空间模式驱动的可解释模型及其在脑胶质母细胞瘤与淋巴瘤鉴别中的生物学关联

《iScience》：Spatial pattern-driven interpretable model and biological correlates in brain glioblastoma-lymphoma differentiation

　　

亮点•肿瘤概率图量化了胶质母细胞瘤 - 原发性中枢神经系统淋巴瘤的定位，超越了视觉评估•基于图谱的空间影像组学在跨中心表现优于传统影像组学•标准转录组学和连接组学为空间相关性提供了背景摘要胶质母细胞瘤（GBM）和原发性中枢神经系统淋巴瘤（PCNSL）在常规 MRI 上常表现出重叠的外观，使治疗前诊断复杂化。在五家中心的 1,109 名患者中，我们构建了标准空间肿瘤概率图并衍生出基于图谱的空间特征，以增强传统影像组学。空间影像组学分类器优于单独的影像组学（外部测试 ROC 曲线下面积 [AUC] 为 0.98），具有可接受的校准和决策曲线获益，以及基于 SHapley Additive exPlanations (SHAP) 的解剖学解释。将肿瘤定位与艾伦人脑图谱（Allen Human Brain Atlas）和标准功能连接组对齐，将 GBM 富集区域与发育 - 致癌程序和 网络枢纽性相关联，而 PCNSL 富集区域显示出免疫炎症/增殖程序，且与网络枢纽性的关联在空间自相关校正后未能保留。这些结果提供了可共享的参考图和一种可解释、多中心泛化的 GBM-PCNSL 鉴别工具，同时为诊断特异性的位置易感性提供了生物学背景。图文摘要引言胶质母细胞瘤（GBM）和原发性中枢神经系统淋巴瘤（PCNSL）是高度恶性的脑肿瘤。尽管组织病理学和治疗方案不同，但它们在临床和放射学上存在重叠，影响老年人，并表现为深部、胼胝体“蝴蝶状”病变，在 MRI 上呈明显强化和弥散受限。, , 区分 GBM 和 PCNSL 是一项常规但至关重要的诊断任务。许多使用 MRI 的定量影像学研究了这一任务。相对于 GBM，PCNSL 通常在弥散加权成像上显示出较低的表观扩散系数, , 在磁共振波谱上显示出更显著的脂质和乳酸峰, , 且通常缺乏灌注升高，因为不存在新生血管化。, , 多模态集成进一步提高了性能。, 影像组学是一种高通量定量图像特征方法，已被广泛应用，系统综述报告称其具有高的诊断准确性。, 然而，大多数先前的工作依赖于感兴趣区（ROI）分析，强调病灶内测量，而空间位置的表征不足。然而，位置具有临床和生物学意义。, PCNSL 通常沿血管周围路径追踪，围绕深部髓内静脉，产生血管周围“袖套征”并侵犯 Virchow-Robin (VR) 空间，倾向于深部脑室周围和静脉周围区域。相比之下，GBM 与神经干细胞/祖细胞的异常分化有关，赋予其在脑室下区（SVZ）附近和沿胶质细胞谱系路线发生的倾向。, 传统的位置描述符是视觉的和粗略的。通用立体空间中的基于体素的分析，最初是为功能性神经成像开发的，正日益应用于局灶性病变，包括基于体素的病变 - 症状映射（VLSM）。, , 通过将肿瘤掩膜标准化为标准空间，这些方法支持统计映射、群体水平的肿瘤概率图以及位置 - 表型关联的形式化测试。, 标准空间资源——艾伦人脑图谱（AHBA）转录组学 和大规模连接组——允许进行标准化相关性分析，深化对病理生理学的理解。, 定量空间描述符也可以作为预测因子。在早期工作中，我们将标准化病变掩膜与大脑分区相交以获得基于图谱的空间特征，并将其与影像组学连接，与单独的影像组学相比，实现了卓越的诊断准确性、站点间泛化能力和可解释性。在这项多中心 MRI 研究中，我们首先为 GBM 和 PCNSL 构建了全脑标准空间肿瘤概率图。然后我们训练并外部验证了一个集成的空间影像组学分类器，与传统影像组学相比。最后，我们将概率图与标准转录组和功能连接组数据集对齐，将位置易感性与分子程序和网络枢纽性联系起来。结果研究概况最终队列包括来自五个中心的 1,109 名患者，包括 697 名 GBM 患者和 412 名 PCNSL 患者；人口统计学和临床特征总结于表 1，患者选择和 MRI 采集细节见图 S1 和表 S1。变量GBM (n = 697)PCNSL (n = 412)p 值年龄，岁，中位数 [IQR]58 [49–66]59 [50–67]0.021a,b性别（男/女）413/284220/1920.057c中心（1/2/3/4/5）440/27/41/59/13090/21/10/180/111<0.001b,c队列（开发/外部）567/130301/1110.001b,c表 1研究队列的人口统计学和临床特征数据以中位数 [IQR] 或 n 表示。GBM，胶质母细胞瘤；PCNSL，原发性中枢神经系统淋巴瘤；IQR，四分位距。aMann-Whitney U 检验。bp < 0.05。cPearson 卡方检验。所有检验均为双侧。在新标签页中打开表格肿瘤概率图逐体素肿瘤概率图显示 GBM 和 PCNSL 均偏好中线/脑室周围深部白质（图 1A 和 1B）。经假发现率（FDR）校正（q < 0.05）的诊断间逐体素比较揭示了明显的分歧（图 1C；暖色，PCNSL 偏好；冷色，GBM 偏好）：GBM 更常涉及双侧内侧颞叶和岛叶区域（包括海马/内嗅皮层区域和岛叶/外囊）以及后部颞叶皮层，而 PCNSL 更频繁地涉及脑干（桥脑和中脑）、小脑（例如，小脑脚）和主要长束（例如，皮质脊髓通路）。两种实体的枕叶受累均较低。这里报告的所有聚类均在使用 26 体素邻域和 100 体素最小范围的 3D 连通分量分析进行 FDR 控制后识别；峰值坐标、q 值和体素计数总结于表 S2。逐体素 χ2 检验在标准化空间中进行。图 1 肿瘤位置的概率图（N = 1,109）显示完整标题图像查看器（A）GBM 的逐体素频率图（n = 697）。（B）PCNSL 的逐体素频率图（n = 412）。颜色条表示逐体素频率（%）。（C）来自逐体素 χ2 与 BH-FDR 校正（q < 0.05）的诊断间图：黄色，PCNSL 频率较高；蓝色，GBM 频率较高；红色，共同受累（均≥5%）但无显著差异（q ≥ 0.05）。另见 图 S1 和表 S1、S2 和 S3。GBM 的中位肿瘤体积大于 PCNSL（43.69 与 16.81 mL），而多发灶在 PCNSL 中比在 GBM 中更频繁（18.4% 与 10.3%）。调整肿瘤体积、多灶性、中心、年龄和性别后，69 个分区仍与诊断显著相关，包括 68 个 PCNSL 受累较大，1 个 GBM 受累较大（表 S3）。在单灶敏感性分析（n = 961）中，51 个分区仍显著，其中 49 个与主要分析重叠。主要分析和单灶分析之间的诊断系数高度相关（Spearman ρ = 0.958）。模型性能和可解释性在基于 T1WI-CE 的建模框架内，空间影像组学模型在不同算法和队列中 consistently 优于影像组学和时空组学（表 2；图 2A 和 2B）。内部和外部 ROC 曲线下面积（AUCs）分别为 0.956–0.967 和 0.966–0.980，在基准阈值下的准确性为 0.881–0.934。跨成对对比的成对 DeLong 检验在 BH-FDR 校正后通常倾向于空间影像组学（表 S4）。总体而言，通过 Brier 评分（0.066–0.085；表 S5；图 S2）校准是可接受的，但在校准大型和校准斜率中，一些外部模型显示出偏离理想校准，包括外部过度预测的倾向。决策曲线分析，解释为基于预测 GBM 概率的手术前分诊，显示跨阈值具有更高的净获益（图 2C；表 S6）。