如何将影像组学特征与肿瘤免疫微环境中的免疫“热”与“冷”表型建立关联，并进一步解释其与新辅助抗PD-1治疗响应（pCR） 的机制联系

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Immunophenotype-guided interpretable radiomics model for predicting neoadjuvant anti-PD-1 response in stage III–IV d-MMR/MSI-H colorectal cancer免疫表型引导的可解释放射组学模型预测III-IV期d-MMR/MSI-H结直肠癌新辅助抗PD-1治疗反应★期刊《Journal for ImmunoTherapy of Cancer》中科院1区IF10.6★研究疾病III-IV期错配修复缺陷/微卫星高度不稳定型结直肠癌★生物学机制肿瘤免疫微环境TIME中的免疫细胞浸润状态★发表时间2025年8月02研究背景-从 “临床问题” 落到 “生物学问题”结直肠癌CRC是全球第三大常见恶性肿瘤约70%的患者初诊时已处于晚期。对于错配修复缺陷/微卫星高度不稳定d-MMR/MSI-H型CRC虽然仅占全部病例的15%左右但其对免疫检查点抑制剂尤其是PD-1单抗具有天然敏感性新辅助治疗后的病理完全缓解pCR率可达60%-100%。然而仍有部分患者因肿瘤免疫微环境的异质性而无法从免疫治疗中获益甚至延误手术时机。临床上面临的核心困境是缺乏一种无创、精准、可解释的工具用于术前预测患者对PD-1抑制剂的个体化反应。传统影像学如CT在评估免疫治疗反应时存在局限如假性进展或延迟反应难以识别。影像组学虽能从常规影像中高通量提取定量特征但其“黑箱”属性限制了临床信任度。如何将影像特征与肿瘤免疫生物学机制建立可解释的关联成为该领域亟待突破的关键科学问题。近年来有研究尝试整合影像组学与转录组数据但大多缺乏跨模态生物学验证且未能系统阐明免疫“热”与“冷”表型如何驱动影像表型差异。因此从临床需求出发落脚于肿瘤免疫微环境的生物学分型构建可解释的预测模型是实现精准免疫治疗的重要方向。03研究目的明确写出“三层目的”本研究旨在开发并验证一个免疫表型引导的可解释影像组学模型用于预测III-IV期d-MMR/MSI-H型结直肠癌患者对新辅助抗PD-1治疗的反应。具体而言第一层目的是构建并验证免疫“热”与“冷”表型基于bulk RNA测序数据通过无监督聚类分析28种肿瘤浸润免疫细胞的丰度初步定义两种免疫表型随后在蛋白质和空间层面利用免疫组化IHC技术量化CD3和CD8阳性T细胞在肿瘤核心区及浸润边缘的密度对上述表型进行跨模态验证。第二层目的是筛选与免疫表型相关且与治疗反应相关的影像组学特征通过两阶段特征筛选策略首先识别与免疫“热”/“冷”表型显著关联的CT影像特征再从中进一步筛选与pCR显著相关的关键特征从而建立影像特征→免疫表型→治疗反应的关联链条。第三层目的是构建可解释的预测模型并阐明其生物学意义采用决策树算法整合关键影像特征利用SHAP分析量化各特征对预测的贡献揭示如“大尺度依赖性强调”LargeDependenceEmphasis和“方差”Variance等特征如何反映肿瘤异质性与免疫浸润状态最终为临床提供无创、精准、可解释的个体化治疗决策支持工具。04研究思路最核心怎么挂靠机制本研究的核心思路是以免疫表型为生物学“锚点”引导影像组学特征筛选与建模从而实现影像表型与肿瘤免疫机制的挂靠。具体分为四个步骤第一步独立构建免疫表型不依赖影像。利用中心I 108例CRC患者的术前CT及RNA-seq数据采用ssGSEA量化28种免疫细胞相对丰度通过共识聚类算法将患者分为免疫“热”C1和免疫“冷”C2两组。为验证表型的生物学真实性进一步在87例患者的IHC切片上通过AI辅助病理分析定量比较两组在肿瘤核心区和浸润边缘的CD3、CD8 T细胞密度确保表型在转录组和蛋白空间层面的一致性。第二步免疫表型引导的影像特征筛选挂靠的关键。从肿瘤原发灶的静脉期CT图像中提取944个影像组学特征经稳定性筛选ICC0.75后保留693个。首先通过秩和检验筛选出与免疫“热”/“冷”表型显著相关的100个特征p0.05这一步实现了影像特征与生物学标签的首次关联随后在中心II和中心III的新辅助免疫治疗队列中利用Mann-Whitney U检验和弹性网络逻辑回归从上述100个特征中进一步筛选出与pCR最相关的3个特征。第三步构建可解释决策树模型。采用最大深度为3的决策树以吉尼系数为分裂准则基于3个关键特征训练预测模型并在独立的多中心验证集中评估性能。第四步机制解释与临床转化。利用SHAP分析量化每个特征对预测的贡献结合特征本身的数学定义如LargeDependenceEmphasis衡量灰度依赖性和纹理均匀性推断其与肿瘤免疫浸润、异质性的潜在生物学联系从而将统计预测转化为可理解的机制故事为临床提供非侵入性的治疗反应预测工具。