基于机器学习的肺癌脑转移 MRI 影像组学生物标志物研究

脑转移是肺癌患者预后不良的重要因素，现有预后模型主要依赖临床变量，难以反映肿瘤和宿主的生物学异质性。影像组学和机器学习在脑肿瘤领域已有较多探索，包括恶性脑肿瘤放疗规划中的影像特征提取 ^[1]、MRI 影像组学区分不同原发肿瘤来源的脑转移 ^[2]，以及头颈癌中比较不同特征选择与分类方法以预测生存 ^[3]。针对肺癌脑转移，临床预后因素已有报道 ^[4]，近期也有研究在晚期非小细胞肺癌中构建影像-临床融合模型以预测脑转移前生存和总生存并进行风险分层 ^[7]，但这些工作大多未将影像组学与匹配的组织病理学相结合，系统评估影像生物标志物超越临床变量的预后价值及其生物学基础。自动病理图像特征已被证明可预测肺癌患者预后 ^[5]，ctDNA 动态模型也被用于转移性非小细胞肺癌的生存风险分层 ^[6]，而将影像组学与病理匹配分析以揭示影像-免疫微环境关联，仍是该领域亟待解决的问题。

这项回顾性研究纳入 103 例肺癌脑转移患者，每例均匹配术前 MRI 和组织病理学样本。研究者从 T1 加权增强序列和 T2 FLAIR 序列中提取影像组学特征，与临床变量结合，分别训练 Cox 比例风险模型、随机生存森林和 DeepSurv 模型，用于预测总生存期（OS）、中枢神经系统（CNS）进展和软脑膜（LM）进展。在所有建模框架中，加入影像特征均较单纯临床变量提升了预后效能；针对 OS，临床-影像联合 DeepSurv 模型表现最佳，一致性指数达 0.728。各终点最优模型的风险分组在 OS 上差异显著（中位 26.7 个月对 9.1 个月，p < 0.001），LM 进展风险亦显著不同（p = 0.003），但 CNS 进展未见统计学差异。

更重要的是，研究者将仅基于影像的风险分组与临床及组织病理学变量进行对比，发现高风险与低风险患者在所有临床变量上均无显著差异，但前者肿瘤浸润淋巴细胞存在率较低（46% 对 77%，p = 0.010），PD-L1 表达 ≥ 50% 的比例也较低（10% 对 32%，p = 0.049）。这提示 MRI 影像组学特征能够反映肿瘤免疫微环境的某些特征，提供超越传统临床变量的预后信息。

当然，该研究也存在一些局限。作为单中心回顾性研究，样本量有限（103 例），模型的外部可推广性尚需在多中心队列中验证。同时，影像-病理关联仅在影像学风险分层中观察到，联合模型中影像特征与免疫微环境的具体对应机制仍需深入解析。