湘雅前列腺癌多学科诊疗团队mHSPC疗效预测模型新突破，小赛云平台助力前列腺癌精准治疗预测

「 核心问题：解决一个紧迫的临床困境 」

临床痛点：对于初诊的转移性激素敏感性前列腺癌（mHSPC）患者，当前标准治疗是“雄激素剥夺疗法（ADT）+新型雄激素受体通路抑制剂（ARPI）”。然而，这是一种昂贵的“一刀切”方案。部分患者可能在短期内进展为去势抵抗状态，这意味着他们承受了药物的副作用和经济负担，却未获得长期获益。目前，缺乏在治疗前精准预测谁有效、谁无效的工具。

研究目标：在治疗开始前，利用基线检查（治疗前）的PSMA PET/CT影像，通过可解释的机器学习模型，预测患者对联合疗法的反应，从而实现早期风险分层和个体化治疗决策。

「 核心方法：创新亮点 」

1. 数据来源先进：使用 ⁶⁸Ga-PSMA PET/CT 影像。这种成像能高灵敏、特异性地显示前列腺癌病灶（原发灶和转移灶）的代谢活性和分布，比传统影像包含更丰富的肿瘤生物学信息。

2. 模型构建科学：

• 特征工程：从影像中提取18个影像组学特征 + 8个临床特征。利用小赛云平台分割方法，研究团队从PET/CT图像中提取了包括全身病灶PSMA摄取总值（w_TL_PSMA）、全身峰值标准化摄取值（w_SUVpeak）和原发灶平均标准化摄取值（p_SUVmean）在内的18个成像特征。这些特征为后续的机器学习模型提供了丰富的数据支持。

• 特征筛选：采用三种集成学习算法进行递归特征消除，摒弃了“黑箱”模式，聚焦于关键驱动特征，最终筛选出10个最具预测价值的特征。 

• 模型比较：构建了6种机器学习模型进行对比，确保选择最优算法。研究团队开发了六种基于集成算法的机器学习模型，包括CatBoost、LightGBM和XGBoost等。通过Kappa系数、灵敏度、训练集与测试集AUC差值确定预测性能和泛化性能最好的模型。

   

3. 强调“可解释性”：这是本文的灵魂。使用 SHAP分析来解释模型决策，回答“模型是依据什么做出预测的？”这对于医生信任并采纳AI工具至关重要。同时，将模型预测结果与临床经典的 CHAARTED肿瘤负荷分类相结合，生成一个更精细的、融合了“解剖负荷”与“功能生物学”的四象限风险分层矩阵。

「 关键发现与结论 」

1. 模型性能优异：最佳模型（CatBoost）在测试集和独立验证队列中均表现出高且稳定的预测效能（测试集AUC=0.904，验证队列AUC=0.875），表明其具有良好的泛化能力。

2. 识别出关键预测特征：研究发现，转移灶的PSMA摄取总量（m_TL_PSMA）等特征是预测治疗抵抗的最强指标。这提示，肿瘤的全身代谢负荷（而不仅仅是解剖学上的体积或数量）是决定疗效的关键生物学基础。

3. 生成实用的风险分层工具：结合模型预测（有效/无效）和CHAARTED分型（高/低负荷），可将患者分为四组，预后差异显著：

•  最佳预后组：低负荷 + 预测有效→可考虑标准或降阶治疗。

•  最差预后组：高负荷 + 预测无效→急需更强化或新型的治疗方案。

•  中间两组需密切监测。

「 临床价值与意义 」

从“同质化治疗”到“精准分层”：为改变当前所有患者接受相同强化治疗的模式提供了科学工具。

• 决策前移：将预测时间点从“治疗失败后”提前到“治疗开始前”，实现前瞻性决策。

• 优化资源分配：避免对预测无效的患者进行无效的昂贵治疗，减轻其经济毒性和副作用，同时将医疗资源聚焦于高风险患者。

• 促进临床试验设计：可为新型药物的临床试验精准筛选高危人群（如预测无效的高负荷患者），提高试验效率。

   

「 总结 」

这项研究巧妙地融合了分子影像技术、可解释的人工智能和经典的临床分型，成功构建了一个高性能、可理解、具有潜在临床应用价值的预测工具。它不仅是技术上的成功，更是临床转化思维的典范，为解决mHSPC治疗中的精准医学难题，迈出了坚实而关键的一步。其最终价值，有待于前瞻性研究的证实，但无疑为前列腺癌的个体化治疗照亮了一条新的道路。

参考文献：Wang Y, Yang Y, Qi L, et al. Early prediction of response to ADT plus ARPIs in mHSPC using interpretable machine learning on PSMA PET/CT: a real-world study[J]. European Journal of Nuclear Medicine and Molecular Imaging, 2025: 1-16.