图 2 模型性能和 SHAP 解释显示完整标题图像查看器（A）三个特征集（影像组学、时空组学和空间影像组学）在内部测试队列（n = 261）和外部测试队列（n = 241）中跨学习者（SGD、SVM 和 XGB）的汇总指标：ROC 曲线下面积（AUC）、准确性、灵敏度、特异度、阳性/阴性预测值（PPV/NPV）。（B）内部（上）和外部（下）队列的学习者 ROC 曲线。（C）内部（上）和外部（下）队列中空间影像组学模型的决策曲线分析（净获益 vs. 预测 GBM 概率阈值）。（D）代表性 XGB 空间影像组学模型的 SHapley Additive exPlanations (SHAP)：病例级贡献热力图、汇总（“蜂群”）图、平均|SHAP|条形图、交互汇总和代表性力图。另见 图 S2 和表 S4–S15。数据集算法模型AUC (95% CI)ACCSENSSECPVVPVVF1 分数内部测试SGD影像组学0.887 (0.848, 0.926)0.8390.9240.6810.8440.8270.882时空组学0.789 (0.735, 0.843)0.7620.8350.6260.8070.6710.821空间影像组学0.956 (0.932, 0.979)0.8810.9240.8020.8970.8490.910SVM影像组学0.902 (0.867, 0.938)0.8200.9470.5820.8090.8550.873时空组学0.774 (0.718, 0.829)0.7510.8350.5930.7930.6590.814空间影像组学0.967 (0.947, 0.987)0.9200.9410.8790.9360.8890.938XGB影像组学0.928 (0.897, 0.958)0.8280.9180.6590.8340.8110.874时空组学0.801 (0.748, 0.853)0.7240.8820.4290.7430.6610.806空间影像组学0.961 (0.940, 0.983)0.9080.9350.8570.9240.8760.930外部测试SGD影像组学0.897 (0.857, 0.937)0.8300.9460.6940.7830.9170.857时空组学0.766 (0.707, 0.825)0.6930.7230.6580.7120.6700.718空间影像组学0.966 (0.944, 0.989)0.8840.9770.7750.8360.9660.901SVM影像组学0.888 (0.846, 0.930)0.7390.9620.4770.6830.9140.799时空组学0.774 (0.716, 0.833)0.6850.7150.6490.7050.6610.710空间影像组学0.979 (0.961, 0.997)0.9340.9540.9100.9250.9440.939XGB影像组学0.872 (0.827, 0.917)0.7140.9770.4050.6580.9380.786时空组学0.763 (0.703, 0.822)0.6220.8460.3600.6080.6670.707空间影像组学0.980 (0.963, 0.997)0.9090.9620.8470.8800.9490.919表 2 模型区分 GBM 与 PCNSL 的性能在 0.50 的基准概率阈值下，GBM 被定义为阳性类，PCNSL 被定义为阴性类，用于基于阈值的指标。因此，SENS、PPV 和 F1 指 GBM 分类，而 SPEC 和 NPV 指 PCNSL 作为阴性类。AUC 从连续预测概率计算。GBM，胶质母细胞瘤；PCNSL，原发性中枢神经系统淋巴瘤；SGD，随机梯度下降；SVM，支持向量机；XGB，极端梯度提升；AUC，ROC 曲线下面积；ACC，准确性；SENS，灵敏度；SPEC，特异度；PPV，阳性预测值；NPV，阴性预测值；F1，F1 分数；CI，置信区间。在新标签页中打开表格在 0.50 的基准概率阈值下，空间影像组学支持向量机（SVM）和极端梯度提升（XGB）模型显示出几乎相同的外部 AUC（分别为 0.979 和 0.980）。XGB 的灵敏度略高于 SVM（0.962 与 0.954），而 SVM 的准确性（0.934 与 0.909）、特异度（0.910 与 0.847）、阳性预测值（PPV）（0.925 与 0.880）和 F1 分数（0.939 与 0.919）更高。三个空间影像组学分类器的混淆矩阵见 表 S7。XGB 被用作 TreeSHAP 解释的代表性模型（图 2D）。在预设操作点（τ = 0.30；阳性类 = GBM），空间影像组学 XGB 模型在外部测试集（n = 241）中达到灵敏度 0.985（95% 置信区间 [CI]，0.95–1.00）和特异度 0.793（0.71–0.86），PPV 为 0.848，阴性预测值（NPV）为 0.978，AUC 为 0.980（表 S8 和 S9）。在这个高灵敏度 GBM 操作点，模型阴性结果，表示预测的 GBM 概率低，将支持考虑以 PCNSL 为导向的手术前检查和活检优先计划，包括额外的分期和临床安全时的谨慎皮质类固醇时机。内部集的结果相似（n = 261；灵敏度，0.959；特异度，0.824；AUC，0.961）。影像组学和时空组学消融显示在此操作点特异度较低（表 S8 和 S9）。空间影像组学的泛化能力良好，AUC 的外部 - 内部差异为 0.010–0.019，准确性为 0.001–0.014（表 S10）。在中心分层分析中，特定中心的 AUC 范围在 SGD 中为 0.958 至 1.000，在 SVM 中为 0.954 至 1.000，在 XGB 中为 0.944 至 1.000，相应的中心平衡宏平均 AUC 分别为 0.968、0.983 和 0.980（表 S11 和 S12）。这些发现表明，整体鉴别性能不是由单一中心驱动的。校准显示出比鉴别更大的中心间变异性，特别是在小或不平衡的特定中心子集中，因此谨慎解释。在 50 对分割的观察者间鲁棒性分析中，原生空间肿瘤掩膜在两名读者之间显示出高度一致性，中位 Dice 系数为 0.915（IQR，0.862–0.942），肿瘤体积 ICC 为 0.967（表 S13）。在蒙特利尔神经研究所（MNI）标准化后，一致性保持可接受，中位 Dice 系数为 0.889（IQR，0.786–0.931），标准化肿瘤体积 ICC 为 0.964。用于建模流程的基于图谱的空间特征显示出高可重复性，中位特征级 ICC 为 0.966（IQR，0.911–0.986），每例空间特征向量在读者之间高度一致（中位余弦相似度，0.988）。在±2 mm 配准扰动分析中，这些空间特征保持稳定，中位特征级 ICC 为 0.989（IQR，0.968–0.995），92.4% 的有效特征显示 ICC≥0.90，中位每例余弦相似度为 0.990。这些发现表明，观察者间分割变异性和小配准扰动对用于模型开发的基于图谱的空间特征影响有限。模型超参数搜索网格和最终选择的配置见 表 S14。代表性空间影像组学 XGB 的 SHapley Additive exPlanations (SHAP) 识别了纹理族（例如，GLSZM 和小波一阶）和解剖指标（例如，后部岛叶和外囊），这些对模型预测有贡献，产生了患者级归因（图 2D）。肿瘤概率图的大脑空间转录组相关性偏最小二乘将全脑基因表达与每种实体的区域肿瘤频率相关联。在 GBM 中，PLS1 与频率相关（ρ = 0.69；Pmoran < 0.001），并富集于发育/致癌和纤毛发生 - 内吞程序（基因本体/京都基因与基因组百科全书 [GO/KEGG] q < 0.05；图 3A–3D）。

