如何将纵向MRI空间生境影像组学特征与肿瘤免疫微环境中B细胞浸润建立关联，并解释其与病理完全缓解（pCR）、新辅助治疗应答的机制联系

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发表在 Advanced Science 上的最新文献，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。这篇文章不仅构建了一个预测乳腺癌新辅助治疗病理完全缓解（pCR）的高精度模型，更重要的是，它通过空间生境分析 + 转录组 + 单细胞测序 ，把影像特征直接和B细胞浸润这个免疫机制挂上了钩，从"只会算分的工具人"，升级成了"能讲清疾病故事的研究者"。

**★题目：**Longitudinal MRI-Driven Multi-Modality Approach for Predicting Pathological Complete Response and B Cell Infiltration in Breast Cancer

（基于纵向MRI的多模态模型预测乳腺癌病理完全缓解及B细胞浸润）

★期刊：《Advanced Science》（中科院1区，IF=14.3）

**★研究疾病：**乳腺癌

**★生物学机制：**肿瘤微环境中的B细胞浸润

**★发表时间：**2025年2月

研究背景-从 "临床问题" 落到 "生物学问题"

乳腺癌是女性最常见的恶性肿瘤，新辅助治疗（NAT） 已成为早期高危及局部晚期患者的一线治疗策略，其治疗后的病理完全缓解（pCR） 不仅是手术保乳的重要前提，更与患者生存结局密切相关。然而，由于肿瘤异质性 的广泛存在，患者对 NAT 的应答差异显著，pCR 率仅为35%-60%，且传统基于肿瘤最大径的 RECIST 评估标准无法捕捉肿瘤内部的空间异质性 与动态演变 。尽管已有研究探索临床病理指标（如分子分型、Ki-67）或传统影像组学模型用于 pCR 预测，但其精度有限且缺乏生物学解释。近年来，动态增强磁共振（DCE-MRI） 及影像组学技术为无创评估肿瘤异质性提供了可能，但多数研究仍将肿瘤视为"整体"，忽略了其内部不同功能亚区域（如高代谢区、缺氧区、交界区）所对应的差异化的微环境特征 。更重要的是，免疫微环境，尤其是 B 细胞浸润 ，在抗肿瘤免疫与治疗应答中的作用日益受到重视，但其与影像特征的关联尚未被系统揭示。因此，如何通过影像无创捕捉肿瘤内部的时空异质性，并将其映射至免疫细胞浸润状态，从而精准预测 pCR，成为当前乳腺癌精准治疗中亟需解决的关键生物学问题。

研究目的（明确写出"三层目的"）

本研究旨在构建一种基于纵向 MRI 的多模态预测模型 ，实现对乳腺癌新辅助治疗后 pCR 的精准预测，并揭示其背后的免疫生物学机制 。具体而言，本研究包含三个层次的核心目标：第一，临床层面 ，利用大规模多中心队列，开发一种整合空间生境影像组学（SHR） 与临床病理特征的多模态模型，实现对 pCR 的高精度预测，并验证其在外部独立队列、免疫治疗队列及多组学队列中的泛化能力；第二，技术层面 ，突破传统将肿瘤视为整体的局限，采用 K-means 聚类将肿瘤划分为三个功能亚区域（高代谢区、交界区、边缘缺氧区） ，并从每个亚区域提取高维影像组学特征，结合治疗前与治疗中两个时间点 的纵向 MRI 数据，动态捕捉肿瘤在 NAT 过程中的异质性演变，构建 Clin-SHR 融合模型 ；第三，机制层面 ，通过整合转录组（RNA-seq）与单细胞 RNA 测序（scRNA-seq） 数据，深入解析高模型评分所对应的免疫微环境特征 ，重点验证其与B 细胞浸润 的关联，并从信号通路富集（如 B 细胞受体信号通路）与细胞功能层面阐明影像特征背后的生物学基础，从而实现从"影像表型"到"免疫机制"的跨越。

