1. 领域背景与文献
文献英文标题：Predicting Failure of Active Surveillance in Desmoid-Type Fibromatosis Using Radiomics: An International Multi-center Cohort Study；
发表期刊：文献未明确提供；影响因子：未公开；研究领域：软组织肿瘤学（韧带样型纤维瘤病）
韧带样型纤维瘤病（desmoid-type fibromatosis，DTF）是一种罕见的局部侵袭性软组织肿瘤，被归类为交界性肿瘤，虽无转移潜能，但局部浸润性生长和高复发风险给临床管理带来挑战。领域共识：2010年后国际指南逐步将主动监测列为无症状或轻度症状韧带样型纤维瘤病患者的首选初始管理策略，但约30%患者因肿瘤进展或症状加重需转为主动治疗（n=200，文献未明确提供该数据的统计学显著性），而70%患者无需主动治疗却承受不必要的随访负担。当前研究热点聚焦于寻找能精准预测主动监测失败的生物标志物，以实现个性化管理，但现有临床因素（如肿瘤直径、解剖位置、CTNNB1突变状态）的预测能力有限，传统MRI定性评估主观性强，影像组学在韧带样型纤维瘤病中的研究尚处于起步阶段，已有的小样本研究虽显示其在肿瘤进展预测、鉴别诊断上的潜力，但缺乏多中心外部验证，且未明确其能否有效预测主动监测失败。
针对这一研究空白，本研究旨在开发并通过国际多中心队列外部验证基于MRI的影像组学模型，精准预测韧带样型纤维瘤病患者主动监测失败，为优化患者随访策略、合理分配医疗资源提供客观依据。
2. 文献综述解析
作者按研究类型将现有韧带样型纤维瘤病相关研究分为临床预测因素、传统影像特征、影像组学研究三类，系统评述了各类型研究的优势与局限性，明确了影像组学在预测主动监测失败方向的研究空白。
临床因素方面，肿瘤直径、解剖位置、CTNNB1突变状态等被报道与主动治疗启动相关，但这些因素仅能提供有限的预测价值，无法满足精准管理需求；传统MRI特征方面，T2信号强度、增强程度等可反映肿瘤细胞活性，但定性评估依赖医师经验，主观性强且重复性差；影像组学研究方面，现有小样本研究显示其在预测韧带样型纤维瘤病肿瘤进展、鉴别韧带样型纤维瘤病与软组织肉瘤上的性能优于实体肿瘤疗效评价标准（RECIST），但这些研究均未开展外部验证，且未针对主动监测失败这一临床关键终点进行探索，无法明确其在临床决策中的应用价值。
与现有研究相比，本研究的核心创新点在于首次通过三个国家的多中心队列开展外部验证，采用留一国家交叉验证设计严格评估模型的泛化性，同时直接对比影像组学模型与临床模型的预测性能，明确了影像组学特征在意大利和加拿大队列中对主动监测失败的预测价值优于临床因素，填补了影像组学在韧带样型纤维瘤病主动监测失败预测领域缺乏外部验证的研究空白。
3. 研究思路总结与详细解析
本研究的整体研究框架为“多中心队列纳入→MRI图像分割与特征提取→影像组学模型构建与优化→内部与外部验证→性能与稳健性评估”的闭环，核心研究目标是开发并外部验证能预测韧带样型纤维瘤病患者主动监测失败的MRI影像组学模型，解决现有预测工具性能不足、泛化性差的问题。
3.1 研究队列构建与患者筛选
实验目的是建立具有地域和临床异质性的国际多中心韧带样型纤维瘤病队列，确保模型验证的严谨性与泛化性。方法细节为纳入荷兰、意大利、加拿大三个高容量肉瘤中心的患者，纳入标准为经组织学证实的腹外韧带样型纤维瘤病患者，初始接受主动监测且有基线或诊断后1年内的首次随访MRI，排除无合格MRI、图像质量差、直接启动主动治疗的患者；最终通过筛选确定200例患者（荷兰72例、意大利62例、加拿大66例），主动监测失败定义为因症状进展或RECIST标准的影像学进展而启动主动治疗。结果解读：队列筛选流程图（
）显示，三个队列在肿瘤解剖位置、诊断至成像时间上存在统计学差异（所有P<0.01），且MRI采集参数异质性显著，为模型泛化性评估提供了真实世界的异质性场景。产品关联：文献未提及具体实验产品，领域常规使用电子病历系统、影像归档与通信系统（PACS）进行患者数据与影像的收集管理。
3.2 MRI图像分割与影像组学特征提取
实验目的是准确分割肿瘤区域并提取能反映肿瘤生物学特征的定量影像组学特征。方法细节为使用针对软组织肿瘤训练的InteractiveNet深度学习分割工具，仅需在肿瘤边界标注6个点即可完成分割，通过Elastix自动图像配准软件将分割结果配准至所有可用MRI序列，随后使用Workflow for Optimal Radiomics Classification（WORC）框架结合PyRadiomics工具，从每个肿瘤区域提取564个涵盖强度、形状、纹理的定量特征，对缺失序列的特征采用多种插补策略处理。结果解读：影像组学工作流程图（