在 PCNSL 中，PLS1 与频率相关（ρ = 0.67；Pmoran = 0.001），并在免疫/炎症和增殖途径中富集（q < 0.05；图 3E–3H）。图 3 空间转录组学和连接组学情境化 显示完整标题 图查看器 (A–D) GBM。（A）分块 PLS1 评分图。（B）PLS1 评分与分块 GBM 频率之间的空间相关性（Spearman's ρ；来自莫兰谱随机化的 Pmoran）。（C）带有 FDR 阈值指示的排序 PLS1 基因权重。（D）正权重基因的 Gene Ontology (GO) 和 Kyoto Encyclopedia of Genes and Genomes (KEGG) 富集网络（q < 0.05）。（E–H）PCNSL。（E）PLS1 评分图。（F）PLS1 评分与分块 PCNSL 频率之间的相关性（Spearman's ρ；Pmoran）。（G）带有 FDR 高亮基因的排序 PLS1 基因权重。（H）正权重集合的 GO/KEGG 富集（q < 0.05）。（I–L）连接组。（I）分块枢纽指标：节点强度、加权聚类系数、特征向量中心性。（J）从组独立成分分析（ICA, d = 100）估计的分块间功能亲和力矩阵；节点按规范网络排序。（K）GBM：肿瘤频率与每个枢纽指标之间的相关性（Spearman's ρ；Pmoran）。（L）PCNSL：类似分析；莫兰谱随机化后相关性不显著（Pmoran > 0.05）。

肿瘤概率图的大脑连接组学相关因素
在英国生物银行衍生的功能连接组中，区域性肿瘤频率随枢纽性增加而增加。对于 GBM，与节点强度（ρ = 0.57）、加权聚类系数（ρ = 0.54）和特征向量中心性（ρ = 0.56）的 Spearman 相关性在莫兰谱随机化（Pmoran <0.05）和三个指标间的 FDR 控制（q < 0.05；图 3K）后仍然显著。对于 PCNSL，尽管未校正的相关性幅度相似（节点强度 ρ = 0.58；聚类系数 ρ = 0.53；特征向量中心性 ρ = 0.61），但这些关联在莫兰谱随机化后未能保留（FDR 后所有 Pmoran >0.05；图 3L）。

讨论
利用一个大型的 GBM 和 PCNSL 多中心 MRI 队列，我们在标准空间中构建了诊断特异性的肿瘤概率图，以量化全脑空间分布模式，揭示了侧脑室和深部白质周围共同的好发倾向，同时存在明确的诊断特异性差异。重要的是，这些定量空间描述符使得差异化模型的开发成为可能。一个融合了基于图谱的空间特征与常规放射组学的空间放射组学模型，实现了优越的诊断性能、更强的泛化能力以及基于解剖学的可解释性（伴有外部验证）。锚定在共同的立体定向坐标系中，我们进一步将肿瘤空间模式与规范性转录组学和连接组学数据对齐，为诊断特异性的肿瘤拓扑提供了探索性的生物学背景。

