如何通过多模态影像-病理组学预测胃癌免疫治疗响应，并与记忆B细胞浸润、M2巨噬细胞极化及免疫激活通路建立机制关联

01导语各位同学大家好。现在做影像组学如果还只停留在“提取特征—建个模型—算个AUC”那就有点像算命算得挺准但为啥准自己也说不明白。别人一问你这特征到底代表啥背后有啥道理瞬间就成了黑箱本箱。而真正能打高分、站得住脚的研究都在干一件事——给影像组学找“生物学娘家”让宏观图像和微观病理、细胞、基因、通路对上话。今天咱们就通过一篇最新文献用轻松又实在的方式聊聊影像组学怎么优雅、合理、不硬凑地挂靠生物学机制从“只会算分的工具人”升级成“能讲清疾病故事的研究者”。★题目Multimodal radiopathomics signature for prediction of response to immunotherapy-based combination therapy in gastric cancer using interpretable machine learning基于可解释机器学习的多模态影像病理组学特征预测胃癌免疫联合治疗反应★期刊《Cancer Letters》中科院1区IF10.1★研究疾病胃癌Gastric Cancer, GC★生物学机制肿瘤免疫微环境的状态与组成★发表时间2025年7月02研究背景-从 “临床问题” 落到 “生物学问题”胃癌是全球范围内尤其是东亚地区高发的恶性肿瘤尽管传统治疗手段如手术和化疗不断进步晚期胃癌患者的预后仍然严峻这凸显了开发新型治疗策略的紧迫性。近年来以免疫检查点抑制剂ICIs为代表的免疫治疗在胃癌领域取得了突破性进展然而患者的临床反应存在高度异质性部分患者无法从中获益甚至可能出现严重的不良反应。因此如何精准筛选出适合免疫治疗的优势人群成为临床实践中亟待解决的关键问题。目前临床上常用的免疫治疗相关生物标志物如PD-L1联合阳性评分CPS、微卫星不稳定MSI、EB病毒EBV和人类表皮生长因子受体2HER-2等虽然在一定程度上指导了治疗决策但单一生物标志物往往只能反映肿瘤-免疫相互作用的局部维度难以全面捕捉肿瘤免疫微环境TME的复杂性。TME通过调节免疫细胞浸润、细胞因子信号传导及基质-血管相互作用深刻影响肿瘤行为和治疗应答其整体特征的刻画对于疗效预测至关重要。近年来人工智能技术的发展使得整合多模态数据——包括影像学、病理学和基因组学——成为可能为全面解析TME提供了前所未有的机会。尤其是从计算机断层扫描CT图像和数字化病理图像中提取的高维度特征已被证明与免疫活性、血管生成及基质相互作用等生物学过程密切相关。然而现有研究多局限于单模态数据未能充分整合组织学、影像学、基因组学及临床信息限制了多模态影像-病理组学策略在胃癌免疫治疗中发挥其预测潜力。基于此开发一种能够整合多模态数据并具有生物学可解释性的预测模型具有重要的临床与科学价值。03研究目的明确写出“三层目的”本研究旨在构建并验证一种基于多模态影像-病理组学特征的机器学习模型以实现对胃癌患者接受免疫联合治疗疗效的精准预测并进一步揭示该模型背后所关联的肿瘤免疫微环境生物学机制为临床决策提供可解释的工具。