ریزمحیط تومور (TME) نقش مهمی در پیشرفت تومور و پاسخ ایمنی ایفا می‌کند، اما ارزش تشخیصی آن در تصویربرداری پزشکی هنوز ناشناخته مانده است. این مطالعه پتانسیل کمی‌سازی تصویر مبتنی بر TME همراه با یادگیری ماشین را برای تشخیص ضایعات خوش‌خیم از بدخیم پستان و غدد لنفاوی گردن ارزیابی می‌کند. با استفاده از ویژگی‌های رادیومیکس استخراج‌شده از مناطقی که فراتر از خطوط تومور تعریف‌شده توسط رادیولوژیست امتداد دارند، رویکرد پیشنهادی عملکرد تشخیصی برتر را در مقایسه با تجزیه و تحلیل ضایعه معمولی نشان داد. مدل‌های ماشین بردار پشتیبان به دقت بالایی دست یافتند که اهمیت محیط پیرامونی تومور را در تشخیص مبتنی بر تصویربرداری برجسته می‌کند. این یافته‌ها بر ارزش گنجاندن TME در گردش‌های کاری رادیومیکس برای بهبود توصیف ضایعه تأکید دارند.