使用自动化的基于体素的分析，我们生成了量化 GBM 和 PCNSL 全脑空间分布的人群水平概率图。这两种实体均倾向于以额叶和胼胝体嘴部为中心的深部区域，这与既定的临床知识一致。,，GBM 的发生与 SVZ 有关——这是一个富含神经干细胞和祖细胞的区域，可能代表候选的起源细胞——以及与胶质系分化和迁移的解剖模式有关；它也可能与 GBM 沿白质束扩散的方向有关。,，，相比之下，PCNSL 与 VR 血管周围间隙和深部髓质静脉有关，恶性 B 细胞增殖在那里形成袖套样血管周围浸润和 VR 空间侵犯。,这些结构在解剖学上共定位于侧脑室周围的室周区域。此外，额叶/SVZ 区域的特征是免疫色调更高且血脑屏障（BBB）相对通透，这也可能是共好发倾向的合理共享机制。,我们使用 AHBA 是因为它提供了解剖学注册的成年人大脑基因表达谱，允许将区域性肿瘤好发倾向与规范性转录程序联系起来进行解释。因此，我们的 AHBA 研究结果表明，在室周 - 胼胝体嘴部 - 深部额叶重叠区内，纤毛生物合成、内吞/生长因子反应、神经元分化和营养信号（“发育 - 肿瘤发生”模块）的上调更符合 GBM，而白细胞激活、细胞因子反应/产生以及粘附/迁移（“免疫 - 炎症/增殖”模块）的上调则是 PCNSL 富集区域特征。

值得注意的是，概率图还揭示了两种肿瘤之间不同的空间分布模式：（1）与 PCNSL 相比，GBM 在双侧内侧颞叶和岛叶中更丰富。内侧颞叶（特别是海马齿状回）代表了除室管膜下区外另一个富含神经干细胞/祖细胞的区域。,我们的 AHBA 研究结果表明，这些区域富集了以神经元分化、纤毛发生和 RTK（受体酪氨酸激酶）-内吞轴为中心的胶质瘤相关程序，与 PCNSL 相关的免疫/白细胞激活基因集关联相对较弱，这与先前的工作一致。（2）与 GBM 相反，PCNSL 对脑干（脑桥/中脑）和小脑表现出更高的好发倾向；这种脑干好发倾向可能与深部髓质静脉的结构有关，在某些情况下哨兵样淋巴病变也同样表明对脑干的亲和力。我们的 AHBA 分析表明，该脑干区域主要由涉及免疫效应器、内皮受体信号、细胞因子产生/反应以及粘附/迁移的通路主导，而发育/祖细胞相关标志物的表达相对较低。（3）尽管两种肿瘤在小脑中都没有高度富集，但它们之间观察到了统计学上显著的相对差异。GBM 很少被观察到；这种模式可能与神经祖细胞生态位、局部基因表达程序和微环境背景的区域差异有关，而 PCNSL 显示出与免疫 - 血管背景的相对一致性。,，在我们的 AHBA 背景下，小脑显示出发育/祖细胞和受体信号 - 膜转运基因集几乎没有突出，但免疫效应器、内皮受体和粘附/迁移模块的基线较高——这些特征与 VR 血管周围生态位兼容——为 GBM 较低的参与和 PCNSL 相对较高的参与提供了可能的背景。（4）两种肿瘤在枕叶中都比较罕见，合理反映了叶特异性组织学和分子背景。GBM 的起始依赖于类似神经祖细胞的储备，而 PCNSL 源于成熟 B 细胞的恶性增殖。,与此一致，我们的 AHBA 分析表明，枕叶皮层显示出两类转录程序——发育/肿瘤发生和免疫 - 炎症——的低基线。此外，枕叶相对远离 SVZ/颗粒下层（SGZ）神经发生生态位，并被较稀疏的深部髓质静脉和 VR 血管周围通道网络穿过，为观察到 GBM 和 PCNSL 的低参与提供了合理的背景。分块水平的敏感性分析支持了主要诊断相关空间模式的稳健性。尽管 GBM 病灶通常更大且 PCNSL 中多灶性疾病更频繁，但在调整肿瘤体积、多灶性、中心、年龄和性别并排除多灶性病例后，PCNSL 对室周、深部、脑干和小脑幕下结构的优先参与仍然明显。然而，不能完全排除转诊模式和其他未测量的中心相关因素的残余差异。

我们进一步使用规范性功能连接组，因为它捕捉了人群水平的网络组织和枢纽性，允许将肿瘤拓扑与大规模网络架构联系起来进行检查。规范性连接组关联分析揭示了 GBM 中与网络枢纽性显著的空间耦合，这与以前的报告一致。,，根据“枢纽脆弱性”假设，脑部疾病优先影响网络枢纽。更广泛地说，肿瘤发生更有可能发生在携带沉重功能负荷、产生高代谢需求、集中短距离和长距离纤维汇聚并维持活跃微环境的枢纽中。有趣的是，在空间自相关校正后，这种空间耦合模式未在 PCNSL 中得到证实，尽管未校正的相关性幅度相似，这表明“枢纽脆弱性”可能不是一个普遍规则，而是表现出疾病特异性。我们推测，这种差异反映了不同的肿瘤发生程序：诸如 GBM 之类的神经上皮肿瘤可以被视为沿径向单元进行的发育程序的异常重新发起或劫持，并由关键胶质发生转录因子（例如 ASCL1）驱动，产生的解剖表型与正常神经发生的时空逻辑密切相关。,在此框架下，GBM 倾向于在功能枢纽中发生并不令人惊讶——这些区域不仅承担强烈的信息整合和代谢负荷，而且位于神经干细胞和少突胶质细胞祖细胞生态位附近或富集这些生态位，赋予升高的肿瘤发生易感性。相比之下，PCNSL 是一种淋巴系肿瘤，可能不共享相同的“神经发生 - 枢纽”耦合；其空间分布可能与深部髓质静脉、VR 血管周围通道和免疫微环境更密切相关，尽管目前的规范性连接组分析不能完全排除较弱或依赖于上下文的网络拓扑关联。,