具体而言本研究围绕三个层次的目标展开第一预测性能层面通过整合来自CT图像的放射组学与深度学习特征以及来自HE染色病理图像的肿瘤微环境、细胞密度及细胞核形态等多维度特征利用七种机器学习算法构建并筛选出最优的放射-病理组学联合标签RPS在训练、内部验证及外部验证等多个队列中系统评估其对免疫联合治疗反应的预测能力并比较其与传统生物标志物如CPS、MSI-H、EBV、HER-2在预测效能上的优劣第二生物学机制层面通过分析具有转录组测序数据患者的基因表达谱采用差异表达分析、基因本体GO富集分析及CIBERSORT免疫细胞浸润分析等方法探索RPS高低分组之间在免疫相关通路及免疫细胞组成上的差异从而将图像特征与肿瘤免疫微环境状态建立生物学关联第三临床转化层面利用SHapley Additive exPlanationsSHAP方法对模型进行可解释性分析量化各模态特征对预测结果的贡献并通过Kaplan-Meier生存分析和决策曲线分析等评估RPS在不同临床亚组如不同分期、手术状态、治疗线数中的预后分层价值及临床净获益为其未来在临床实践中的应用奠定基础。04研究思路最核心怎么挂靠机制本研究的核心思路是以多模态图像特征作为肿瘤表型的“代理”通过整合机器学习与多组学验证实现“从表型预测到机制溯源”的闭环构建。首先研究团队从多中心胃癌患者中收集治疗前的CT图像和HE染色全切片病理图像采用标准化的特征提取流程分别提取CT图像的放射组学特征和深度学习特征以及病理图像的肿瘤微环境深度学习特征、细胞密度特征和细胞核形态特征形成多模态特征池。随后采用最大相关最小冗余mRMR与LASSO回归相结合的两阶段特征选择策略筛选出与免疫治疗反应最为相关的特征子集并将其输入至七种机器学习算法中通过比较在训练集和内部验证集中的表现确定基于逻辑回归LR的最优模型构建出放射-病理组学联合标签RPS。在模型构建的基础上研究引入RNA-seq数据作为生物学验证的“锚点”选取具有转录组数据的患者子集按RPS中位数分组进行差异表达基因分析、GO富集分析和CIBERSORT免疫浸润分析揭示高RPS组疗效好与低RPS组疗效差之间在免疫相关通路如B细胞激活、细胞因子信号及免疫细胞组成如记忆B细胞、M2巨噬细胞上的显著差异从而为RPS的预测能力提供生物学解释。同时研究采用SHAP方法提升模型的可解释性可视化各特征对预测结果的正负贡献将关键图像特征与潜在的免疫微环境状态建立关联。最后研究通过多层次临床验证包括不同分期、手术状态、治疗线数及传统生物标志物亚组中的生存分析和决策曲线分析全面评估RPS的预后分层能力和临床实用价值从而构建了一个“多模态特征提取—机器学习建模—生物学机制验证—临床场景评估”的完整研究范式。05数据和方法机制部分怎么设计数据本研究纳入来自三家中国医学中心的298例接受免疫联合治疗的胃癌患者其中南方医科大学南方医院260例按7:3随机分为训练队列182例用于模型构建与内部验证队列78例用于性能初验广东省中医院20例与北京大学肿瘤医院18例共同构成外部验证队列38例用于评估模型泛化能力此外选取其中30例具有RNA-seq数据的患者作为机制探索子集用于关联模型与生物学通路。方法CT图像分割ITK-SNAP手工勾画原发灶→影像特征提取MATLAB提取放射组学特征ResNet50提取深度学习特征→病理图像处理CLAM进行组织自动分割HoverNet提取细胞密度与核形态特征ResNet50联合AMIL提取TME深度学习特征→特征选择mRMR初筛冗余特征LASSO回归结合10折交叉验证筛选最优预测特征→模型构建将筛选后的多模态特征输入LR、SVM、DT、KNN、NB、RF、XGBoost七种算法择优选择逻辑回归模型构建RPS→模型解释SHAP方法量化各特征贡献→生物学验证按RPS中位数分组limma包进行差异表达分析clusterProfiler包进行GO富集CIBERSORT评估免疫细胞浸润。图 1 研究流程图展示了从CT图像与HE病理图像中提取多模态特征放射组学、深度学习、细胞密度、核形态等经特征筛选与机器学习建模最终构建RPS并进行生物学验证的完整流程清晰呈现了研究的整体架构与技术路线。