat imaging（生境成像）通过识别肿瘤内部具有相似影像表型的体素簇，能够定量刻画肿瘤的空间异质性。已有研究表明基于habitat的影像组学特征在食管癌、胶质母细胞瘤和乳腺癌等肿瘤的疗效预测和生存分析中具有价值。
本研究旨在开发并验证一种结合肿瘤及瘤周区域影像组学特征的habitat模型，用于术前胸部CT预测肺腺癌的浸润性，并进一步构建整合整体VOI特征与habitat特征的联合模型，以提升预测性能。
二、研究流程与具体方法
本研究为回顾性多中心研究，共纳入来自三个医疗中心和一个公共数据集的1156例肺腺癌患者（平均年龄57.5岁，男性464例，女性692例）。其中中心A（复旦大学附属华东医院）715例患者被随机分为训练集（500例）和验证集（215例）；中心B（中南大学湘雅二医院）249例作为外部测试集1；中心C（湘潭市中心医院）113例作为外部测试集2；来自The Cancer Imaging Archive（TCIA）公共数据集的79例作为外部测试集3。所有患者在手术切除肺腺癌前接受了胸部CT检查，最终病理根据2015年WHO肺肿瘤分类标准分为非浸润性（AAH、AIS、MIA）和浸润性（IAC）两类，全组626例为浸润性，530例为非浸润性。
研究方法包括以下关键步骤：首先由一名有5年胸部影像经验的放射科医师使用3D Slicer软件在CT图像上手动逐层勾画结节边界，另一名有10年经验的放射科医师进行审核和修改。为减少不同CT扫描体素大小对特征的影响，所有图像和分割结果重采样为1×1×1 mm³的均匀体素。随后以肿瘤分割边界为基准自动向外扩展4 mm形成瘤周区域，肿瘤与瘤周区域合并为整体VOI。对于靠近胸壁或纵隔的肿瘤，扩张后的VOI经人工检查并修正，确保不包含非肺组织。
Habitat imaging采用高斯混合模型（Gaussian mixture model, GMM）对所有患者整体VOI内的CT灰度值进行聚类分析。通过计算不同聚类数目（2至7个）下的贝叶斯信息准则（Bayesian information criterion, BIC），确定最佳聚类数为4，即每个患者的整体VOI被划分为4个habitat。这些habitat基于一阶能量（first-order energy）特征定义，该特征通过计算VOI内体素灰度值平方和来衡量体素间的相似性，可帮助区分不同组织类型和结构。为保证不同患者之间habitat特征的一致性，GMM聚类过程基于所有患者汇总的体素值进行，而非对每个患者单独聚类。对每个患者分别计算各habitat的体积和体积分数，并使用PyRadiomics软件从每个habitat提取106个影像组学特征（包括14个形状特征、18个一阶特征和74个纹理特征），同时从整体VOI提取相同的特征。所有特征经过z-score标准化以消除不同医院和扫描设备间的差异。
特征选择采用多步策略：首先使用Pearson相关分析排除与habitat体积相关系数大于0.75的影像组学特征，以消除体积对特征的潜在影响；然后使用独立样本t检验筛选浸润性与非浸润性肿瘤间具有显著差异的特征；进一步计算特征间Pearson相关系数，对于相关系数大于0.9的特征对仅保留其中一个；接着使用最小冗余最大相关（minimum redundancy–maximum relevance, mRMR）算法对特征进行排序，选择排名前20的特征；将四个habitat的体积和体积分数中在两组间显著不同的因素与上述特征合并；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折交叉验证进一步筛选特征。最终habitat模型纳入19个特征，包括15个影像组学特征（1个一阶特征、6个形状特征、8个纹理特征）和4个habitat体积。
模型构建在训练集中进行，比较了逻辑回归、支持向量机、随机森林、极端随机树、极端梯度提升、轻量梯度提升机和多层感知机等多种分类器，最终选择随机森林作为最优分类器。超参数通过网格搜索和10折交叉验证优化。除habitat模型外，还构建了仅基于整体VOI特征的whole-volume模型，以及将habitat特征与整体VOI特征相结合的integrated模型以进行对比。模型的区分性能通过受试者工作特征曲线下面积（AUC）、准确度、敏感度和特异度评估，并使用决策曲线分析（decision-curve analysis, DCA）评价临床获益。
三、主要研究结果
GMM确定最佳聚类数为4，据此将每个患者的整体VOI划分为4个habitat。在训练集中，浸润性肿瘤与非浸润性肿瘤在四个habitat的体积上均存在显著差异（如habitat 1体积分别为2.19 cm³对0.48 cm³，habitat 2为2.36 cm³对0.52 cm³，habitat 3为2.44 cm³对0.50 cm³，habitat 4为2.35 cm³对0.44 cm³），同时habitat 1的体积分数也存在显著差异。这表明浸润性肿瘤的habitat体积普遍大于非浸润性肿瘤，反映了肿瘤整体负荷和异质性的差异。