建模组件有意限制在 T1WI-CE，这是跨中心最一致可用和可标准化的序列，以隔离基于图谱的肿瘤位置的增量贡献。因此，模型比较展示了相对于 T1WI-CE 衍生放射组学和基于图谱的空间基线的附加价值。基于视觉评估的传统临床放射学经验长期以来已认识到 GBM 和 PCNSL 中相似的肿瘤位置,,但尚未明确划定诊断间的位置差异，也未以统计方式量化相似性和差异。相比之下，自动化的基于体素的分析可以以无偏和细粒度方式识别不同的空间分布模式。通过将每个病灶锚定在标准立体定向空间中，基于体素的分析将位置从粗略描述符转化为适合诊断建模的定量特征。在这个基于 T1WI-CE 的框架内，空间放射组学利用了内在的空间信息，与常规放射组学和基于图谱的空间基线相比实现了优越的诊断性能。此外，依赖 ROI 分析的传统放射组学容易受到机构间/采集方案/操作者变异性的影响，这导致了模型泛化能力不足的持续批评。,基于图谱的立体定向位置特征可能对某些与采集相关的变异不那么敏感，因此可能提供支持跨中心可移植性的互补信息。空间放射组学模型观察到的略高的外部 AUC 可能反映了稳健的排序性能和案例构成、肿瘤表现、采集方案或转诊模式的中心特异性差异。额外的中心分层和中心平衡分析显示了一致的高区分度，表明合并性能不是由一个大型或特别有利的中心驱动的。尽管如此，校准在各中心间的变异比区分度更大，表明绝对概率估计在前瞻性部署前可能需要局部重新校准，且不能完全排除残余的中心相关异质性。传统放射组学的另一个批评在于其特征的生物学可解释性差，因为由计算机生成的高层病灶特征和决策过程对临床医生往往是晦涩的。相比之下，空间拓扑特征代表了直观的、基于解剖学的描述符，其中每个区域特征具有清晰的、领域原生含义。我们的 SHAP 分析表明，空间特征对模型预测有实质贡献，支持分类器的可追溯解释。此外，与人类大脑空间转录组学（例如 AHBA）对齐——它将转录组谱注册到标准坐标，我们的空间放射组学将每个解剖位置的肿瘤放射组学特征注册到相同的标准坐标空间。从新兴的“空间多组学”领域角度来看,,我们的研究结果表明，空间放射组学可能在空间多组学方法阵列内提供互补的基于成像的视角。

总之，本研究在标准空间中构建了 GBM 和 PCNSL 的人群水平肿瘤概率图。它识别了这两种 CNS 恶性肿瘤之间的分布差异，这些差异不易通过传统视觉放射学诊断揭示，并提取了用于构建诊断模型的定量位置特征。空间放射组学模型显示改进的诊断性能、良好的泛化能力和基于解剖学的可解释性。共享的标准坐标系进一步允许将病灶空间特征与人类大脑转录组学和连接组学整合，提供探索性的疾病特异性生物学背景。这项工作为诊断性大脑成像提供了一个有前景的研究框架，该框架可扩展到其他脑部疾病，并表明空间放射组学可能有助于空间多组学方法阵列。

研究的局限性
我们的研究有几个局限性。首先，它使用了回顾性设计。尽管完成了外部验证且 DCA 建议潜在临床价值，该方法尚未在现实世界环境中进行前瞻性评估。其次，模型开发受到几个不完整信息来源和残余异质性的限制。建模框架基于 T1WI-CE 衍生特征，不包括专家读者比较器或完整的多参数 MRI/临床基线模型；因此，报告的性能应解释为相对于 T1WI-CE 衍生放射组学和空间基线的增量价值。纳入多模态 MRI 可能进一步改善稳健性和泛化能力。此外，255 例历史 GBM 病例中 IDH 状态不可用，限制了完整的回顾性 WHO CNS5 重新分类，代表了潜在的诊断异质性来源；基线 MRI 或活检前的详细皮质类固醇暴露情况并不始终可用，不能作为协变量纳入。因为独立外部中心在训练期间未见过，其放射组学特征在没有中心特异性 ComBat 调整的情况下进行评估，保持了严格的测试集独立性，但可能留下残余的中心相关特征分布差异。

第三，对健康成年人的空间转录组学和连接组分析仅代表群体水平的观察相关性，不能直接支持关于疾病机制的因果推断；后续研究需要整合肿瘤特异性的空间转录组学或患者特异性的脑连接组分析，以增强机制证据。

资源可用性
主要联系人：进一步信息和资源请求应发送给主要联系人 Zhiqiang Zhang ([e-mail])，并由其履行。
材料可用性：本研究未生成新的独特试剂。
数据和代码可用性：
•支持发现的数据在文章及其补充信息中提供。原始的中心特定 MRI 扫描由于伦理委员会/机构审查委员会（IRB）限制和患者隐私考虑，无法公开。本研究生成的去标识化衍生数据，包括病灶掩膜、特征矩阵、肿瘤概率图和中输出文件，可在完成数据使用协议后从通讯作者处获取。用于生物背景化的公开群体水平资源包括 AHBA 微阵列数据集（https://human.brain-map.org/static/download）和 UK Biobank 组-ICA 静息态数据集（访问受 UK Biobank 条款限制；https://www.fmrib.ox.ac.uk/ukbiobank/）。
•本团队开发的标准 sPace 病灶-症状映射（SPLSM）流程（版本 1.0 beta），公开于 https://github.com/JLhos-fmri/SPLSM_version1.0，用于 MNI 标准化、肿瘤概率图生成、体素级 q 统计和图谱锚定空间特征提取。用于推导 189 个图谱锚定空间特征的 JHU-189 图谱已实施于临床频率分析工具包中，并在 https://github.com/JLhos-fmri/ClinicalFrequencyAnalysisToolkit 提供。影像组学特征提取使用 PyRadiomics v3.0.1（https://pyradiomics.readthedocs.io/），批次协调使用 neuroHarmonize v2.4.5（https://github.com/rpomponio/neuroHarmonize），其他工具包括 SPM12（https://www.fil.ion.ucl.ac.uk/spm/）、abagen（https://github.com/rmarkello/abagen）和脑连接组工具箱（https://sites.google.com/site/bctnet/）。
•本研究未生成微阵列或 RNA-seq 数据集，也未生成独立的软件包。
•重新分析本文报告数据所需的任何附加信息，可在合理请求下从主要联系人处获取。