06研究结果”从表型到机制“模型性能RPS在训练、内部验证、外部验证队列中预测免疫联合治疗反应的AUC分别达0.978、0.863和0.822显著优于CPS、MSI-H、EBV、HER-2等传统临床生物标志物且校准曲线显示模型拟合良好。图 3 RPS与临床因素预测免疫治疗反应的性能比较A图多变量逻辑回归分析显示RPS在训练、内部验证和外部验证队列中均为独立预测因子P0.01其预测能力独立于传统临床病理因素B-D图ROC曲线比较显示RPS的AUC在各队列中均显著优于CPS、MSI-H、EBV、HER-2及TNM分期等传统标志物P0.05E-G图决策曲线分析进一步证实RPS在各队列中均具有更高的临床净获益表明其在指导临床决策方面优于现有生物标志物。该图强化了RPS的临床价值为后续机制探索奠定了预测优势基础。特征贡献SHAP分析显示CT深度学习特征如CT-Deep-714和病理深度学习特征如deep-686对预测结果呈正向贡献而细胞密度特征如Den 538和CT放射组学特征如Peri GLRLM RLIV呈负向贡献反映了不同模态特征与免疫应答的关联方向。图 2 模型构建、评估与解释A-F图显示逻辑回归LR模型在七种算法中表现最优训练集AUC达0.978内部验证集AUC达0.863G图展示外部验证AUC为0.822模型泛化能力良好H-J图显示响应者RPS评分显著高于非响应者模型区分度明确。图 2KSHAP特征重要性可视化通过SHAP分析量化各特征对模型输出的贡献红色表示高特征值蓝色表示低特征值。图中显示CT深度学习特征如CT-Deep-714和病理深度学习特征如deep-686呈正向贡献而细胞密度特征如Den 538和CT放射组学特征如Peri GLRLM RLIV呈负向贡献。这些关键特征的贡献方向与前述免疫微环境分析相呼应为模型的生物学合理性提供了可解释性支撑。临床分层基于RPS的Kaplan-Meier分析显示低风险组RPS≥0.593在PFS上具有显著优势HR 3.111-19.624尤其在IV期和非手术患者中OS获益显著而在III期及手术患者中OS差异不显著提示手术可能掩盖免疫治疗的长期生存效应。图 4 RPS的预后价值Kaplan-Meier生存分析基于RPS分组截断值0.593低风险组高分在PFS上始终优于高风险组HR 3.111-19.624。尤为关键的是在IV期和非手术患者中低风险组OS显著获益而在III期和手术患者中OS差异不显著提示手术状态可能修饰免疫治疗的长期生存效应为后续机制探讨奠定了临床表型基础。机制验证RNA-seq分析显示高RPS组富集体液免疫应答、B细胞激活、细胞因子信号通路等免疫相关通路CIBERSORT分析进一步证实高RPS组记忆B细胞浸润增加、M2巨噬细胞浸润减少为模型的生物学基础提供了直接证据。图 5 RPS的基因表达谱与免疫微环境A图热图与B图火山图显示高RPS组与低RPS组之间存在显著的差异表达基因C图桑基图富集分析揭示高RPS组富集体液免疫应答、B细胞激活、细胞因子信号通路等免疫相关通路D图CIBERSORT分析显示高RPS组记忆B细胞浸润显著增加、M2巨噬细胞浸润显著减少为RPS的预测能力提供了直接的生物学证据。07讨论把机制故事讲圆本研究成功构建了基于多模态影像-病理组学的可解释机器学习模型RPS用于预测胃癌患者免疫联合治疗疗效其预测性能显著优于CPS、MSI-H、EBV、HER-2等传统临床生物标志物且在传统标志物阴性或疗效不佳的亚组中仍能有效识别治疗优势人群填补了现有标志物的应用空白。机制层面是本研究的核心亮点通过整合RNA-seq数据发现RPS高分患者显著富集B细胞激活、体液免疫应答及细胞因子信号通路且记忆B细胞浸润增加、M2型免疫抑制性巨噬细胞减少为模型提供了生物学解释的锚点将图像特征与免疫激活状态建立了实质性关联。