研究思路（最核心：怎么挂靠机制）

本研究以 " 影像特征映射免疫微环境" 为核心逻辑，构建了一条从影像建模到多组学验证 的完整研究链条。首先，在影像层面，研究团队从 12 个中心纳入 2279 例患者 ，划分为训练、外部验证、免疫治疗与多组学四个队列。所有患者均采集治疗前（pre-NAT）与治疗中（mid-NAT）两个时间点的 DCE-MRI ，由放射科医生手动勾画肿瘤区域，并采用 K-means 聚类将每个肿瘤划分为三个功能亚区域 ，分别对应高代谢区、交界区与边缘缺氧区，从而建立空间生境影像组学（SHR） 特征体系。随后，通过 LASSO 回归与 Spearman 相关性分析 筛选关键影像特征，并联合临床病理参数（cT 分期、HER2、ER 状态）构建 XGBoost 模型------Clin-SHR ，在多个独立队列中验证其 pCR 预测性能。机制挂靠是本研究的核心亮点 ：作者将模型评分分为高、低两组，首先利用转录组数据（142 例）进行 GSEA 分析 ，发现高评分组显著富集于免疫应答、染色体组织 等通路；进而利用 scRNA-seq （23 例）解析细胞组成 ，发现高评分组中B 细胞比例显著升高 ，且 B 细胞相关基因（IGHM、IGHG1）高表达；进一步通过 MCPcounter 将 15 个关键影像特征与免疫细胞丰度进行相关性分析 ，明确 B 细胞与多个 SHR 特征呈正相关；最后利用 ssGSEA 计算 B 细胞评分 ，验证其在高评分组中显著升高。通过这一 " 影像亚区 → 特征筛选 → 模型评分 → 转录组通路 → 单细胞细胞定位 → 特征-免疫关联" 的层层递进逻辑，成功将影像表型与B 细胞驱动的免疫激活机制建立关联，实现了影像组学从"预测工具"到"生物学探针"的范式升级。

数据和方法（机制部分怎么设计）

数据： 本研究共纳入来自12个中心的2279例 接受新辅助治疗的乳腺癌患者，分为4个队列 ：训练队列（431例） 用于模型构建；外部验证队列（1595例） 用于模型泛化能力验证；免疫治疗队列（88例） 用于评估模型在免疫治疗背景下的适用性；**多组学队列（165例，其中142例具有转录组数据、23例具有单细胞RNA测序数据）**用于解析影像特征的生物学机制。

图 1：患者纳入流程图

方法： MRI采集与预处理→肿瘤区域手动勾画→K-means 聚类将肿瘤划分为3个功能亚区域（高代谢区、交界区、边缘缺氧区） →从每个亚区域提取空间生境影像组学特征（SHR） 与传统全肿瘤影像组学特征（TR）→ICC筛选可重复特征→Mann-Whitney U检验+Spearman相关+LASSO回归筛选关键特征→XGBoost构建单时间点模型与多模态模型（Clin-SHR、Clin-TR）→GSEA 分析高vs低Clin-SHR组的通路富集→MCPcounter 计算影像特征与免疫细胞丰度相关性→scRNA-seq 分析细胞组成差异 →ssGSEA 计算B细胞评分验证组间差异。

图 2：研究整体工作流程图

研究结果（"从表型到机制"）

1. 模型预测性能优异

Clin-SHR模型在外部验证队列中AUC达0.863 ，在免疫治疗队列与多组学队列中分别为0.813与0.888 ，显著优于传统影像组学模型（Clin-TR AUC 0.808）及各单时间点模型，表明纵向空间生境影像组学联合临床参数可显著提升pCR预测精度。

2. 空间生境影像组学优于传统影像组学

在外部验证队列中，Mid-NAT SHR模型的AUC为0.788 ，高于Mid-NAT TR模型的0.764；Pre-NAT SHR模型的AUC为0.752 ，高于Pre-NAT TR模型的0.718。SHR模型在所有队列中均表现更优，证实肿瘤亚区域分析较全肿瘤分析更具预测价值。