致谢
我们感谢所有参与中心和工作人员对数据收集和质量控制的贡献。本工作得到国家自然科学基金重大仪器开发项目（82127806）、国家重点研发计划（2018YFA0701703）和南京医科大学台州临床医学院（TZKY20250209）的支持。

作者贡献
概念化，Z.Z., Y.W., H.C. 和 J.L.；方法论，Z.Z., Y.W., H.C. 和 K.S.，并有 Q.X. 和 Wei Liao 的指导；软件，Y.W., H.C. 和 K.S.；形式分析，Y.W., H.C. 和 K.S.；数据整理，J.L., H.C., Y.W., T.Z., L.K., G. Liu, X.S. 和 W.Y.；资源，J.X., J.Z., W.T., Q.Y., B.Z., Weihua Liao, W.X., D.M., G. Lu 和 M.C.C.C.S.G.；资金获取，Z.Z. 和 G. Lu；写作 - 初稿，Y.W. 和 Z.Z.；监督，Z.Z.；数据验证，Y.W. 和 H.C. 所有作者均参与写作 - 审查和编辑。J.L. 验证了底层数据。Z.Z. 验证了关键处理后的数据集。Q.X. 贡献了方法论指导，但不能批准最终版本；所有剩余作者均批准了提交的版本。

利益声明
作者声明无竞争利益。

STAR★方法
关键资源表
试剂或资源 来源 标识符
存放数据
Allen 人脑图谱微阵列数据集 Allen 脑科学研究所 https://human.brain-map.org/static/download
UK Biobank 组-ICA 静息态数据集 UK Biobank/FMRIB https://www.fmrib.ox.ac.uk/ukbiobank/
软件和算法
SPLSM 流程（版本 1.0 beta）GitHub https://github.com/JLhos-fmri/SPLSM_version1.0
ITK-SNAP ITK-SNAP 开发者 http://www.itksnap.org/
SPM12 人类神经成像惠康中心 https://www.fil.ion.ucl.ac.uk/spm/
PyRadiomics（版本 = 3.0.1）PyRadiomics 开发者 https://pyradiomics.readthedocs.io/
neuroHarmonize（版本 = 2.4.5）GitHub https://github.com/rpomponio/neuroHarmonize
Python 软件（版本 = 3.12.2；conda-forge 构建）Python 软件基金会/conda-forge https://www.python.org/; https://conda-forge.org/
Python 包：scikit-learn（版本 = 1.7.1）scikit-learn 开发者 https://scikit-learn.org/
Python 包：XGBoost（版本 = 3.0.2）XGBoost 开发者 https://xgboost.readthedocs.io/
Python 包：SHAP（版本 = 0.48.0）SHAP 开发者 https://shap.readthedocs.io/
abagen GitHub https://github.com/rmarkello/abagen
DPABI DPABI 开发者 http://rfmri.org/dpabi
脑连接组工具箱 脑连接组工具箱开发者 https://sites.google.com/site/bctnet/
Metascape Metascape https://metascape.org/
R 软件（版本 = 4.4.3）R 基金会 https://www.r-project.org/
其他
JHU-189 图谱/临床频率分析工具包 GitHub https://github.com/JLhos-fmri/ClinicalFrequencyAnalysisToolkit

实验模型和研究参与者详情
这项多中心、回顾性诊断研究已获所有参与医院的机构伦理委员会批准（编号 2024DZKY-019-01），豁免书面知情同意，并符合《赫尔辛基宣言》。研究参与者为 2016 年 7 月至 2024 年 6 月间在五家三级中心接受术前 MRI 的连续经病理证实的 GBM 或 PCNSL 成年患者。详细的诊断标准、纳入标准和队列分配如下所述。

方法详情
诊断、纳入和排除标准
两种肿瘤类型的病理诊断遵循诊断时生效的 WHO 分类（2021 年前诊断的病例为 WHO 2016；此后为 WHO CNS5）。GBM 定义为符合 WHO 2016 的胶质母细胞瘤或符合 WHO CNS5 的成人型 IDH 野生型胶质母细胞瘤。对于 2021 年前的 GBM 病例，审阅了原始病理报告和可用的分子信息，以对照 WHO CNS5 术语。442/697 个 GBM 病例（63.4%）记录了 IDH 状态；记录有 IDH 突变的病例在 WHO CNS5 下被视为 IDH 突变型星形细胞瘤，CNS WHO 4 级，未纳入 GBM 队列。未记录 IDH 状态的历史 GBM 病例根据原始机构病理诊断保留，未回顾性重新分类为 IDH 野生型 GBM。2021 年前的 WHO 2 级/3 级弥漫性胶质瘤未仅基于分子标准回顾性添加到 GBM 队列中。PCNSL 要求局限于中枢神经系统，且在可用的基线分期（包括全身 CT 和/或 FDG-PET/CT）中没有全身淋巴瘤证据，当可用或有临床指征时，审查了骨髓、眼科、脑脊液和 HIV 评估。
纳入标准为：（i）新诊断、未经治疗的 GBM 或 PCNSL；以及（ii）可获得术前对比增强 T1 加权成像（T1WI-CE），并可用配准的 T2 加权成像（T2WI）作为解剖参考和评估肿瘤周围水肿；两个序列均在活检或手术切除前 14 天内采集。排除标准为：（i）既往颅脑手术、放疗或化疗；（ii）复发性肿瘤或继发性 CNS 淋巴瘤；以及（iii）MRI 上有严重运动或金属伪影，或脑部覆盖不全。术前 MRI 在活检/手术前 14 天内进行；在成像和组织取样之间未进行任何靶向肿瘤治疗。

