Int J Surg 中山大学附属第六医院放射科等团队：基于多维度MRI特征的非侵入性AI模型预测直肠癌三级淋巴结构、免疫治疗反应及预后

01文献学习今天分享的文献是由中山大学附属第六医院放射科联合广东省人民医院放射科吉林大学第一医院等团队于2025年11月在外科领域顶刊《International Journal of Surgery》上发表的研究“A Noninvasive AI Model Based on Multi-dimensional MRI Features for Predicting Tertiary Lymphoid Structures, Immunotherapy Response, and Prognosis in Rectal Cancer”即基于多维度MRI特征的非侵入性AI模型预测直肠癌三级淋巴结构、免疫治疗反应及预后该研究构建了一个基于多维度MRI特征的AI模型用于非侵入性预测直肠癌患者的三级淋巴结构TLSs状态并进一步评估其在免疫治疗反应预测和预后分层中的价值。模型在多个独立队列中表现出良好的泛化能力。创新点①首次针对直肠癌提出基于多维MRI的AI模型实现三级淋巴结构的无创预测。②融合传统影像组学、矩阵降维与肿瘤异质性特征提升模型表达能力。③采用前瞻性与免疫治疗队列验证增强模型的泛化性与临床适用性。临床价值①提供非侵入性TLSs评估手段避免活检风险支持动态监测。②可预测免疫治疗响应与患者预后辅助个体化治疗决策。③为直肠癌免疫治疗筛选潜在获益人群提升治疗精准性与安全性。图 1研究整体工作流程图队列划分从857例临床诊断直肠癌患者中经纳入排除标准筛选出606例分为开发队列314例、验证队列109例外部测试集1、前瞻性队列89例外部测试集2和免疫治疗队列94例。关键环节依次展示“患者入组→MRI图像采集T2WI、DWI、CE-T1WI→ROI分割U-Net预分割医生修正→多维度特征提取放射组学、降维、异质性→模型构建XGBoost算法→模型验证内部外部前瞻性→临床价值评估免疫治疗反应预后分层”的全流程。最终产出明确模型用于预测TLSs状态、免疫治疗病理完全缓解pCR和无病生存期DFS的核心目标。02研究背景及目的研究背景结直肠癌是全球第三大高发恶性肿瘤其中直肠癌作为其主要亚型占病例总数的三分之一以上且具有更高的术后复发率和死亡率构成严峻的临床挑战。近年来免疫检查点抑制剂在直肠癌治疗中显示出显著潜力尤其对于高度微卫星不稳定MSI-H患者部分晚期病例甚至可实现临床完全缓解并已被纳入NCCN指南推荐。然而免疫治疗的临床应答率个体差异巨大仅20%–50%的晚期患者对免疫检查点抑制剂产生积极反应且部分患者可能面临如肺炎、结肠炎或心肌炎等危及生命的免疫相关不良事件。三级淋巴结构作为肿瘤微环境内免疫细胞的异常聚集结构在激活T细胞应答、增强抗原呈递和B细胞介导的体液免疫中发挥关键作用已成为预测包括直肠癌在内的多种癌症免疫治疗疗效与预后的潜在生物标志物。然而目前对其评估仍依赖侵入性组织病理学检查不仅伴随并发症风险且无法实现动态监测难以在临床常规中推广应用。尽管人工智能技术在医学影像分析中展现出从高维影像特征中挖掘信息的潜力并在多项癌症研究中用于预测治疗反应与预后但现有基于影像的TLS评估模型仍存在前瞻性验证缺乏以及在预测免疫治疗应答与预后方面的附加价值证据不足两大局限。因此开发一种能够无创、动态评估TLS状态并有效预测免疫治疗反应与预后的可靠工具已成为直肠癌精准医疗中亟待解决的关键问题。研究目的本研究旨在开发并验证一种基于多维度MRI特征的人工智能模型以实现对直肠癌患者三级淋巴结构TLS状态的无创性预测并进一步评估该模型在预测免疫治疗反应和患者预后方面的临床应用价值。具体而言研究通过整合多序列MRI影像包括T2加权成像、高b值扩散加权成像和静脉期对比增强T1加权成像提取三维特征集包括传统的全肿瘤放射组学特征、基于主成分分析与奇异值分解的矩阵降维抽象特征以及通过栖息地分析获得的肿瘤亚区异质性特征。利用机器学习算法如XGBoost构建TLS分类模型并在多中心回顾性队列、前瞻性队列以及真实的免疫治疗队列中进行系统验证以检验其泛化能力。研究进一步探讨TLS评分与病理完全缓解率之间的关联并通过生存分析明确TLS评分对无病生存期的预测效能。最终目标是为直肠癌患者的个体化免疫治疗决策、疗效动态监测及预后分层提供一个可靠、非侵入性的影像学生物标志物与临床决策支持工具克服当前依赖侵入性活检的局限推动精准免疫治疗的发展。03数据和方法研究数据总样本量初始纳入857例临床诊断直肠癌患者最终606例符合标准纳入分析队列划分开发队列314例用于模型构建含118例TLSs阴性、196例TLSs阳性患者验证队列109例外部测试集1用于初步泛化性验证含32例TLSs阴性、87例TLSs阳性患者前瞻性队列89例外部测试集2用于前瞻性验证含39例TLSs阴性、51例TLSs阳性患者免疫治疗队列94例用于免疫治疗反应预测验证含51例pCR患者、43例非pCR患者图 2患者纳入排除标准及MRI分割示意图技术方法1图像采集与分割图像类型所有患者治疗前接受直肠MRI扫描包括轴位T2加权成像T2WI、高b值b≥800扩散加权成像DWI、静脉期增强T1加权成像CE-T1WI分割方法采用U-Net算法预分割基于既往标注数据训练由10年经验放射科医生使用ITK-SNAP软件手动修正最终获得3D肿瘤感兴趣区ROI。