目的  非肌层浸润性膀胱癌是一种高复发性癌症，其预后预测至关重要。本研究旨在开发并验证融合放射组学和病理组学的预测模型，以准确预测非肌层浸润性膀胱癌患者术后复发和生存风险。

方法  选取自2017年至2021年于徐州市中心医院和南京鼓楼医院医院集团宿迁医院就诊的193例非肌层浸润性膀胱癌（NMIBC）患者，这些患者在术前均接受标准的经尿道膀胱肿瘤切除术（TURBT）。收集患者的术前计算机断层扫描（CT）影像资料以及术后的组织病理学切片样本。用ITK-SNAP软件标注CT影像并提取放射组学特征，利用套索（LASSO）回归分析筛选出关键特征。病理组学特征则通过全幻灯片成像扫描仪生成全幻灯片图像，并使用多种深度学习模型结合梯度加权类别激活映射（Grad-CAM）方法进行分析。最后将放射组学、病理组学和临床特征结合，运用多种机器学习算法构建预测模型，并通过随机划分的训练集和内部验证集以及外部测试集对模型进行验证和评估。模型性能通过受试者工作特征曲线（ROC）和一致性指数进行评估。此外，还使用Delong检验、霍斯默-莱姆肖检验（Hosmer-Lemeshow）检验、校准曲线和绘制临床决策曲线，以验证模型的准确性和临床应用价值。

结果  在放射组学特征选择方面，LASSO回归分析揭示了14个与复发风险显著相关的特征，其中大多数特征与肿瘤周围组织相关，这表明肿瘤微环境在复发风险评估中的重要性。病理组学分析中，深度学习模型ResNet101在区分肿瘤和非肿瘤区域方面展现了高准确性，其在测试队列中的受试者工作特征曲线下面积（AUC）值达到了0.762，说明深度学习模型在病理图像分析中具有良好效果。预测复发的放射病理组学模型的预测性能在训练集和外部测试队列中均表现出色，AUC分别达到了0.974和0.854。预测生存的模型的一致性指数在训练集、验证集和测试集中分别达到了0.921、0.810和0.741，证实了其在预测非肌层浸润性膀胱癌患者术后生存方面的准确性。

结论  本研究成功开发了两个综合临床特征、放射组学和病理组学特征的预测模型，用于评估非肌层浸润性膀胱癌患者术后生存和复发的风险。这一模型的临床应用有望为医生提供更准确的风险评估工具，指导更合理的患者管理和个性化治疗。