数据获取和数据集描述
2016 年 7 月至 2024 年 6 月，在五家中心筛选了连续经组织病理学证实的 GBM 或 PCNSL 且接受过术前 MRI 的成年人。数据回顾性检索自机构 PACS/临床数据库。总共纳入 1,109 名患者（GBM, n = 697；PCNSL, n = 412；633 名男性，476 名女性；平均年龄 56.8 ± 13.2 岁）。性别记录自临床记录为男性或女性；回顾性数据集中没有性别认同信息。参考标准为手术切除或立体定向 biopsy 的组织病理学。参与中心和患者选择流程图（包括筛选病例、排除原因、最终诊断计数和按中心分配）见补充图 1。人口统计学和临床特征汇总于表 1。
对比增强 T1 加权 MRI（T1WI-CE）根据常规临床方案在来自五个厂商的 11 台扫描仪（1.5 T/3.0 T）上采集，包括 2D 和 3D 采集；采集参数和制造商列于补充表 1。回顾性元数据中未统一提供确切的对比增强后时机。当全脑覆盖和图像质量足以进行肿瘤分割和空间标准化时，纳入病例。纳入窗口内所有符合资格的病例均已纳入。

肿瘤分割、空间标准化和群体水平肿瘤概率图
肿瘤由神经放射科医生在 ITK-SNAP 上于 T1WI-CE 上手动分割，并由高级神经放射科医生独立确认；两者均对诊断和临床信息盲法。分割针对 T1WI-CE 上的增强肿瘤；T2WI 仅作为解剖参考和评估肿瘤周围水肿查阅，水肿未作为独立模型输入进行分割。对于有多发病灶的患者，所有可见的增强病灶均包含在一个患者级肿瘤掩膜中。多灶性定义为原始 MRI 上存在两个或更多空间上不连续的增强病灶。使用 SPM12 配合代价函数掩膜将图像标准化至蒙特利尔神经病学研究所（MNI）空间。代价函数掩膜后，两名神经放射科医生独立对病灶掩膜外的 MNI 标准化进行视觉质量控制，评估中线（镰状叶/前 - 后连线）、深部核团（尾状核/壳核/丘脑）和脑室边缘与 MNI 模板的对齐情况。当初始标准化被认为不理想时，使用调整的代价函数掩膜和 SPM12 默认设置重新进行标准化。所有扫描（1,109/1,109; 100%）在必要时经过重新标准化后均满足预定义的质量控制标准；没有病例因配准错误而被排除。计算体素级肿瘤频率以生成特定诊断的肿瘤概率图。使用标准化空间中的体素级χ2 检验测试诊断间差异，并采用 Benjamini–Hochberg 错误发现率（FDR）控制（q < 0.05）。
为了量化分割和配准的稳健性，我们在 50 例配对病例中进行了额外分析。第二名神经放射科医生独立分割了原始 T1WI-CE 上的增强肿瘤，并使用 Dice 系数和肿瘤体积 ICC 评估与原始分割的一致性。随后配对掩膜使用与主分析相同的 MNI 标准化和 JHU-189 图谱提取程序进行处理，以评估建模流程中使用的图谱锚定空间特征的可重复性。计算了读者之间的特征级 ICC 和每个病例的空间向量相似度。为了评估配准敏感性，将读者 1 的 MNI 标准化掩膜沿三个图像轴的每个方向偏移±2 mm，随后重新提取相同的图谱锚定空间特征。计算了原始掩膜和扰动掩膜之间的特征级 ICC 和每个病例的空间向量相似度。
为了评估空间地图的潜在混杂，使用包含 189 个注释区域（110 个灰质、68 个白质和 11 个脑室分区）的 JHU-189 图谱进行了额外的分区级分析。区域参与定义为分区级病灶重叠大于零。对于每个分区，进行逻辑回归，以诊断为主要自变量，调整对数转换的肿瘤总体积、多灶性、中心、年龄和性别；中心作为分类固定效应进入。诊断相关的 p 值使用 Benjamini–Hochberg 程序在 189 个分区之间进行校正，q < 0.05 被认为显著。在排除所有多灶性病例后重复分析，并调整肿瘤体积、中心、年龄和性别。

影像组学和空间特征提取
所有模型开发特征均衍生自 T1WI-CE 图像和 T1WI-CE 增强肿瘤掩膜。使用符合影像生物标志物标准化倡议（IBSI）的 PyRadiomics v3.0.1 提取 T1WI-CE 衍生的影像组学特征（形状、一阶、纹理、LoG 滤波和衍生的小波特征）。在影像组学提取前，使用 B-样条插值将 T1WI-CE 图像重采样至各向同性 1-mm 间距。使用 PyRadiomics 标准化选项对图像强度进行标准化，标准化刻度为 100，体素数组移位为 300。使用固定 bin 宽度 25 进行灰度离散化，LoG sigma 值设置为 3.0 和 5.0。由于影像组学特征是在增强肿瘤掩膜内提取的，因此在特征提取前未进行去颅骨或单独的偏差场校正。总共获得 1,015 个特征。使用 neuroHarmonize v2.4.5 实施 NeuroCombat 协调。协调参数仅使用训练分区估计，以成像中心为批次变量，年龄和性别为协变量。未使用保留测试集来估计或更新协调参数。由于外部中心未在训练期间被代表，未对其影像组学特征应用中心特定的 ComBat 调整；它们使用锁定的下游流程处理。
标准化至 MNI 空间后，使用上述 JHU-189 图谱提取图谱锚定空间特征。对于每个受试者，计算分区级图谱锚定病灶参与描述符以形成受试者 - 区域空间特征矩阵。

基于机器学习的鉴别模型开发
病例按中心分割：一个保留中心形成外部测试集（n = 241）；剩余病例（n = 868）按 7:3 分为训练（n = 607）和内部测试（n = 261），按地点和诊断分层。三种监督学习者 - 随机梯度下降（SGD; log loss）、支持向量机（RBF）和极端梯度提升（XGB） - 在三个预定义特征集上训练：影像组学，定义为 T1WI-CE 衍生的传统影像组学特征；空间组学，定义为衍生自标准空间病灶位置的图谱锚定空间描述符；以及空间影像组学，定义为影像组学和空间组学特征的融合。
方差过滤、标准化、相关性修剪（|Spearman ρ| > 0.90）、特征降维和模型拟合仅限于训练数据。超参数通过分层 5 折交叉验证使用 AUC 选择（补充表 14）。选定的流程随后在完整训练分区上拟合，保留的内部和外部测试集专门用于最终性能评估，不进行预处理估计、特征选择、超参数调优、重新校准或阈值优化（补充表 15）。分析人员在最终评估前对测试结果盲法。在预定义的资格和图像质量排除后（补充图 1），分析使用完整病例法；未进行插补。

