npj Digital Medicine IF=15.1 | 多模态数字活检：术前无创预测胃癌隐匿性腹膜转移

引言

胃癌的精准分期长期面临一个关键瓶颈：常规影像学检查（如CT）对隐匿性腹膜转移（OPM）的检出率低且不稳定，导致大量患者不得不接受有创的诊断性腹腔镜探查。能否在术前无创、准确地识别这些"看不见"的转移灶，从而优化治疗决策？

近日，一项发表于《npj Digital Medicine》的研究带来了突破。由河北医科大学第四医院等团队联合开发了一种名为"多模态数字活检 "的人工智能模型。该模型创新性地融合了CT影像组学特征与临床指标 ，在包含超1700名患者的多中心队列中展现出稳定且优异的预测性能（AUC 0.83-0.86） ，不仅能媲美有创检查的判别力 ，还能揭示肿瘤免疫微环境的生物学差异 ，为胃癌的个体化治疗提供了全新的无创决策工具。

基本信息

文章标题：Multimodal digital biopsy for preoperative prediction of occult peritoneal metastasis in gastric cancer
期刊：npj Digital Medicine
影响因子：15.1
发表时间：2026年1月26日
研究单位：河北医科大学第四医院（含河北省胃癌精准诊断与综合治疗重点实验室、工程研究中心）、四川大学及南京中医药大学等高校、中德两国共9家临床医疗中心
Github地址：https://github.com/hebeidpa/DeepComp/tree/main/Gastric-nnUNet
论文地址：https://doi.org/10.1038/s41746-025-02268-9

研究内容与方法

全自动CT肿瘤分割与影像组学特征提取

动机
解决手动分割效率低下、观察者间差异大的问题，为影像组学分析提供标准化、可重复的3D感兴趣区域（ROI）。
实现逻辑

基于nnU-Net的自动分割：采用预训练的nnU-Net模型对胃癌原发灶进行3D自动分割，模型经200例手动标注CT扫描训练，测试集Dice系数达0.89 ；仅7.3%的病例需少量手动修正，观察者间Dice系数为0.882±0.034
对应代码片段：

python 复制代码

def predict_tumor_segmentation(model, ct_image):
    # 影像预处理：重采样、归一化
    processed_img = preprocess_ct(ct_image, target_spacing=(1.0,1.0,1.0))
    # 模型推理
    pred_mask = model.predict(processed_img[np.newaxis, ...])
    # 后处理：阈值分割、连通域分析
    pred_mask = postprocess_mask(pred_mask[0])
    return pred_mask

影像组学特征提取：利用PyRadiomics从分割后的3D-ROI中提取1130个特征，涵盖一阶统计、形状、多维度纹理特征 ；提取前进行各向同性体素重采样（1.0mm³）和灰度离散化（固定bin宽25）
跨中心特征 harmonization：采用ComBat方法消除不同医疗中心CT扫描的设备、协议异质性，可视化验证聚类效应消除效果

核心优势

高自动化率，大幅减少人工操作成本
标准化ROI 保证影像组学特征的一致性与可重复性

【CT影像采集与自动分割流程示意图】

影像组学特征筛选与集成模型构建

动机
从高维度影像组学特征中筛选与隐匿性腹膜转移（OPM）高度相关的特征，同时通过集成学习 提升单模态预测的稳定性与性能。
实现逻辑

三步特征筛选流水线：

差异特征筛选：采用Mann-Whitney U检验识别OPM阳性与阴性组间有统计学差异的特征
冗余特征移除：通过Pearson相关分析，移除绝对相关系数>0.9的冗余特征，降低多重共线性
LASSO特征选择：基于10折交叉验证的LASSO逻辑回归 ，保留回归系数排名前10的特征 用于模型构建
对应代码片段：

python 复制代码

def select_radiomic_features(X, y):
    # 第一步：Mann-Whitney U检验筛选差异特征
    p_values = [mannwhitneyu(X[:,i], y)[1] for i in range(X.shape[1])]
    X_filtered = X[:, np.array(p_values) < 0.05]
    # 第二步：移除高相关特征
    corr_matrix = np.corrcoef(X_filtered, rowvar=False)
    upper = np.triu(corr_matrix, k=1)
    to_drop = [column for column in range(upper.shape[1]) if any(upper[:, column] > 0.9)]
    X_nonredundant = np.delete(X_filtered, to_drop, axis=1)
    # 第三步：LASSO特征选择
    lasso = LogisticRegression(penalty='l1', solver='saga', max_iter=10000, random_state=42)
    selector = SelectFromModel(lasso, threshold='median')
    X_selected = selector.fit_transform(X_nonredundant, y)
    return X_selected, selector.get_support(indices=True)