2TLSs病理评估评估者2名具有15年以上结直肠癌病理经验的高级胃肠病理科医生评估方式双盲法不了解临床和影像学信息按既定标准分类TLSs成熟阶段淋巴细胞聚集物、初级滤泡、次级滤泡以存在成熟次级滤泡FolII定义为TLSs阳性一致性检验随机抽取50例样本进行观察者间一致性分析concordance达88%一致性高。3多维度特征提取放射组学特征321个从T2WI、DWI、CE-T1WI序列提取纹理、形态学、统计特征每个序列107个使用PyRadiomics计算降维特征300个基于T2WI、DWI、CE-T1WI序列通过主成分分析PCA和奇异值分解SVD获取数学抽象特征肿瘤异质性特征1070个对融合后的3种序列图像进行超体素聚类生成10个亚区域提取亚区域异质性特征。4模型构建与验证数据划分开发队列按4:1比例分为训练集251例和内部验证集63例算法比较评估AdaBoost、LightGBM、XGBoost三种机器学习算法性能特征组合比较验证三种特征组合单一放射组学、放射组学降维特征、三者联合的模型效能超参数优化采用网格搜索在训练集上优化模型超参数模型评估指标AUROC、F1分数、准确率、灵敏度、特异度、阳性预测值PPV、阴性预测值NPV结合校准曲线评估预测概率与实际结果的一致性。5模型解释与统计分析模型解释采用Shapley Additive exPlanationsSHAP分析识别影响模型决策的关键特征统计方法描述性统计总结基线特征Kaplan-Meier法分析生存曲线log-rank检验比较组间预后差异P0.05为差异有统计学意义。04实验结果1模型性能最优组合算法选择XGBoost算法性能优于AdaBoost和LightGBM在各队列中AUROC更高无统计学显著差异但综合7项指标最优特征组合选择三者联合特征模型放射组学降维异质性性能最优外部测试集中ROC检验显示差异有统计学意义模型整体效能内部验证集AUROC0.880.80-0.97外部测试集1 AUROC0.810.70-0.91外部测试集2 AUROC0.840.76-0.92校准曲线均接近45°对角线校准性能良好详细见表2。2关键特征识别前20个关键特征涵盖三种维度和三种MRI序列其中subregion3_firstorder_MeanAbsoluteDeviation、subregion1_firstorder_Kurtosis、cet1wi_pca_62、t2wi_glcm_MCC贡献最大各占前20特征总影响的6%以上前3个特征高值与TLSs阳性呈正相关t2wi_glcm_MCC高值与TLSs阳性呈负相关。3免疫治疗反应预测免疫治疗队列中pCR组与非pCR组的TLSs评分差异有统计学意义P0.05模型预测pCR的AUROC0.740.64-0.84纯免疫治疗组AUROC0.770.56-0.97免疫治疗联合化疗组AUROC0.740.62-0.86。4预后分层能力Kaplan-Meier分析显示高TLSs评分组DFS显著优于低评分组log-rank P0.05内部验证集HR2.481.11-5.54外部测试集1 HR3.071.41-6.68预后分层效能稳定。图 3不同机器学习算法的预测性能对比图图 4不同特征提取策略的预测性能对比图图 5模型可解释性及临床附加价值图05研究结论本研究成功构建并验证了一个基于多维度MRI特征的非侵入性人工智能模型用于预测直肠癌患者的三级淋巴结构状态、免疫治疗反应及预后。该模型整合了传统影像组学特征、基于矩阵的降维特征及肿瘤异质性特征采用XGBoost算法在内部验证集和外部测试集中均表现出优异且稳定的判别性能AUROC分别达到0.88、0.81和0.84。更重要的是模型提取的TLSs评分在免疫治疗队列中显示出显著的预测价值能够有效区分病理完全缓解与非缓解患者其AUROC为0.74并在不同治疗亚组中保持稳健。此外该评分还展现出明确的预后分层能力高TLSs评分组患者具有显著更优的无病生存期。研究进一步通过SHAP分析提升了模型的可解释性明确了影响预测的关键影像特征。综上该模型不仅为直肠癌TLSs的无创评估提供了可靠工具更在预测免疫治疗反应和患者预后方面具有重要的临床转化潜力有望支持个体化治疗决策与动态疗效监测。参考文献Yang H, Wong C, Liang W, Xie P, Chen G, Ma D, Liu W, Xie X, Liu Z, Zhang H, Fu Y, Meng X. A noninvasive AI model based on multi-dimensional MRI features for predicting tertiary lymphoid structures, immunotherapy response, and prognosis in rectal cancer. Int J Surg. 2025 Nov 19. doi: 10.1097/JS9.0000000000003845.