目的：脑胶质瘤的病理分级、分子状态和预后生存对临床决策至关重要，但其固有的瘤内异质性限制了传统放射组学模型的预测能力和可解释性。本研究旨在通过整合肿瘤生境分析与放射组学，识别肿瘤内具有不同生物学特性的亚区域，从而提升胶质瘤病理结果和预后生存的预测性能。

方法：回顾性分析了本院185例经病理确诊的胶质瘤患者的临床资料和影像数据。收集的MRI序列包括T1WI、T2W-FLAIR及T1加权对比增强成像（T1W CE）三种MR序列。所有MRI图像均导入uAI Research Portal平台进行标准化“一站式”处理，涵盖自动肿瘤区域分割、影像组学特征与生境特征提取、特征降维、模型构建与性能评估。采用K-means聚类分析结合肘部法则确定肿瘤生境亚区。模型性能通过5倍交叉验证进行评估，并计算受试者工作特征（ROC）曲线下面积（AUC）。使用DeLong检验比较不同模型的AUC 。此外，通过校准曲线和决策曲线分析（DCA）评估模型的校准度和临床净获益。本研究旨在确定预测胶质瘤分级、Ki-67表达水平、IDH1突变状态以及预后生存状态预测的最佳模型，并利用SHAP分析提高模型的可解释性。

结果：通过肘部法则确定了4个生境亚区。在胶质瘤分级预测任务中，采用生境亚区域空间交互相关性特征结合影像组学特征的SVM模型表现最佳，其AUC为0.9164（95% CI: 0.858–0.975）。对于Ki-67表达水平预测，基于生境亚区域空间交互熵指数结合影像组学特征的QDA模型效果最优，AUC为0.8587（95% CI: 0.788–0.930）。IDH1突变状态的最佳预测由结合影像组学特征和生境亚区4（高T1、高FLAIR、高T1CE）的信号强度均值的SVM模型实现，AUC为0.877（95% CI: 0.822–0.926）。预测术后两年生存状态的最佳模型是基于临床病理信息结合影像组学特征以及生境亚区2（低T1、低FLAIR、低T1CE）的信号强度标准差的QDA模型，其AUC为0.9058（95% CI: 0.837–0.974）。

结论：基于生境分析的肿瘤生境特征是胶质瘤高低级别鉴别、ki-67表达水平、 IDH 分型、以及生存进展预测的有用生物标志物，为新辅助治疗分层提供可靠的客观参考依据。