图 3（ROC曲线与校准曲线） ：该图展示了Clin-SHR、Clin-TR及单时间点模型在四个队列中的ROC曲线对比。Clin-SHR在训练、外部验证、免疫治疗与多组学队列中的AUC分别为0.928、0.863、0.813、0.888 ，显著优于其他模型；校准曲线显示预测概率与实际pCR结果高度一致，斜线贴近对角线。该图从预测性能角度立住Clin-SHR模型的临床价值。

3. 模型在不同临床亚组中表现稳健

在HER2+、HR+/HER2-与三阴性乳腺癌亚型中，Clin-SHR模型的AUC分别为0.84、0.86与0.86 ；在cTNM Ⅱ期与Ⅲ期中，AUC分别为0.86与0.84 。该模型在不同分子分型与临床分期中均保持稳定预测能力，具有良好的临床泛化性。

图 4（混淆矩阵与相关性矩阵） ：该图A-B部分展示筛选出的影像特征间相关性较低（系数<0.9），无共线性问题，保障模型稳定性；C-J部分混淆矩阵显示Clin-SHR在四个队列中均能准确区分pCR与非pCR，尤其在外部验证队列中灵敏度77%、特异性83%，而Clin-TR特异性仅71%。该图进一步验证模型预测的准确性与可靠性。

4. 高评分组富集免疫相关通路

转录组GSEA分析显示，高Clin-SHR评分组显著富集于免疫应答（NES=3.7）、染色体组织（NES=3.88）与核小体组装（NES=3.67） 等通路，提示高评分患者存在增强的免疫激活状态，为影像评分的生物学意义提供了分子层面的解释。

图 5（影像特征与免疫微环境的关联分析） ：该图左侧GSEA显示高Clin-SHR评分组显著富集于免疫应答（NES=3.7） 、染色体组织（NES=3.88） 、核小体组装（NES=3.67） 等通路，提示高评分患者存在免疫激活状态；右侧热图展示15个SHR特征与免疫细胞丰度的相关性，B细胞与Rad5、Rad6、Rad9、Rad10、Rad11等特征呈显著正相关（correlation 0.15-0.3），初步建立影像特征与B细胞浸润的关联。

5. B细胞是高评分组的关键免疫细胞

scRNA-seq分析发现，高Clin-SHR组中B细胞比例显著升高 （平均Ro/e 1.53 vs 0.46），且B细胞相关基因（IGHM、IGHG1）高表达。B细胞受体信号通路与免疫激活通路在高评分组中显著富集，ssGSEAB细胞评分亦显著升高（p=0.00039），明确将影像特征与B细胞浸润建立关联。

图 6（细胞比例与差异分析） ：该图A-D展示高低评分组的细胞比例与Ro/e分析，高评分组B细胞比例显著升高，B细胞Ro/e达1.53（低评分组仅0.46） ；E图小提琴图验证B细胞比例差异显著（p=0.029）；F图火山图显示B细胞相关基因（IGHM、IGHG1、IGHG2）在高评分组中显著上调。该图从单细胞层面锁定B细胞为高评分组的核心差异免疫细胞。

图 7（代表性患者与B细胞功能分析） ：该图A部分展示6例代表性患者的MRI图像与UMAP细胞组成，高评分患者B细胞比例达14%-42%，低评分患者仅0.3%-1.5%，直观印证模型评分与B细胞浸润的强关联；B图显示B细胞高变基因富集于B细胞受体信号通路与免疫激活通路；C图ssGSEA显示高评分组B细胞评分显著升高（p=0.00039），完成从细胞数量到功能活性的机制闭环。

