基于多参数磁共振影像(MRI)放射组学(Radiomics)的原发中枢神经系统淋巴瘤(PCNSL)术前表型分层：预测生发中心B细胞样(GCB)及双表达(Double-Expression, DEL)状态

《Frontiers in Oncology》：Preoperative phenotypic stratification of primary central nervous system lymphoma using multiparametric MRI-based radiomics: prediction of germinal center B-cell-like and double-expression status

　　

摘要：背景(Background)：原发中枢神经系统淋巴瘤(Primary Central Nervous System Lymphoma, PCNSL)具有明显的生物学异质性，尤其体现在免疫组织化学亚型如双表达淋巴瘤(Double-Expression Lymphoma, DEL)与生发中心B细胞样(Germinal Center B-cell-like, GCB)表型之间的差异。本研究旨在开发并评估基于多参数磁共振成像(Multiparametric MRI-based Radiomics)的放射组学模型，用于PCNSL中DEL与GCB状态的术前预测。方法(Methods)：研究人员回顾性纳入160例经病理确诊的PCNSL患者。分析的多参数MRI序列包括T2加权像(T2WI)、T2-液体衰减反转恢复(T2-Fluid-Attenuated Inversion Recovery, FLAIR)、对比增强T1加权像(Contrast-enhanced T1-weighted, T1CE)及表观扩散系数(Apparent Diffusion Coefficient, ADC)图。使用基于nnU-NetV2的模型自动分割强化肿瘤核心及瘤周水肿区，并从所有序列的两个区域提取放射组学特征。经重现性筛选、ComBat校正及仅在训练队列内进行的多步特征选择后，训练六种机器学习分类器并在独立内部测试集中评估。采用受试者工作特征曲线(Receiver Operating Characteristic, ROC)及决策曲线分析(Decision Curve Analysis, DCA)和SHAP(Shapley Additive exPlanations)进行模型评估与特征解释。结果(Results)：对于DEL分类，保留12个放射组学特征，支持向量机(Support Vector Machine, SVM)分类器取得最佳测试性能，曲线下面积(Area Under the ROC Curve, AUC)为0.807(95% CI: 0.649–0.936)，准确率为0.730，灵敏度为0.714，特异度为0.750。对于GCB/非GCB分类，保留7个放射组学特征构建模型，随机森林(Random Forest, RF)分类器取得最高测试性能，AUC为0.897(95% CI: 0.796–0.973)，准确率为0.846，灵敏度为0.792，特异度为0.893。结论(Conclusions)：基于多参数MRI的放射组学分析在PCNSL中无创预测DEL及GCB/非GCB表型方面显示出良好性能。结果表明MRI衍生的放射组学特征可捕获生物学异质性的影像学关联，可支持术前风险分层及个体化治疗规划。

论文解读：基于多参数MRI放射组学预测原发中枢神经系统淋巴瘤的双表达及GCB表型

该研究发表于《Frontiers in Oncology》。原发中枢神经系统淋巴瘤（Primary Central Nervous System Lymphoma, PCNSL）超过90%为弥漫大B细胞淋巴瘤（Diffuse Large B-cell Lymphoma, DLBCL），其双表达（Double-Expression, DEL，即MYC与BCL2蛋白免疫组化共表达）与细胞起源（Cell-of-Origin, COO）分型——生发中心B细胞样（Germinal Center B-cell-like, GCB）与非GCB，具有重要生物学及预后意义。DEL状态与不良无进展生存及高复发风险相关，COO分型则可能反映不同分子通路及潜在治疗靶点。然而，常规MRI对PCNSL亚型鉴别价值有限，且PCNSL多靠立体定向活检确诊，无法在术前无创获知上述表型。为此，研究人员开展此项研究，拟利用治疗前多参数MRI放射组学（Radiomics）构建模型，无创预测PCNSL的DEL及GCB/非GCB状态，以辅助术前风险分层。

研究人员回顾性收集首都医科大学附属北京天坛医院2018年1月至2025年6月收治的160例病理确诊PCNSL患者（DEL分析队列104例，GCB分析队列143例）。所有患者术前行含T₁WI、T₂WI、FLAIR、DWI（生成ADC图）及T1CE序列的3.0T MRI扫描。图像经DICOM转NIfTI、N4偏场校正、重采样至各向同性1.0×1.0×1.0 mm³及z-score标准化预处理。采用nnU-NetV2训练三维自动分割模型分别勾画强化肿瘤核心（Mask-1，基于T1CE）与瘤周水肿（Mask-2，基于FLAIR），并由高年资神经放射科医师审核修正。使用PyRadiomics提取原始、Laplacian of Gaussian（LoG）滤波及小波（Wavelet）变换后的影像组学特征（一阶统计、形状、纹理特征），经组内相关系数（Intraclass Correlation Coefficient, ICC）>0.75稳定性筛选及ComBat批次效应校正后，在训练集内依次进行t检验、Pearson/Spearman相关性过滤（|r|>0.90）、LASSO回归及随机森林重要性前向选择进行降维。选用SVM、SGD、KNN、RF、XGBoost、LightGBM六种分类器，以5折分层交叉验证调参，在独立内部测试集评估ROC-AUC、准确率、灵敏度、特异度及决策曲线分析（DCA），并用SHAP解释特征贡献。同时构建临床模型（GCB任务纳入年龄、性别）及联合模型进行比较。

