《CNS Neuroscience & Therapeutics》：Integrating Multimodal MRI Habitat and Transformer-Based Pathomics to Predict High-Risk Molecular Subtypes and Explore Biological Mechanisms in Adult Diffuse Gliomas
编辑推荐：
背景：本研究旨在通过跨尺度联合模型（Combined model）实现对胶质瘤高危分子亚型的精准预测，将模型的分类指标与患者风险分层相匹配，并探索其潜在的生物学机制。
方法：本研究回顾性收集了456例成人弥漫性胶质瘤患者的术前MRI、术后全切片病理图像、分子标
背景：本研究旨在通过跨尺度联合模型（Combined model）实现对胶质瘤高危分子亚型的精准预测，将模型的分类指标与患者风险分层相匹配，并探索其潜在的生物学机制。
方法：本研究回顾性收集了456例成人弥漫性胶质瘤患者的术前MRI、术后全切片病理图像、分子标志物及临床数据。研究人员分别构建了MRI生境预测模型（Habitat model）、基于Transformer的WSI深度学习病理组学（PDL）模型及联合模型（Combined model）。基于联合模型开发了用于预测高危分子亚型的动态列线图网页。根据联合模型的输出评分将患者划分为不同风险组，并采用Kaplan–Meier生存分析和Log-rank检验评估组间生存差异。此外，在具有可用RNA-seq数据的测试集中进一步进行了差异表达及GO/KEGG富集分析，以探索与模型风险分层相关的转录特征及生物学过程。
结果：联合模型展现出最高的AUC值（训练集：0.888，测试集：0.836），优于生境模型（训练集：0.832，测试集：0.798）和PDL模型（训练集：0.852，测试集：0.821）。基于联合模型输出评分截断值划分的高风险组与低风险组表现出显著的生存差异。探索性转录组分析显示，高风险组与低风险组之间的差异表达基因主要富集于与细胞外基质及细胞–基质相互作用相关的生物学过程和通路。
结论：跨尺度联合模型不仅能够识别高危分子亚型并进行风险分层，还显示出与生物学相关转录特征的关联。
论文解读
一、研究背景与问题
胶质瘤作为中枢神经系统最具侵袭性的原发性肿瘤，具有复杂的分子异质性，这是驱动肿瘤恶性进展、治疗抵抗及不良预后的核心因素。2021年WHO中枢神经系统肿瘤分类确立了胶质瘤“整合分子诊断”范式，将CDKN2A/B纯合性缺失、TERT启动子突变、EGFR扩增及+7/?10染色体变异列为胶质瘤高危分子标志物。这些标志物不仅能独立预测胶质瘤的恶性生物学行为，还可直接导致超越传统组织学分类的肿瘤分级提升。然而，高危分子亚型的恶性进展并非单一分子机制所致，而是多种分子机制相互作用、协同演化的结果。例如，TERT启动子突变在IDH突变型胶质瘤中与良好预后相关，但在IDH野生型肿瘤中则与更强的侵袭性和更差预后相关。这种复杂的分子网络异质性，加之肿瘤微环境内的复杂相互作用，共同塑造了胶质瘤的侵袭表型和临床轨迹。
在临床实践中，胶质瘤高危分子亚型的识别面临双重挑战：一方面，金标准依赖于侵入性组织活检和多项分子检测，不仅增加患者负担，还可能因肿瘤空间异质性导致取样误差；另一方面，常规影像虽能提供宏观结构信息，但分析分子特征和微环境异质性的能力有限。传统影像组学分析方法常将肿瘤视为均质实体，忽视了由具有不同病理生理特征的亚区域（生境）组成的肿瘤生态系统属性。新兴的生境影像技术源于达尔文进化动力学概念，通过将肿瘤分割为亚区域并量化不同生境的影像组学特征，建立宏观影像表现与微观分子特征之间的可解释关联，为非侵入性分析肿瘤空间异质性开辟了新途径。
与此同时，基于人工智能辅助分析的计算病理学正在快速发展。基于全切片图像（WSI）的病理组学分析能够量化肿瘤微异质性，促进分子状态和预后的预测。研究表明，基于Transformer的深度学习模型在处理大规模WSI方面具有独特优势，在多种肿瘤类型的生物标志物预测中展现出显著潜力。然而，现有研究主要集中于单一尺度的分析，未能充分整合宏观生境特征与微观病理特征之间的跨尺度互补信息，这一局限制约了对胶质瘤多维异质性的全面表征和预测性能的优化。
因此，本研究旨在整合宏观MRI生境影像、基于Transformer驱动的深度学习的微观WSI分析及关键临床信息，构建用于精准预测胶质瘤高危分子亚型的跨尺度模型，并将模型的分类指标与患者风险分层相关联，探索与模型风险分层相关的转录特征，这对于理解胶质瘤异质性及制定个体化治疗策略至关重要。
二、研究内容与主要技术方法
研究人员开展了一项多中心回顾性研究，纳入456例成人弥漫性胶质瘤患者，其中323例来自山西医科大学第一医院、山西省人民医院和山西白求恩医院，133例来自癌症基因组图谱（TCGA）数据库。研究根据2021年WHO CNS5标准定义高危分子亚型：IDH野生型胶质母细胞瘤和伴有CDKN2A/B纯合性缺失的IDH突变型星形细胞瘤归为高危组，其余病例归为非高危组。
