多参数MRI影像组学在肺癌脑转移病理亚型鉴别中的可行性研究：一项开创性探索

本研究通过多参数磁共振成像(MRI)影像组学技术，首次系统评估了T1CE、T2-FLAIR和DWI序列联合模型对肺癌脑转移(BMs)病理亚型（NSCLC vs. SCLC、AD vs. NAD）的鉴别效能。结果显示多序列联合模型的AUC达0.762-0.861，显著优于单序列模型，为无创病理分型提供了新思路，对临床精准诊疗具有重要价值。

　　

肺癌脑转移(BMs)是癌症患者死亡的主要原因之一，其病理亚型的准确鉴别直接影响治疗方案选择。然而，传统活检存在创伤大、取样难等问题，临床亟需无创诊断方法。河北大学附属医院/河北大学临床医学院的研究团队在《Scientific Reports》发表创新性研究，首次系统探索了多参数MRI影像组学在肺癌脑转移病理分型中的应用价值。

研究团队收集了276例经病理证实的肺癌脑转移患者数据，通过提取T1CE、T2-FLAIR和DWI序列的3,111个影像组学特征，构建了两步分类模型：第一步区分小细胞肺癌(SCLC)与非小细胞肺癌(NSCLC)，第二步在NSCLC中区分腺癌(AD)与非腺癌(NAD)。关键技术包括：多中心MRI数据标准化处理、ITK-SNAP软件手动勾画肿瘤区域、基于Akaike信息准则的特征筛选、逻辑回归模型构建及Delong检验验证。

主要研究结果
患者临床特征
队列包含178例NSCLC（155例AD，23例NAD）和98例SCLC患者，7:3随机分为训练集与测试集。临床分期显示SCLC患者IV期比例显著高于NSCLC（56.1% vs. 26.4%，P<0.001），而AD患者女性占比显著高于NAD（56.1% vs. 95.6%，P<0.001）。

模型性能评估
NSCLC与SCLC鉴别
多序列联合模型在测试集的AUC达0.762（95%CI 0.671-0.845），显著优于单序列模型（P<0.05）。关键特征包括T1CE序列的wavelet-HLL_glcm_Correlation（P=0.01）和DWI序列的original_gldm_SmallDependenceHighGrayLevelEmphasis（P<0.001）。

AD与NAD鉴别
联合模型表现更优，测试集AUC提升至0.851（95%CI 0.649-0.984）。T1CE序列的wavelet-HLH_glcm_InverseVariance（P=0.0025）和DWI序列的wavelet-HHH_gldm_LargeDependenceHighGrayLevelEmphasis（P=0.0063）成为最具鉴别力的特征。

讨论与意义
该研究创新性地证实：1）多参数MRI影像组学可有效捕捉不同病理亚型脑转移瘤的微环境异质性；2）T1CE序列对血管生成特征的反映、DWI对细胞密度的敏感性、T2-FLAIR对水肿范围的评估具有互补价值；3）两步分类策略显著提升罕见亚型（如NAD）的识别率。相较于既往CT或PET研究，该方法无需额外检查，直接利用临床常规MRI数据，更具转化潜力。

局限性包括单中心数据偏倚（AD样本占比87.1%）和手动分割的耗时性。未来需通过多中心验证和深度学习自动分割进一步提升模型鲁棒性。这项研究为肺癌脑转移的"虚拟活检"提供了重要技术支撑，对指导靶向治疗、免疫治疗等精准决策具有临床意义。