05数据和方法机制部分怎么设计数据本研究回顾性纳入三个中心的数据中心In108为接受术前增强CT及RNA测序的结直肠癌患者用于构建和验证免疫表型其中87例具有可用于CD3/CD8免疫组化验证的切片中心IIn19与中心IIIn22为接受新辅助抗PD-1治疗的III-IV期d-MMR/MSI-H结直肠癌患者分别作为训练集和独立验证集用于构建和验证免疫表型引导的影像组学预测模型。图 2患者纳入流程图该图分三列展示了三个中心的纳入排除标准中心I108例要求术前CTRNA-seq用于免疫表型构建中心II19例和中心III22例要求新辅助抗PD-1治疗后手术切除且有TRG评估分别作为训练集和验证集。流程图明确了各队列的用途和筛选逻辑。方法CT图像预处理 →手动勾画肿瘤VOI → PyRadiomics提取944个影像组学特征 → ICC筛选稳定特征ICC0.75保留693个→ RNA-seq的ssGSEA量化28种免疫细胞 → 共识聚类构建免疫“热”/“冷”表型 → IHC验证CD3/CD8密度核心区浸润边缘→秩和检验筛选免疫表型相关特征100个→ ComBatZ-score多中心校正 → Mann-Whitney U检验筛选pCR相关特征 → 弹性网络逻辑回归筛选最终3个特征 → 构建决策树模型max_depth3→ SHAP分析特征贡献。图 1研究整体工作流程图该图展示了研究的整体框架左上为免疫表型构建与验证RNA-seq聚类→IHC验证CD3/CD8右下为影像组学流程CT勾画→特征提取→两阶段筛选底部为模型构建与SHAP可解释性分析。流程图清晰串联了“生物学标签→影像特征→预测模型→机制解释”的核心思路。06研究结果”从表型到机制“1. 免疫表型构建成功基于28种免疫细胞浸润丰度的无监督共识聚类将患者分为两个亚型C1为免疫“热”富集活化B细胞、活化CD8 T细胞、效应记忆CD4 T细胞等C2为免疫“冷”各类免疫细胞浸润水平均较低。最优聚类数k2累积分布函数和模糊聚类统计均支持该分型。图 3免疫表型构建图该图展示基于28种免疫细胞浸润的共识聚类结果。3A为k2时的共识矩阵红色区块显示样本聚类稳定3B为累积分布函数曲线k2后曲线趋于平缓3C-D为热图和箱线图显示C1免疫“热”在活化B细胞、CD8 T细胞等多数免疫细胞丰度上显著高于C2免疫“冷”。该图首次将患者分为两种免疫表型为后续影像特征与生物学机制的挂靠奠定标签基础。2. 免疫表型在IHC层面验证在87例IHC切片中免疫“热”组在肿瘤核心区的CD3密度p0.013和CD8密度p0.005显著高于免疫“冷”组在浸润边缘同样观察到一致差异。AI辅助病理分析证实了RNA层面免疫分型的蛋白空间分布一致性。图 4IHC验证图该图从蛋白和空间层面验证免疫表型。4A-B展示AI辅助病理分析流程VGG-19分割肿瘤区域红、正常区绿、浸润边缘蓝再分割CD3/CD8阳性细胞。4C-E显示免疫“热”组在肿瘤核心区的CD3、CD8及CD3-CD8密度均显著高于“冷”组p0.054F-H显示浸润边缘同样存在显著差异。该图证实RNA定义的免疫表型对应真实的T细胞空间分布差异为影像特征反映免疫浸润提供了生物学依据。3. 影像特征筛选结果从944个原始特征中经ICC筛选出693个稳定特征。通过两阶段筛选先筛选出与免疫表型相关的100个特征秩和检验p0.05再从中筛选出与pCR相关的3个关键特征wavelet.LLH_gldm_LargeDependenceEmphasis、wavelet.HHH_firstorder_Variance和wavelet.LHH_firstorder_Variance。4. 决策树模型性能优异在训练集中心IIn19上决策树模型AUC为0.96595% CI: 0.900-1.000在独立验证集中心IIIn22上AUC为0.90495% CI: 0.679-1.000显著优于逻辑回归模型验证集AUC 0.782。准确率、敏感度、特异度详见在线附表。图 5模型构建与验证图该图包含11个子图核心展示决策树模型的预测性能。5A-B为ComBat校正前后PCA图显示校正后两中心pCR样本聚集更紧密5C-D为弹性网络筛选特征确定3个关键特征5E展示三特征在pCR与非pCR组的分布差异5F-G为决策树与逻辑回归的预测概率小提琴图决策树区分度更优5H-I为ROC曲线决策树训练集AUC0.965、验证集AUC0.904显著优于逻辑回归5J-K为混淆矩阵验证集准确率达86%以上。该图有力证明了模型的高精度与泛化能力。5. SHAP分析揭示机制联系LargeDependenceEmphasis贡献最大其高值代表纹理均匀、大尺度灰度依赖性强与pCR正相关Variance代表灰度离散程度即肿瘤异质性高值与pCR负相关。SHAP依赖图显示两个中心趋势一致支持特征解释的泛化性。