集成模型开发：融合逻辑回归（LR）、极端梯度提升（XGBoost）、随机森林（RF）、支持向量机（SVM）4种基模型，采用投票分类器 对各模型输出进行软投票 ，得到最终影像组学预测评分
对应代码片段：

python 复制代码

def build_radiomics_ensemble():
    # 定义基模型
    base_models = [
        ('lr', LogisticRegression(random_state=42)),
        ('xgb', XGBClassifier(random_state=42, use_label_encoder=False, eval_metric='logloss')),
        ('rf', RandomForestClassifier(random_state=42)),
        ('svm', SVC(probability=True, random_state=42))
    ]
    # 构建软投票集成模型
    ensemble = VotingClassifier(estimators=base_models, voting='soft')
    return ensemble

核心优势

多步骤特征筛选有效降低特征维度 ，聚焦核心预测信息
集成学习融合不同模型优势 ，提升预测稳定性与泛化能力

【特征处理与集成模型开发流程示意图】

多模态融合OPM预测模型构建

动机
整合临床特征与影像组学特征 ，结合临床经验与影像异质性信息 ，进一步提升OPM预测的准确性与临床可解释性。
实现逻辑

临床特征筛选：通过单变量+多变量逻辑回归 ，筛选出OPM的独立临床预测因子：cT分期、组织学类型、Borrmann分型
多模态融合：将筛选后的临床特征与影像组学评分整合，构建列线图形式的多模态预测模型 ，输出个体化OPM风险概率
风险分层：基于Youden指数 确定风险阈值，将患者分为高/低风险组，辅助临床决策

核心优势

结合临床与影像双重信息 ，提升预测性能的同时保持临床可解释性
列线图形式直观，便于临床医生快速计算患者风险

【多模态模型列线图】

多维度模型验证框架

动机
全面验证模型的泛化性、临床实用性与辅助诊断价值，确保模型可推广至真实临床场景。
实现逻辑

多队列验证：覆盖6个独立队列，包括训练集、内部验证集、2个多中心外部验证集、增量验证集（验证细胞学阳性预测能力） 、前瞻性临床试验队列（NCT06478368）
读者辅助验证：招募10名不同经验水平的放射科医生（<5年、≥5年、≥10年）开展交叉盲法试验 ，对比有无模型辅助下的诊断性能，评估模型对不同层级医生的辅助价值

核心优势

多类型验证队列 确保模型的泛化性与临床可靠性
读者交叉试验 直接验证模型的临床辅助价值 ，为实际应用提供依据

【前瞻性队列入组流程图】

转录组学机制解析

动机
解析多模态模型风险分层背后的免疫生物学机制 ，提升模型的可解释性，为后续治疗策略制定提供依据。
实现逻辑

样本匹配：采用1:1倾向得分匹配 ，选取高/低风险组各9例新鲜肿瘤样本
转录组分析：进行bulk RNA测序 ，通过差异表达基因分析、基因集富集分析（GSEA）、ESTIMATE免疫评分、CIBERSORT免疫细胞浸润分析、单样本GSEA（ssGSEA） ，探究高低风险组的免疫微环境差异

核心优势

从分子层面解释模型风险分层的生物学基础，提升临床信任度
为OPM的免疫治疗靶点挖掘 提供方向

【高低风险组差异免疫基因热图】

实验结果分析

多模态数字活检模型在训练队列中的开发与性能

多模态模型在训练队列中展现了卓越的预测性能 。该模型整合了临床变量（cT分期、组织学类型、Borrmann分型）和原发肿瘤影像组学特征，其预测准确性显著优于单一模态模型。

高区分度 ：模型在训练队列中的AUC达到0.853，表明其具有优秀的判别能力。
良好校准 ：校准曲线显示预测概率与实际观测结果高度一致 ，Brier评分低至0.1071。
临床获益 ：决策曲线分析证实，在广泛的阈值概率范围内，该模型能提供更高的净临床获益。
预后分层 ：基于模型风险分层，高风险组患者的5年总生存率（27.6%）显著低于低风险组（47.4%）。

多模态模型在训练队列中的开发与性能评估，包括列线图、ROC曲线、校准曲线、决策曲线及生存分析。

模型在内部与外部验证中的稳健表现

多模态模型在独立的内、外部验证队列中均保持了稳定且优异的性能 ，证明了其良好的泛化能力。

内部验证 ：在内部验证队列中，模型AUC为0.849 ，校准良好（Brier评分0.1067），并能有效区分高低风险患者的生存预后。
多中心外部验证 ：在两个独立的多中心外部验证队列（分别来自中国多家医院及中德联合队列）中，模型AUC分别达到0.857和0.850，表现稳健。
一致的风险分层 ：在所有验证队列中，模型划分的低风险组患者5年生存率均显著优于高风险组，生存差异具有统计学意义。