在临床应用层面RPS在IV期和非手术患者中对OS的预测能力显著而在III期和手术患者中OS差异不显著这一差异提示手术干预可能掩盖免疫治疗的长期净获益未来应用时需结合手术状态进行分层解读。SHAP分析进一步揭示了关键图像特征的贡献方向为后续探索影像表型与免疫细胞浸润的关系提供了假设来源。本研究也存在一定局限性回顾性设计可能引入选择偏倚虽经外部验证但样本量有限疗效评估标准TRG与iRECIST的异质性虽经分层分析验证稳健性但仍可能影响结果可比性多模态特征提取流程复杂限制了模型的即时临床应用未来需开发一体化自动化工具此外图像特征与具体基因表达的直接关联尚未建立需通过影像-转录组关联分析进一步深化理解。总体而言本研究为多模态影像组学模型赋予生物学机制提供了可行范式为胃癌免疫治疗精准分层奠定了基础。08这篇文献的可借鉴思路本研究为影像组学/病理组学领域提供了一套“从表型到机制”的完整研究范式值得后续研究借鉴。第一多模态融合是提升模型预测能力的有效路径。研究不仅整合了CT图像的放射组学与深度学习特征还同时提取了病理图像的细胞密度、细胞核形态及肿瘤微环境深度学习特征通过多维度信息互补使模型性能显著超越单模态或传统生物标志物。这一思路提示未来研究应尽可能利用临床常规获取的影像与病理数据构建信息更丰富的特征空间。第二机制验证子集的“锚点”设计是赋予模型生物学意义的关键。本研究并未要求所有患者均有组学数据而是选取具有RNA-seq数据的子集进行差异表达分析、通路富集和免疫浸润分析将图像特征与免疫微环境状态关联实现了“预测模型”向“机制模型”的跨越。这一策略降低了研究成本同时为模型提供了生物学解释的落脚点。第三SHAP可解释性分析与机制验证形成“双轮驱动”。SHAP不仅提升了模型的黑箱透明度其识别出的关键特征如CT-Deep-714、Den 538还为进一步的机制探索提供了假设来源形成“特征贡献 → 生物学关联 → 机制验证”的闭环逻辑。第四分层分析是提升临床转化价值的重要手段。本研究按手术状态、分期、治疗线数等维度进行亚组分析揭示了模型在不同临床场景中的差异化表现避免了简单化的“全人群适用”结论为未来模型的精准应用提供了依据。第五临床适用性需贯穿研究始终。尽管模型性能优异但特征提取流程复杂限制了其即时应用研究者在设计之初就应考虑模型的可转化性如开发一体化工具、简化输入要求等才能真正推动模型走向临床实践。09结语总而言之做影像组学不只是拼AUC、堆模型更要学会给特征找意义、给模型讲道理。只有把宏观影像和微观机制真正打通我们的研究才不是 “玄学算命”而是有根有据、有血有肉、能讲好疾病故事的真科研。希望大家以后都能少走弯路轻松写出有机制、有深度、能发高分的好文章参考文献Huang W, Wang X, Zhong R, Li Z, Zhou K, Lyu Q, Han JE, Chen T, Islam MT, Yuan Q, Ahmad MU, Chen S, Chen C, Huang J, Xie J, Shen Y, Xiong W, Shen L, Xu Y, Yang F, Xu Z, Li G, Jiang Y. Multimodal radiopathomics signature for prediction of response to immunotherapy-based combination therapy in gastric cancer using interpretable machine learning. Cancer Lett. 2025 Oct 28;631:217930. doi: 10.1016/j.canlet.2025.217930.