基于DCE-MRI影像组学模型预测乳腺癌TIL水平的可行性研究：一项多中心回顾性队列分析

《BMC Medical Imaging》：The feasibility of the radiomics models for tumor-infiltrating lymphocytes level prediction in breast cancer based on dynamic contrast-enhanced MRI

本研究针对乳腺癌治疗前肿瘤浸润淋巴细胞(TIL)水平评估的临床需求，开发了一种基于动态对比增强磁共振成像(DCE-MRI)的影像组学模型。研究团队通过多中心回顾性分析501例患者数据，构建了整合影像组学特征与临床参数的预测模型。结果表明，该模型在训练集、内部验证集和外部测试集的AUC分别达到0.828、0.824和0.767，显著优于单纯影像组学模型。这一非侵入性方法为乳腺癌免疫微环境评估提供了新思路，有望指导个体化治疗决策。

　　

在当今全球癌症负担日益加重的背景下，乳腺癌已跃居女性恶性肿瘤发病率首位，成为威胁女性健康的重大公共卫生问题。这种疾病最令人困扰的特性在于其高度的异质性——不同患者的肿瘤在分子特征、临床表现和治疗反应方面存在显著差异。正是这种异质性使得"一刀切"的治疗模式难以奏效，促使医学界不断探索能够精准指导个体化治疗的生物标志物。

近年来，肿瘤浸润淋巴细胞(TIL)作为肿瘤免疫微环境的关键组成部分，逐渐成为乳腺癌研究的热点。这些浸润到肿瘤组织中的免疫细胞（包括T淋巴细胞、B淋巴细胞和自然杀伤细胞）就像是人体自身派往肿瘤前线的"特种部队"，它们的数量和分布状态直接反映了机体对抗肿瘤的免疫反应强度。大量临床研究证实，TIL密度与乳腺癌患者对新辅助化疗的敏感性和长期生存率密切相关——特别是在三阴性和HER2阳性乳腺癌中，高水平的TIL往往预示着更好的治疗效果和预后。

然而，传统的TIL评估方法存在明显局限性。目前临床主要依赖病理学家对 Hematoxylin and Eosin(H&E)染色的组织切片进行视觉评估，这种方法不仅需要侵入性的活检或手术获取组织样本，还受到肿瘤时空异质性的影响——单个活检样本难以全面反映整个肿瘤的TIL分布情况。此外，这种主观评估方法存在较大的观察者间差异，使得TIL定量标准化面临挑战。更重要的是，手术切除后的评估结果无法用于指导术前治疗决策，这在一定程度上限制了TIL在临床实践中的应用价值。

正是在这样的背景下，Peng等研究人员在《BMC Medical Imaging》上发表了他们的创新性研究，探索利用DCE-MRI影像组学这一非侵入性方法预测乳腺癌TIL水平的可行性。影像组学作为一种新兴的研究方法，能够从常规医学图像中提取大量定量特征，通过高通量分析将图像信息转化为可挖掘的数据宝藏，从而揭示肉眼无法识别的肿瘤内在特征。

研究团队采用多中心回顾性设计，共纳入501例乳腺癌患者，其中453例用于模型开发（训练集317例，内部验证集136例），另外48例作为外部测试集。所有患者均在治疗前接受了DCE-MRI检查，研究人员从T2WI、DWI和DCE T1WI三个序列中提取了6792个影像组学特征。通过组内相关系数(ICC)筛选后，保留6255个稳定性较高的特征进行后续分析。

关键技术方法包括：采用方差分析(ANOVA)和最小绝对收缩和选择算子(LASSO)回归进行特征筛选；使用逻辑回归算法构建预测模型；通过受试者工作特征(ROC)曲线评估模型性能；比较单纯影像组学模型与整合临床特征的复合模型的预测效能。临床数据来自两家医院2015-2021年收治的乳腺癌患者队列，所有患者均经病理证实为浸润性乳腺癌且术前未接受任何治疗。