讨论（把机制故事讲圆）

本研究构建的 Clin-SHR 多模态模型 ，通过整合治疗前与治疗中两个时间点的 MRI 空间生境影像组学特征 与临床病理参数，在外部验证队列中 AUC 达 0.863，显著优于传统影像组学模型。其核心创新在于将肿瘤划分为高代谢区、交界区与边缘缺氧区 三个功能亚区域，突破传统将肿瘤视为整体的局限，有效捕捉了肿瘤内部在血管分布、代谢活性与缺氧状态 上的异质性。值得注意的是，仅 68% 的影像学完全缓解患者实现了 pCR，凸显了 RECIST 标准的局限性，而 Clin-SHR 模型通过对肿瘤亚区域的动态监测，能够在形态学变化显现之前捕捉治疗应答信号。在机制层面，高 Clin-SHR 评分患者不仅富集于免疫应答相关通路 ，更在单细胞层面展现出显著的 B 细胞浸润增加 ，多个 SHR 特征与 B 细胞浸润呈正相关，为影像模型提供了坚实的生物学基础。尽管模型在多中心队列中表现优异，但仍存在肿瘤分割算法差异、多序列 MRI 整合不足等局限，需在前瞻性试验中进一步验证其临床价值。

这篇文献的可借鉴思路

本研究为影像组学挂靠生物学机制提供了可复制的范式 ，其核心可借鉴思路可概括为以下四点。第一，以"空间生境"作为影像与机制的桥梁 。通过 K-means 聚类将肿瘤划分为功能亚区域 （高代谢区、交界区、边缘缺氧区），每个亚区域对应不同的生物学状态，使得影像特征具备明确的生物学解释空间 ------高代谢区的纹理变化可能反映血管结构与免疫细胞浸润，交界区的特征变化可捕捉治疗诱导的细胞组成演变。后续研究可根据自身肿瘤类型与治疗背景，设计合理的亚区域划分策略。第二，构建"影像评分 → 通路 → 细胞 → 功能"的层层递进机制验证链条 。本研究通过转录组 GSEA 发现免疫通路富集，再通过 scRNA-seq 精确定位到 B 细胞，继而用 MCPcounter 建立影像特征与免疫细胞的定量关联，最后用 ssGSEA 验证细胞评分的组间差异。这一**"由粗到细、从表型到机制"** 的验证逻辑，为影像组学研究提供了清晰的机制挂靠路径。第三，纵向设计捕捉动态异质性变化 。本研究同时纳入治疗前与治疗中两个时间点 ，通过观察亚区域在治疗过程中的变化，捕捉肿瘤对治疗的动态应答，使得模型能够反映肿瘤微环境在治疗压力下的演变 ，为机制研究提供了时间维度上的证据。第四，将模型评分作为"生物学状态"的代理指标 。本研究将 Clin-SHR 评分视为高免疫激活状态、尤其是 B 细胞浸润状态的影像代理 ，使模型从"预测工具"升级为"生物学探针"，影像评分可被用于患者分层、机制探索乃至靶点发现。后续研究可将模型评分作为连续变量与多组学数据关联，甚至探索其与特定治疗靶点表达的相关性，为联合治疗策略提供影像学依据。

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 。这篇文献给我们做了一个很好的示范：它没有停留在"我的模型预测很准"这个层面，而是通过将肿瘤划分为不同功能亚区域，层层递进地验证了高模型评分背后是B细胞浸润驱动的免疫激活 ，让影像特征从"黑箱"变成了"生物学探针"。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，从"建模型"走向"讲故事"，轻松写出有机制、有深度、能发高分的好文章！

参考文献：Huang YH, Shi ZY, Zhu T, Zhou TH, Li Y, Li W, Qiu H, Wang SQ, He LF, Wu ZY, Lin Y, Wang Q, Gu WC, Gu CC, Song XY, Zhou Y, Guan DG, Wang K. Longitudinal MRI-Driven Multi-Modality Approach for Predicting Pathological Complete Response and B Cell Infiltration in Breast Cancer. Adv Sci (Weinh). 2025 Mar;12(12):e2413702. doi: 10.1002/advs.202413702.