前沿分享 | Nature Communications：儿童低级别胶质瘤的影像组学与临床研究：多参数MRI结合机器学习的应用

03月19日

来源：智能肿瘤学

引言

儿童低级别胶质瘤（pLGG）是儿童常见的脑肿瘤，其预后和对治疗的反应差异较大。完全切除肿瘤对部分患者效果良好，但对于一些浸润性或深部肿瘤难以实现完全切除，需要额外的治疗。分子靶向治疗和免疫治疗在pLGG治疗中具有潜力，但深入了解肿瘤的生物学和分子基础至关重要。影像组学通过分析医学图像中的特征，有望为肿瘤的评估提供帮助。发表在Nature Communications上的这篇文章，展示了研究者通过综合的影像基因组学分析为pLGG的治疗提供的新的见解和方法。

研究背景

pLGG的治疗面临挑战，传统的治疗方法如手术切除和化疗并不适用于所有患者，且存在一定的局限性。随着分子生物学和影像学技术的发展，对肿瘤的分子特征和微环境的研究越来越受到关注。影像组学作为一种新兴的技术，可以从医学图像中提取大量的特征，与临床和分子数据相结合，为肿瘤的诊断、预后和治疗反应的预测提供帮助。同时，免疫治疗在多种肿瘤中的应用取得了一定的进展，了解pLGG的免疫特征对于开发新的治疗策略具有重要意义。

医患关系的智能化重塑

研究对象

本研究共纳入545名pLGG患者，数据来自儿童脑肿瘤网（CBTN）。其中494例有转录组（RNA-seq和WGS）数据；201例有标准多参数MRI（mpMRI）扫描；150例同时具有WGS和mpMRI数据。

数据特征

临床数据：包括患者年龄、性别、肿瘤位置、WHO 2021分类等信息（见表1）。

表1 pLGG患者的人口统计学和临床特征摘要

影像数据

包含治疗前的mpMRI序列，如T1加权（T1w、T1w-Gd）、T2加权（T2w）、T2液体衰减反转恢复（T2-FLAIR），部分患者还有扩散加权成像（DWI）和表观扩散系数（ADC）地图。对影像数据进行了标准化处理、配准、重采样、脑肿瘤分割等操作，提取了881个影像组学特征，包括形状、体积、强度等方面的特征。

转录组数据

通过RNA-seq获得，用于分析免疫和基质细胞类型的富集以及分子通路。

研究方法

免疫簇分析

利用xCell对494例有转录组数据的pLGG进行免疫细胞浸润相关基因表达分析，确定3个免疫簇。通过分析免疫簇与肿瘤纯度、TIS、TMB等指标的关系，以及与WHO 2021脑肿瘤分类的关联，评估免疫簇的特征和意义。

影像组学特征分析

基于150例患者的常规MRI序列和部分患者的ADC-map数据，提取影像组学特征，并结合年龄，使用机器学习分类器（支持向量机）训练影像免疫组学模型，以区分不同的免疫簇。分析不同免疫簇在肿瘤亚区域的成像特征。

临床影像组学模型构建

将临床变量（如年龄、性别、肿瘤切除程度、治疗方法、肿瘤位置、NF1等）和影像组学特征相结合，构建Cox比例风险模型，预测肿瘤进展风险。通过弹性网络正则化对影像组学变量进行处理，以减少特征维度。在发现队列（n=160）中训练模型，并在复制队列（n=41）中进行验证。

结果与讨论

免疫簇与临床结果的关联

免疫簇2预后最差，与M2极化巨噬细胞富集和肿瘤炎症特征相关；免疫簇1预后较好，与嗜酸性粒细胞水平较高有关；免疫簇3预后最佳，与NK和CD8+细胞类型相关。TIS在免疫簇间存在显著差异，且与生存相关，TMB在部分免疫簇中也有差异。见图1。

图1 预后、临床、分子和免疫生物标志物与免疫集群的关联

影像免疫组学特征的作用

基于常规MRI和ADC特征的影像免疫组学模型能够区分免疫簇2与其他簇，添加ADC特征可提高模型性能。不同免疫簇在肿瘤亚区域的成像特征不同，如免疫簇2在水肿区域低增强像素较多，免疫簇3在水肿区域ADC值较低。见图2。

图2 与免疫聚集相关的影像学特征

临床影像组学模型的有效性

临床影像组学模型在预测肿瘤进展风险方面具有较高的准确性，其Harrell一致性指数和Uno一致性指数在发现队列和复制队列中表现良好。该模型还能区分治疗高风险和低风险患者，且与免疫簇存在关联，验证了其在预测免疫相关因素和指导治疗策略方面的能力。见图3。

图3 临床放射组学风险分层及其与治疗反应和转录组学途径的关联

生物学可解释性

SYNE1基因在中等风险组中显著过表达。一些与肿瘤进展负相关的通路（如CD209+树突状细胞、非经典NFKB信号通路）以及正相关的通路（如类二十烷酸家族脂质介质信号通路、白细胞介素-3和白细胞介素-5信号通路）与预测的风险分数相关。

研究亮点

本研究通过综合的影像基因组学分析，为pLGG的治疗提供了新的思路和方法。影像免疫组学特征可作为非侵入性技术识别可能适合免疫治疗的患者，临床影像组学模型有助于评估患者的进展风险和治疗反应，为个性化治疗提供依据。然而，研究也存在一些局限性，如数据样本量相对较小、数据来源单一等，未来需要进一步的研究来验证和完善。

文献来源

Fathi Kazerooni, A., Kraya, A., Rathi, K. S., Kim, M. C., Vossough, A., Khalili, N., Familiar, A. M., Gandhi, D., Khalili, N., Kesherwani, V., Haldar, D., Anderson, H., Jin, R., Mahtabfar, A., Bagheri, S., Guo, Y., Li, Q., Huang, X., Zhu, Y., Sickler, A., … Nabavizadeh, A. (2025). Multiparametric MRI along with machine learning predicts prognosis and treatment response in pediatric low-grade glioma. Nature communications, 16(1), 340.

责任编辑：肿瘤资讯-DLF
排版编辑：肿瘤资讯-Z Y

本文仅供专业人士参看，文中内容仅代表智能肿瘤学立场与观点，不代表肿瘤资讯平台意见，且肿瘤资讯并不承担任何连带责任。若有任何侵权问题，请联系删除。

03月21日

崔丽梅

青州市人民医院 | 肿瘤妇科

儿童低级别胶质瘤的影像组学与临床研究：多参数MRI结合机器学习的应用