患者特征与TIL水平分布

研究结果显示，在453例模型开发患者中，266例为低水平TIL（TIL<10%），187例为中高水平TIL（TIL≥10%）。两组患者在组织学分级、激素受体状态、HER-2表达和Ki-67指数等方面存在显著差异（p<0.05），而年龄、临床分期和组织学类型则无统计学差异。这种分布特征与既往研究一致，证实了TIL与某些分子亚型的固有关联。

特征筛选与模型构建

通过严格的特征筛选流程，研究人员最终筛选出20个最具预测价值的影像组学特征（DWI序列4个、DCE T1WI序列10个、T2WI序列6个）用于构建单纯影像组学模型。而复合模型则纳入了3个临床特征（组织学分级、Ki-67和HER-2状态）和15个影像组学特征。值得注意的是，来自小波变换图像的高阶特征在模型中占比较高，提示这些特征可能捕获了与TIL分布相关的深层图像信息。

影像组学评分分布

放射组学评分(Rad-score)分析显示，在训练集中，低TIL组与中高TIL组之间的Rad-score存在显著差异（p<0.05）。单纯影像组学模型中，低TIL组和中高TIL组的Rad-score中位数分别为0.28和0.59；复合模型中则分别为0.30和0.60。类似的分布模式在验证集中也得到重现，证明模型具有良好的区分能力。

模型性能比较

单纯影像组学模型在训练集、内部验证集和外部测试集的AUC分别为0.810、0.756和0.704，表现出稳健的预测能力。而整合临床特征的复合模型则展现出更优的性能，相应AUC分别提升至0.828、0.824和0.767。尽管这种提升在统计学上未达到显著水平（p>0.05），但一致性的性能改善趋势表明临床特征的加入有助于增强模型的稳定性和泛化能力。

模型校准效果

校准曲线分析显示，两种模型在训练集和测试集中均表现出良好的拟合优度，预测概率与实际观测值之间具有较高的一致性，说明模型校准效果理想。

研究结论与意义

该研究成功开发并验证了基于DCE-MRI的影像组学模型，能够有效预测乳腺癌患者的TIL水平。研究结果表明，MRI衍生的影像组学特征携带了与肿瘤免疫微环境相关的有价值信息，为非侵入性TIL评估提供了新途径。

从临床转化角度看，这一模型的潜在价值体现在多个方面：首先，它能够克服组织活检的局限性，实现对整个肿瘤而非局部样本的免疫状态评估，更全面地反映肿瘤异质性；其次，基于术前MRI的预测能力使得TIL评估可以提前到治疗决策阶段，为个性化治疗策略制定提供及时参考；最后，标准化、自动化的影像组学分析有助于减少主观评估偏差，提高TIL定量的一致性和可重复性。

特别值得关注的是，研究中发现来自第一个增强后时相的影像组学特征对模型贡献较大，这可能与该时相能够最佳地展现肿瘤血管生成和灌注特征有关。而小波变换特征的突出作用则提示，纹理分析在捕获TIL空间分布模式方面具有独特优势。这些发现为后续研究指明了特征筛选的重点方向。

研究的局限性也为未来工作提供了改进思路。样本量不足，特别是外部验证队列较小，限制了模型的普适性和亚组分析能力；仅使用第一个增强时相可能未充分利用多时相DCE-MRI的完整动态信息；不同医疗机构间的扫描参数差异对模型泛化能力构成挑战。此外，由于高TIL（≥50%）患者比例较低，研究仅设置了10%的单一阈值，未能实现更精细的TIL分层。

展望未来，随着多中心大样本研究的开展和深度学习等先进算法的应用，影像组学在肿瘤免疫微环境评估领域将发挥越来越重要的作用。这种非侵入性、可重复的评估方法有望成为传统病理学评估的有力补充，最终实现乳腺癌免疫状态的精准量化，推动个体化免疫治疗的发展。