多模态模型在内部验证及多中心外部验证队列中的ROC曲线、校准曲线、决策曲线及生存分析结果。

前瞻性验证与AI辅助诊断效能提升

在前瞻性临床队列中，多模态模型不仅自身表现优异，更能显著提升放射科医生的诊断水平。

前瞻性验证性能 ：在168例前瞻性队列中，模型预测OPM的AUC为0.839，校准良好。
显著提升诊断准确性 ：交叉实验表明，在AI模型辅助下，所有放射科医生的平均诊断AUC从0.735提升至0.872 ，敏感性从0.632提升至0.810 ，特异性从0.693提升至0.832。
各层级医生均受益 ：无论资历深浅（<5年、≥5年、≥10年经验），放射科医生在AI辅助下的诊断AUC均得到显著提升，其中低年资医生获益最大（AUC从0.687提升至0.859）。

多模态模型在前瞻性队列中的性能及AI辅助对放射科医生诊断准确性的提升效果。

优势与局限

优势

多模态融合性能优越 ：模型整合CT影像组学与临床特征，在多个独立队列（包括前瞻性临床试验）中均表现出稳健的预测性能（AUC: 0.834--0.857），显著优于单一模态模型。
临床实用性强 ：前瞻性交叉验证表明，AI辅助可将放射科医生的平均诊断AUC从0.735提升至0.872 ，有效提升了不同经验水平医生的诊断准确性，具备明确的临床部署价值。
提供生物学解释 ：转录组学分析揭示了模型风险分层与肿瘤免疫微环境（如CD8 T细胞、TNF-α信号通路）的相关性，为预测结果提供了潜在的生物学机制支持，增强了模型的可信度。

局限

影像协议异质性 ：尽管使用了ComBat进行数据协调，但不同中心的CT扫描协议（如层厚、重建内核）差异可能影响影像组学特征的稳定性，未来需要建立更严格的影像采集标准。
特征来源单一 ：模型仅基于原发肿瘤的影像特征构建，未整合腹膜或大网膜等可能更直接反映微小转移的影像信息，可能限制了其对极早期播散的检测灵敏度。
前瞻性验证规模有限 ：前瞻性临床试验队列的样本量相对较小，且对模型如何改变临床决策、成本效益等多因素终点的评估，仍需更大规模的干预性研究来证实。

参考文献

Dong, D. et al. Development and validation of an individualized nomogram to identify occult peritoneal metastasis in patients with advanced gastric cancer. Ann Oncol 30, 431--438 (2019). 该研究开发了用于预测胃癌隐匿性腹膜转移的临床列线图，其性能与影像组学模型相当。本研究构建的多模态模型整合了临床变量与影像组学特征，是对此类预测工具的重要发展与补充。
Jiang, Y. et al. Noninvasive Prediction of Occult Peritoneal Metastasis in Gastric Cancer Using Deep Learning. JAMA Netw Open 4, e2032269 (2021). 本文提出了基于深度学习的CT影像特征用于胃癌隐匿性腹膜转移的非侵入性预测。本研究在此基础上，采用了集成机器学习与多模态融合策略，并在更大规模的多中心队列中进行了验证。
Aerts, H. J. et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun 5, 4006 (2014). 该论文开创性地提出了从医学影像中提取高通量定量特征（影像组学）以解码肿瘤表型的方法。本研究利用该理念，从胃癌原发灶CT图像中提取影像组学特征，作为构建预测模型的核心组成部分。
Ding, P. et al. Interpretable Multimodal Fusion Model Enhances Postoperative Recurrence Prediction in Gastric Cancer. Adv Sci (Weinh) 12, e08190 (2025). 该研究由本团队发表，提出了可解释的多模态融合模型框架，用于预测胃癌术后复发。本研究沿用了相似的多模态整合与模型构建思路，并将其应用于术前隐匿性腹膜转移的预测任务。
Chen, Y. et al. Predicting response to immunotherapy in gastric cancer via multi-dimensional analyses of the tumour immune microenvironment. Nat Commun 13, 4851 (2022). 该研究通过多维分析肿瘤免疫微环境来预测胃癌免疫治疗反应。本研究的转录组学分析部分参考了该文的思路，旨在揭示预测模型风险分层背后的免疫生物学机制，将影像学风险与肿瘤免疫微环境特征相关联。