3 Results（结果）

3.1 Baseline characteristics（基线特征）：DEL分析最终纳入104例（DEL 58例，非DEL 46例），按训练集n=66、测试集n=38划分；GCB分析纳入143例（GCB 67例，非GCB 76例），按训练集n=91、测试集n=52划分。两组训练集与测试集间人口学及常规影像变量均衡可比（P>0.05）。

3.2 Comparison between DEL and non-DEL cases（DEL与非DEL组比较）：全队列中DEL组肿瘤体积显著大于非DEL组（20.1±15.6 mL vs 13.4±9.7 mL, P=0.008），瘤周水肿体积有增大趋势（P=0.06）。其余常规MRI征象（坏死、边缘、强化方式、蝴蝶征等）无显著差异。训练集单因素分析示水肿体积与DEL相关（P=0.03），但多因素分析无独立预测因子。

3.3 Comparison between GCB and non-GCB（GCB与非GCB组比较）：GCB组年龄显著小于非GCB组（53.2±16.0 vs 59.0±11.0岁, P=0.01），男性比例更高（74.6% vs 42.1%, P<0.001）；GCB更常累及幕下（16.4% vs 5.3%, P=0.007），非GCB更常出现蝴蝶征（Butterfly Sign, 13.2% vs 3.0%, P=0.029）。肿瘤体积、水肿体积无差异。多因素Logistic回归确认年龄（OR 0.96, P=0.026）与性别（男 OR 2.95, P=0.026）为GCB独立临床预测因子。

3.4 PCNSL segmentation model（PCNSL分割模型）：nnU-NetV2分割强化肿瘤核心Dice相似系数（Dice Similarity Coefficient, DSC）达0.90，瘤周水肿DSC为0.72；手动与自动分割一致性极高（肿瘤核心DSC均值0.97，水肿0.91）。

3.5 Feature extraction and selection（特征提取与筛选）：初提取8956个特征/例，经ICC筛选保留6806个稳定特征。最终DEL任务筛选出12个特征，GCB任务筛选出7个特征（含肿瘤核心及瘤周水肿区来源于T1CE、T₂WI、FLAIR、ADC的小波及LoG变换纹理及一阶特征）。

3.6 Radiomics model construction（放射组学模型构建）：

• •
  DEL vs non-DEL：SVM模型测试集表现最优，AUC=0.807（95% CI: 0.649–0.936），准确率0.730，灵敏度0.714，特异度0.750。DCA显示模型在中高阈值概率区间具正向净获益。
• •
  GCB/non-GCB：Random Forest模型测试集表现最优，AUC=0.897（95% CI: 0.796–0.973），准确率0.846，灵敏度0.792，特异度0.893；按人群真实患病率25%校正后阳性预测值（Positive Predictive Value, PPV）约0.711，阴性预测值（Negative Predictive Value, NPV）约0.928。DCA显示广泛阈值概率内具临床净获益。

3.7 Feature interpretability analysis（特征可解释性分析）：SHAP分析显示DEL分类最重要特征来自瘤周水肿T1CE的大依赖低灰度强调（LargeDependenceLowGrayLevelEmphasis, LDLGLE，正向贡献）及肿瘤核T₂小波一阶最大值（负向贡献），提示DEL影像信号与瘤周微环境及肿瘤核T₂信号分布有关；GCB分类最重要特征来自肿瘤核FLAIR短游程高灰度强调（ShortRunHighGrayLevelEmphasis, SRHGLE）及T1CE小区域强调（SmallAreaEmphasis, SAE，均正向贡献），提示GCB表型更多关联瘤内强化及信号纹理异质性。

3.8 Radiomics-clinical model construction（放射组学-临床联合模型）：GCB任务中临床模型（年龄+性别）AUC=0.702，放射组学模型AUC=0.897，联合模型AUC=0.902。放射组学与联合模型均显著优于单纯临床模型（P=0.044, P=0.026），但联合与单纯放射组学模型差异无统计学意义（P=0.790）。DEL任务因无非影像独立预测因子未建联合模型。

4 Discussion（讨论与结论总结）

研究人员指出DEL（IHC定义MYC≥40%、BCL2≥50%）与双/三打击淋巴瘤（Double-hit/Triple-hit, FISH定义）概念不同，本研究排除确诊双/三打击病例但因部分缺乏FISH数据可能存在少量异质性。COO分型采用Hans算法IHC替代基因表达谱（Gene Expression Profiling, GEP），属临床常用 surrogate。研究中通过分层抽样平衡GCB/非GCB并以贝叶斯定理按真实患病率25%校正预测值以提高外推性。既往常规影像对PCNSL亚型鉴别力低，本研究发现DEL肿瘤体积更大、GCB多见于年轻男性及幕下少见的蝴蝶征缺失，但常规征象仍不足以可靠分型。SHAP提示DEL相关放射组学特征富集于瘤周水肿区，GCB相关特征富集于肿瘤强化核心，说明多参数MRI放射组学可捕获不同生物学维度的异质性信息。本研究局限为单中心回顾性设计、瘤周水肿自动分割精度中等、部分病例缺FISH分子验证。综上，基于多参数MRI整合强化肿瘤核与瘤周水肿区的放射组学模型可在术前无创判别PCNSL的DEL及GCB/非GCB表型，SVM适于DEL预测、Random Forest适于GCB预测，临床变量未提供额外显著增益；该无创影像学生物标志物有望支持PCNSL术前危险分层与个体化治疗决策，未来需多中心前瞻性研究验证。