在区分浸润性与非浸润性肿瘤方面，habitat模型在训练集中的AUC达到0.966，在验证集中为0.932，在三个外部测试集中的AUC分别为0.881、0.880和0.764。whole-volume模型在验证集AUC为0.932，与habitat模型相当，但在三个外部测试集中的AUC分别为0.915、0.906和0.785，整体略高于habitat模型。integrated模型在验证集中AUC为0.947，在三个外部测试集中分别为0.936、0.908和0.800，均高于单独使用habitat模型或whole-volume模型。这表明结合整体VOI特征和habitat特征能够提供更全面的肿瘤信息，从而提高预测性能。
亚组分析中，在三个外部测试集合并后（n=441），habitat模型在纯磨玻璃结节（pure ground-glass nodule, PGGN）、部分实性结节（part-solid nodule, PSN）和实性结节中的AUC分别为0.836、0.869和0.856，integrated模型相应AUC为0.875、0.917和0.846，整体表现为integrated模型优于habitat模型。在训练集和验证集中，浸润性肿瘤的结节直径和体积均大于非浸润性肿瘤，且实性结节比例更高、PGGN比例更低。但部分非浸润性肿瘤也可表现为实性结节，这提示了仅凭结节密度难以准确判断浸润性，影像组学分析有助于弥补这一不足。
对habitat图的事后分析显示，浸润性肿瘤的habitat分布更规则，可大致分为肿瘤核心（habitat 3）、肿瘤边缘（habitat 1）和瘤周区域（habitat 2和habitat 4）。这种空间分布模式与肺腺癌的病理学特征相呼应：AIS和MIA通常呈现均匀的贴壁生长模式，而IAC则包含乳头状、微乳头状、腺泡状和实性等多种病理亚型，约90%的肺腺癌为多种亚型混合存在，导致不同肿瘤区域细胞类型和形态特征存在差异。肿瘤边缘是肿瘤组织与周围组织交界的关键区域，免疫细胞和基质细胞活性高，与上皮-间质转化、肿瘤出芽和淋巴血管浸润等侵袭相关过程密切相关。瘤周区域的影像组学特征可反映肿瘤血管生成、淋巴管生成和微血管变化，为评估肿瘤浸润性提供补充信息。
在最终habitat模型中，灰度共生矩阵联合熵（gray-level co-occurrence matrix joint entropy, GLCM joint entropy）在所有三个habitat中均被选为重要特征，且特征重要性最高。联合熵衡量邻域强度值的随机性或变异性，反映图像纹理的复杂性和灰度分布的随机性。当肿瘤组织呈现更高的纹理变化和更随机的灰度分布时，联合熵增大，提示肿瘤异质性增高。
三个模型在外部测试集3中的AUC均较低。该数据集来源于公共数据库TCIA，其成像设备、参数和患者特征可能与其他数据集差异较大，虽然进行了标准化处理，但仍不能完全消除差异。此外，外部测试集3样本量仅79例，个体患者对性能指标的影响相对较大，导致结果稳定性降低，置信区间较宽。
四、研究结论与价值
本研究首次将肿瘤habitat imaging与瘤周影像组学相结合用于预测肺腺癌浸润性，并证实了该方法的可行性。habitat模型在多个外部测试集中表现出中等至良好的预测性能，而integrated模型结合了整体VOI和habitat特征，预测性能进一步提升。研究结果表明，肿瘤亚区域特征能够捕捉肿瘤内部的空间异质性信息，而整体VOI特征反映肿瘤总体信息，两者结合可提供更全面的肿瘤表征，提高模型识别复杂模式的能力。
该研究的科学价值在于：第一，突破了传统影像组学将肿瘤作为均质整体进行分析的局限，引入了基于体素聚类的habitat imaging方法，定量刻画肿瘤内部的空间异质性；第二，同时纳入肿瘤和瘤周区域，为评估肿瘤微环境变化提供了影像学手段；第三，纳入了来自四个不同中心的数据，增强了模型的泛化能力。在临床应用方面，该研究为肺腺癌患者术前个性化评估提供了新的影像学工具，有助于区分浸润性与非浸润性病变，从而指导手术切除范围、随访间隔等临床决策，避免对惰性病变的过度治疗，或对浸润性病变的延误干预。
五、研究亮点与局限性
本研究的主要亮点包括：采用多中心、多数据集验证设计，样本量大（1156例），提高了研究结果的可靠性和普适性；使用GMM对所有患者汇总的体素值进行统一聚类，确保各患者habitat定义的一致性；将habitat特征与整体VOI特征相结合构建integrated模型，证明信息互补可提升预测效能；针对不同结节密度进行了亚组分析，显示integrated模型在PSN中AUC达0.917，具有较好的临床应用前景。此外，研究团队公开了habitat imaging和模型构建的代码，促进了方法的可重复性和推广应用。
研究也存在一些局限：回顾性设计可能存在选择偏倚；多中心成像数据的设备和参数差异虽经标准化处理，但仍可能对结果产生混杂影响；habitat的生成仅基于单一的一阶能量特征，未来研究可探索纳入更多影像组学特征以提升habitat的生物学意义；结节密度分布不均，可能影响不同密度亚组间的性能比较；对于多结节患者仅选择最大结节进行分析，可能忽略其他结节的信息；缺乏组织病理学图像的对应验证，无法直接证实habitat与肿瘤微环境的空间对应关系。作者也指出，未来研究应探索habitat imaging结果与组织病理学的相关性，以进一步阐明其生物学机制。