肿瘤概率图的脑空间转录组学关联
为了将肿瘤定位与规范性基因表达联系起来，分区级肿瘤频率与 Allen 人脑图谱（AHBA）对齐。

遵循以往的研究，供体微阵列数据按照最佳实践工作流程使用 abagen 进行处理，并在 MNI 空间中分配给 JHU-189 分区，该分区被均匀细分为 1,512 个微分区（JHU-1512）。区域表达（同形镜像和供体平均）通过差异稳定性（DS > 0.10）进行过滤，生成一个 1,512 × 15,633 的矩阵。对于每种诊断，偏最小二乘法（PLS）将区域肿瘤频率（z 分数标准化）与表达相关联；关联强度由 Spearman's ρ 总结，并通过 Moran 谱随机化（5,000 个替代值）进行测试以控制空间自相关。PLS1 上的基因权重进行了自助法（bootstrap，5,000 次）处理，转换为 z 分数并进行 FDR 阈值过滤（q < 0.05），以定义用于 GO/KEGG 富集（Metascape）的正权重基因，背景使用 abagen 过滤后的数据。

肿瘤概率图的脑连接组学相关性
为了测试与功能网络拓扑的耦合，我们从 UK 生物银行（UK Biobank）组独立成分分析（ICA）空间图（d = 100）中推导出了一个分区水平的亲和网络。ICA 图使用 DPABI 重采样到 1,512 分区网格；分区间亲和度是载荷向量的 Pearson 相关系数，负边设为零。在这个加权图上，我们计算了节点强度、加权聚类系数和特征向量中心度（Brain Connectivity Toolbox）。区域肿瘤频率与每个指标进行相关分析（Spearman）；显著性使用 Moran 谱随机化并在指标间进行 Benjamini–Hochberg FDR 校正。

量化和统计分析
队列、空间和生物背景分析的统计分析
GBM 和 PCNSL 之间的人口统计学差异使用年龄的双侧 Mann–Whitney U 检验和分类变量的 Pearson 卡方（χ2）检验进行评估；在表 1 中，? 表示 p < 0.05。体素级诊断差异使用 Benjamini–Hochberg 错误发现率（FDR）校正的卡方（χ2）检验进行评估。分区水平诊断关联使用多变量逻辑回归进行评估，调整了 log 转换的总肿瘤体积、多灶性、中心、年龄和性别，并在 189 个分区间进行 BH–FDR 校正；单病灶敏感性分析排除了多灶性病例。观察者间和配准扰动的稳健性使用 Dice 系数、组内相关系数、余弦相似度和二值分区参与一致性进行量化。转录组学和连接组学空间关联使用 Spearman's ρ 总结，并使用 5,000 个替代值的 Moran 谱随机化进行测试；PLS1 基因权重进行了 5,000 次自助法处理并进行了 FDR 校正，连接组学测试在三个枢纽指标间进行了 FDR 校正。除非另有说明，所有检验均为双侧。

模型估计的统计分析
模型性能由受试者工作特征曲线下面积（AUC；95% 置信区间 [CI]）总结。我们还报告了准确率、灵敏度、特异度、阳性预测值（PPV）、阴性预测值（NPV）和 F1 分数。使用 DeLong 检验对配对预测进行特征集（影像组学、空间组学、空间影像组学）和学习器（SGD、SVM、XGB）之间的 AUC 比较。泛化能力量化为 ΔAUC = AUC_external ? AUC_internal（ΔACC 类似）。临床效用使用决策曲线分析（DCA）在不同阈值概率范围内进行评估，突出显示了 0.25 和 0.75 的代表性阈值。对于临床解释，DCA 被构建为基于 GBM 预测概率的术前分诊：在给定 GBM 概率阈值下的模型阳性结果被解释为支持以 GBM 为导向的手术规划，而较低的 GBM 预测概率可能会促使考虑以 PCNSL 为导向的诊断路径。校准使用 Brier 分数、整体校准/斜率和自助法可靠性曲线。双侧 α = 0.05，采用 Benjamini–Hochberg FDR 控制。报告遵循 STARD/TRIPOD 并与 CLAIM 保持一致。划分情况为训练集（n = 607）、内部测试集（n = 261）和外部测试集（n = 241）。在 0.50 的基准概率阈值下，GBM 被定义为阳性类，PCNSL 被定义为阴性类，用于计算灵敏度、特异度、PPV、NPV 和 F1 分数。对于单独的敏感性分析，GBM 也被定义为阳性类，使用其预测概率，并将操作阈值设置为 τ = 0.30。三个空间影像组学分类器作为并行算法实现进行评估。XGB 被用作 TreeSHAP 解释的代表模型，因为 TreeExplainer 与基于树的预测具有原生兼容性。省略训练集性能以避免乐观偏差。为了进一步评估中心效应和外部泛化能力，我们使用锁定空间影像组学模型的预测进行了中心分层分析。中心 1–4 使用各自患者在被预留的内部测试集进行评估，而中心 5 构成了独立的外部测试集。中心平衡的宏平均 AUC、准确率和 Brier 分数计算为中心特定估计值的未加权平均值。当样本量或类别构成限制可靠估计时，谨慎解释中心特定的校准估计值。分析使用 Python 3.12.2（scikit-learn 1.7.1；XGBoost 3.0.2；SHAP 0.48.0；neuroHarmonize 2.4.5）和 R 4.4.3。除非另有说明，n 表示个体患者数量，center 表示参与的三级医院/站点。连续变量根据情况总结为均值 ± 标准差或中位数 [IQR]，并使用 95% CI 报告不确定性（适用时）；特定分析的检验和样本量在结果、图/表标题和补充表中提供。

补充信息 (2)
下载所有 PDF (667.61 KB) 文档 S1. 图 S1 和 S2；表 S1、S2 和 S4–S15
电子表格 (32.45 KB) 表 S3. 主要调整和单病灶敏感性分析中的分区水平诊断关联，与 STAR 方法相关