图 6SHAP分析图该图量化三个关键特征对模型预测的贡献。6A为平均绝对SHAP值条形图wavelet.LLH_gldm_LargeDependenceEmphasis贡献最大其次为两个Variance特征。6B为SHAP依赖图分中心二和中心三展示横轴为特征值纵轴为SHAP值正贡献→pCR。结果显示LargeDependenceEmphasis值越高越倾向于预测pCR纹理均匀→免疫热Variance值越高越倾向于预测非pCR异质性高→免疫冷。两中心趋势一致增强了特征解释的可信度。07讨论把机制故事讲圆本研究的讨论部分成功将影像组学特征与肿瘤免疫微环境机制串联成一个完整的生物学故事。首先作者指出免疫“热”与“冷”表型的划分具有坚实的生物学基础RNA层面的28种免疫细胞浸润差异在IHC层面得到了CD3/CD8空间密度的验证尤其是在肿瘤核心区和浸润边缘的一致差异说明该分型不仅反映转录组特征也真实代表了T细胞的空间分布格局。这一跨模态验证显著增强了免疫表型的临床可信度。其次讨论重点阐释了三个关键影像特征与免疫治疗反应的潜在机制联系。LargeDependenceEmphasis属于灰度依赖矩阵特征高值意味着图像中存在大范围、均匀的灰度依赖区域反映肿瘤内部结构规则、纹理均一。结合已有文献这种均匀性可能源于密集且均匀分布的免疫细胞浸润如CD8 T细胞在热肿瘤中呈弥漫性分布因此与pCR正相关。相反Variance是一阶统计特征衡量灰度值的离散程度高异质性通常与肿瘤坏死、间质增生、细胞异型性相关在免疫“冷”肿瘤中更为常见故与耐药相关。作者还讨论了决策树优于逻辑回归的可能原因免疫相关影像特征与治疗反应之间可能存在非线性或阈值效应如只有某个特征超过特定阈值才提示免疫“热”决策树能自然捕捉这种分段模式。此外多中心验证的意义被重点强调经ComBat校正后两个中心的pCR样本在PCA空间中更靠近说明免疫引导的特征筛选确实增强了跨中心泛化性。最后作者坦诚指出样本量有限是主要局限且影像特征的生物学意义仍需独立实验验证但认为该研究提供的“免疫表型引导特征筛选”范式为影像组学从“黑箱预测”走向“机制解释”提供了可行路径有望推动精准免疫治疗的临床落地。08这篇文献的可借鉴思路这篇论文为影像组学研究者提供了一套高质量、可复制的“生物学机制挂靠”方法论范式值得在类似研究中借鉴。第一以独立的生物学标签引导特征筛选而非盲目追求预测性能。本文没有直接从影像特征预测pCR而是先利用转录组数据构建免疫“热”/“冷”表型再筛选与表型相关的影像特征最后从中筛选与终点相关的特征。这种两阶段筛选策略有效减少了伪相关和过拟合风险同时保证了影像特征具有生物学解释路径。第二跨模态验证生物学标签。作者不仅用RNA-seq聚类还用IHC的空间分布信息核心区浸润边缘验证了CD3/CD8密度差异这种多模态验证显著增强了标签的可信度。如果你的研究涉及分子分型建议尽可能用蛋白质或空间组学数据进行外部验证。第三优先使用可解释模型而非黑箱模型。在样本量有限几十例的多中心研究中深度学习容易过拟合且难以解释本文选择最大深度为3的决策树既保证了一定预测性能AUC0.9又使模型规则透明便于临床接受。第四用SHAP进行机制推断而不只是特征排序。作者结合特征值的实际分布图6B与特征数学定义推断高LargeDependenceEmphasis为何对应pCR这种从统计贡献到生物学假设的转化是提升论文深度的关键。第五多中心数据的ComBat校正与PCA可视化既验证了特征分布的批次效应是否被有效消除也直观展示了pCR与非pCR样本在不同中心间的聚集程度是一种简洁而有效的质量控制手段。第六坦诚讨论局限性并为后续研究留出空间。作者指出样本量小、生物学意义需进一步验证并提出未来将开展前瞻性研究并整合多组学数据。这种诚实态度反而增加了论文的可信度。总之如果你正在设计免疫治疗、靶向治疗或肿瘤微环境相关的影像组学研究完全可以借鉴本文的“生物学标签先行→引导特征筛选→可解释建模→SHAP机制推断”四步法这将显著提升研究的创新性和临床转化潜力。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Zhang Y, Zhang X, Zhong X, Huang L, Jiang W, Zhang C, Liu L, You R, Li Y, Yi X, Liu Z, Chen X, Li Z. Immunophenotype-guided interpretable radiomics model for predicting neoadjuvant anti-PD-1 response in stage III-IV d-MMR/MSI-H colorectal cancer. J Immunother Cancer. 2025 Aug 4;13(8):e011569. doi: 10.1136/jitc-2025-011569.