）展示了从成像到模型构建的完整流程，所有纳入患者均成功完成分割与特征提取，为模型构建提供了可靠的特征数据集。产品关联：实验所用关键产品：InteractiveNet深度学习分割工具、Elastix图像配准软件、WORC影像组学分析框架、PyRadiomics特征提取工具。
3.3 影像组学模型构建与实验设计
实验目的是构建并优化影像组学模型，系统评估不同输入组合的预测性能。方法细节为采用留一国家交叉验证设计，在每次验证中使用两个中心的数据训练模型，第三个中心作为独立外部验证集；分别构建单序列（T1加权、T2加权）、多序列（T1+T2加权）、临床特征（年龄、性别、肿瘤位置、CTNNB1突变状态）、联合（影像组学+临床特征）四类模型；WORC框架通过自动化机器学习技术评估1000个随机采样的工作流，最终集成性能前100的工作流构建集成模型，以提升模型的稳健性。结果解读：多序列影像组学模型在意大利队列的受试者工作特征曲线（ROC）曲线下面积（AUC）为0.76（95% CI 0.60-0.91，n=62），加拿大队列为0.77（95% CI 0.65-0.89，n=66），显示出较好的预测性能；而荷兰队列AUC仅为0.58（95% CI 0.42-0.74，n=72），性能较差；临床模型在荷兰队列AUC为0.74（95% CI 0.59-0.88，n=72），优于影像组学模型，但在意大利和加拿大队列性能劣于影像组学模型；联合模型未带来性能提升，提示影像组学特征与临床特征在预测主动监测失败上无协同作用。产品关联：文献未提及具体实验产品，领域常规使用Python编程语言进行模型构建与优化。
3.4 模型性能评估与稳健性分析
实验目的是全面评估模型的预测性能、泛化性、校准度及亚组适用性。方法细节为采用分层bootstrap重采样（1000次）评估外部验证的性能，校正重采样t检验评估内部验证性能，使用DeLong检验比较不同模型的AUC差异，通过Brier评分评估模型校准度，开展亚组分析评估模型在不同解剖部位、成像参数亚组中的性能；同时尝试构建预测肿瘤进展的模型并评估其性能。结果解读：ROC曲线（
）显示内部验证与外部验证性能相当，提示模型具有较好的泛化性；多序列模型的Brier评分为0.18，显示良好的校准度；亚组分析显示模型在四肢（AUC=0.77，文献未明确样本量，基于图表趋势推测）和腹壁（AUC=0.72，文献未明确样本量，基于图表趋势推测）肿瘤中性能较好，在胸壁（AUC=0.61，文献未明确样本量，基于图表趋势推测）和其他部位（AUC=0.41，文献未明确样本量，基于图表趋势推测）性能较差；而预测肿瘤进展的模型在所有队列中性能均不佳，提示影像组学特征难以直接预测RECIST定义的肿瘤进展。产品关联：文献未提及具体实验产品，领域常规使用R、Python等统计软件进行数据分析与可视化。
4. Biomarker研究及发现成果解析
本研究的核心Biomarker是基于T1加权和T2加权MRI的集成影像组学特征组合，通过多中心外部验证证实其在意大利和加拿大韧带样型纤维瘤病队列中对主动监测失败具有较好的预测价值。
该Biomarker属于影像学生物标志物，筛选逻辑为通过WORC框架自动化评估1000个工作流，集成性能前100的工作流所包含的影像组学特征，验证逻辑为采用留一国家交叉验证，在三个独立的国际多中心队列中评估模型的泛化性与预测性能。
Biomarker来源于患者基线或诊断后1年内的首次随访MRI图像，验证方法为构建集成影像组学模型，通过分层bootstrap重采样评估外部验证性能；特异性与敏感性数据方面，意大利队列AUC为0.76（95% CI 0.60-0.91，n=62），加拿大队列AUC为0.77（95% CI 0.65-0.89，n=66），荷兰队列AUC为0.58（95% CI 0.42-0.74，n=72）；特征重要性分析显示意大利和加拿大队列共享部分显著特征，但经Bonferroni校正后无特征具有统计学显著性（推测：基于学术常规，P值阈值为<0.05）。
该集成影像组学特征组合可作为韧带样型纤维瘤病患者主动监测失败的预测生物标志物，在意大利和加拿大队列中其预测性能优于临床因素，能有效识别出无需长期随访的低风险患者，减少不必要的医疗负担；其创新性在于首次通过国际多中心外部验证证实了影像组学在韧带样型纤维瘤病主动监测失败预测领域的应用价值，为个性化随访策略的制定提供了客观工具；但该Biomarker在荷兰队列中的性能较差，提示其泛化性受患者群体、成像参数等因素影响，需进一步优化模型或针对不同亚组开发特异性模型。