研究采用的主要关键技术方法包括：基于K-means聚类算法的肿瘤生境分析，在T1CE和T2FLAIR多参数MRI上自动划分肿瘤亚区域，并依据影像生物标志物标准化倡议（IBSI）指南提取影像组学特征；基于Vision Transformer（ViT）架构的深度学习病理组学模型，结合补丁似然直方图（PALHI）和词袋（BoW）两种多实例学习（MIL）范式进行特征聚合；采用组内相关系数（ICC）、Mann-Whitney U检验、Spearman秩相关分析和最小绝对收缩与选择算子（LASSO）回归进行特征筛选；分别构建支持向量机（SVM）生境模型、PDL模型，并整合临床信息通过逻辑回归构建联合模型；采用自举法（bootstrap）进行1000次模型构建以增强稳健性；利用Kaplan–Meier生存分析和Log-rank检验评估风险分层的预后价值；对TCGA测试集RNA-seq数据进行差异表达分析及GO/KEGG富集分析以探索生物学机制。
三、研究结果
患者特征分析：共纳入456例胶质瘤患者。训练集中54.80%（177/323）的患者被归类为高危分子亚型，测试集中48.87%（65/133）属于该类别。年龄和组织学分级在高危与非高危分子亚型组间均存在显著差异，而性别在两组间无显著相关性。
生境聚类与特征热图展示：基于Calinski–Harabasz评分确定T1CE和T2FLAIR序列的最优聚类数为3。研究展示了高危与非高危患者之间MRI生境热图、WSI热图及列线图预测的三位一体病例对比。
特征提取与筛选：共提取了10,458个生境影像组学特征和512个深度学习病理组学特征。经LASSO回归筛选后，保留了20个生境影像组学特征和19个深度学习病理组学特征。其中贡献最大的特征为T1C__intra_wavelet_HHL_glcm_Correlation_h1和FLAIR__intra_logarithm_firstorder_RootMeanSquared_h2。
模型预测性能评估：在两种单模态模型中，PDL模型取得了更优的AUC值（训练集：0.852，测试集：0.821），优于生境模型（训练集：0.832，测试集：0.798）。联合模型在研究队列中表现最佳，训练集和测试集的AUC值分别为0.888和0.836。校准曲线显示联合模型具有最佳的拟合度和校准性能，决策曲线分析表明联合模型产生最高的净收益，显示出良好的临床应用潜力。
联合模型风险分层的预后价值评估：利用联合模型输出评分将研究队列划分为高风险和低风险组，Log-rank检验结果显示训练集和测试集中的总生存期（OS）均可根据联合模型评分被显著区分。
基于模型风险分层的转录组学关联：在高风险与低风险组比较中鉴定出100个差异表达基因（DEGs），其中81个显著上调，19个显著下调。GO富集分析显示这些基因主要涉及细胞外基质组织、胶原纤维组织和伤口愈合等生物学过程，以及含胶原的细胞外基质和内质网腔等细胞组分，和细胞外基质结构成分及肝素结合等分子功能。KEGG富集分析进一步确定了ECM–受体相互作用和黏着斑等通路，Wnt信号通路也位列前10富集通路中。总体而言，GO和KEGG结果呈现涉及细胞外基质和细胞–基质相互作用的趋同模式。
四、讨论与结论
本研究开发的联合模型整合了宏观MRI生境影像、基于WSI的微观病理组学和临床信息，在预测胶质瘤高危分子亚型方面取得了优异性能。与既往仅依赖单一MRI或数字病理图像的研究相比，跨尺度融合策略利用了临床、生境影像组学和深度学习病理组学特征的互补价值。生境影像技术将肿瘤视为由多个具有不同病理生理特征的亚区域组成的动态生态系统，建立了宏观影像特征与微观细胞/分子特征之间的定量关联；而Transformer网络架构应用于WSI能够更好地捕获全局上下文信息，从微观视角深入提取与高危分子亚型显著相关的定量组织病理学特征。
研究开发了在线动态列线图作为实用临床工具，允许临床医生输入关键信息获得个体化风险预测。同时构建了整合MRI生境热图、WSI热图和列线图预测的三位一体病例可视化框架，实现了从宏观影像到微观病理再到预测风险概率的直接跨尺度比较。研究也坦承当前对WSI采集和深度学习推理的依赖限制了列线图在常规临床实践中的实时应用，其临床定位更适合术后综合评估、多学科团队讨论和术后辅助治疗规划等非紧急场景。
探索性转录组分析为联合模型衍生的风险分层提供了互补的生物学背景。差异表达基因的GO和KEGG富集分析一致地突出了细胞外基质重塑和细胞–基质相互作用，包括ECM组织、胶原相关组分、ECM–受体相互作用和黏着斑等，提示ECM相关过程可能代表与模型风险状态相关的转录特征。
研究也存在一定局限性：作为回顾性研究样本量有限；未进行额外的中心间和扫描仪间变异协调分析；K-means聚类的硬分配策略可能过度简化肿瘤生境之间的连续异质性；基因组和转录组分析均基于TCGA数据，样本量相对较小且时间跨度大，生物学解释应视为初步结果。
研究结论：本研究整合了宏观MRI生境影像、基于WSI的微观病理组学和临床信息，构建了预测胶质瘤高危分子亚型的跨尺度模型。模型输出评分能够有效实现患者风险分层。此外，探索性转录组分析将基于模型的风险分层与细胞外基质重塑和细胞–基质相互作用相关的转录特征联系起来，为模型预测提供了互补的生物学背景。该框架为胶质瘤异质性的定量评估提供了新视角，可能有助于临床实践中恶性转化的早期预警和个体化治疗规划。
