欢迎来看雪球讲套路、讲文献！昨天我们介绍了影像组学的优势与上分空间，今天雪球就带着大家从具体的文献理解，应该如何应用影像组学。就从各位医生、医学生小伙伴熟悉的临床预后模型讲起吧！Advanced Science（IF=14.3）知名期刊、湘雅医院实力团队双背书，跟着雪球读解析，普通人也学得会！
使用生信方法构建预后预测模型，通常会利用到的特征包括人口学特征、生物标志物、生活方式和环境因素等。有没有考虑过利用影像组学，却担心计算机门槛高，因此搁置的小伙伴？看完这篇10+文献，可以再来想一想，实现影像组学+机器学习发高分SCI，到底难不难。
零基础？基础薄弱？寻求进步？不敢上手做？
来试试普通人也学得会的内训模型
机器学习，单细胞，公共数据库挖掘......各种套路一站拿下
添加雪球回复“卓越计划”详细了解
添加雪球后回复“1”
进群跟紧干货直播，更有好礼相送
不怕没时间，错过可以看回放！
Predicting Survival Rates in Brain Metastases Patients from Non-Small Cell Lung Cancer Using Radiomic Signatures Associated with Tumor Immune Heterogeneity
使用与肿瘤免疫异质性相关的放射组学特征预测非小细胞肺癌脑转移患者的生存率
期刊：Advanced Science
IF：14.3
发布时间：2025/01/22
临床需求：
非小细胞肺癌（NSCLC）脑转移（BM）患者的预后极差，传统预后指标（如临床分期、病理类型）缺乏精准性。
人工智能和机器学习已被用于辨别和脑转移相关的最佳预后指标，并且在预测生存率方面优于传统的统计方法。
理论背景：
脑肿瘤微环境在推动原发性和转移性脑肿瘤进展中具备关键作用，BM比原发性肺癌具有更强的免疫抑制微环境。影像组学特征与肿瘤免疫微环境（TIME）的关联尚未明确，尤其是对脑转移这一特殊部位的异质性研究不足。
技术瓶颈：
现有模型难以整合多模态数据（影像组学+转录组学等）并保持临床可解释性。
研究设计和队列构建：
从湘雅医院和耶鲁纽黑文医院收集了292个样本，包括T1/T2 MRI数据，用于训练和测试数据集。
图像和样本数据收集：
从湘雅医院收集了56例NSCLC BM患者，其中51例进行了手术和测序，41例进行了术前MRI扫描。
放射组学特征提取和预处理：
使用Insight Toolkit手动描绘了41个脑病变的感兴趣区域（ROIs），并提取了1144个放射组学特征，用于后续模型构建。
预后生存预测模型的建立与评估：
通过单变量逻辑回归分析和双向逐步回归，确定了4个关键的放射组学生物标志物，用于构建基于逻辑回归的预后模型。在训练集上模型达到了0.96的AUC和0.89的C-index，在测试集上达到了0.84的AUC和0.78的C-index。
所建立的模型在预测准确性、敏感性、F1分数等方面表现优异，优于其他机器学习算法。
模型可解释性和免疫差异分析：
探索放射组学模型的生物学意义，并分析高低风险放射组学签名生存组之间的免疫差异。
通过RNA测序揭示了低风险组中免疫相关途径的富集，特别是干扰素（IFN）途径，以及CD8+ T细胞、IFN𝛾-6/-18的显著存在，表明低风险组具有免疫学上有利的肿瘤微环境。
RNA测序和差异表达分析：
识别了31个上调基因和23个下调基因，并进行了功能富集分析，发现低风险组中多个免疫相关途径的富集。
肿瘤免疫微环境分析：
发现低风险组中CD8+ T细胞浸润较高，并且通过多种算法验证了这一发现。
统计分析：
对MRI扫描数据进行预处理，包括梯度非线性校正和强度归一化，以及对提取的放射组学特征进行统计分析。
使用R和Python进行数据分析，确定了与患者生存预测相关的放射组学特征。
基于以上四个关键影像组学特征，构建基于logistic回归的预后模型。ROC曲线（Fig 2A）和DCA曲线（Fig 2B）分别显示出模型对不同生存率患者出色的区分能力，以及优于非预测阈值的模型性能（假设所有患者生存情况从15%阈值概率开始）。单变量、多变量Cox分析显示，影像组学特征是湘雅队列中NSCLC BM患者的独立预后生物标志物（Fig 2C），并且只有影像组学特征具有统计学意义（Fig S2）。KM生存曲线说明，两个队列间存在明显生存差异，低风险组始终表现出高于高危组的中位生存期，外部测试结果类似（Fig 2D-E）。
Fig 2 NSCLC BM患者预后预测模型的结果
影像组学特征在NSCLC BM中具有怎样的生物学特征呢？利用来自NSCLC的41例BM样本的RNA测序数据进行差异表达分析（Fig S3A），基于GSEA方法进行功能富集分析（Fig S3B-D），发现多种免疫相关通路在低风险组富集（Fig 3A-C）。
影像组学特征能否捕获与预测治疗反应相关的特征？Fig 4展示了对肿瘤免疫微环境特征的挖掘结果。低风险组免疫相关通路整体上调，特别是在抗肿瘤免疫反应中起关键作用的 IFN 相关通路（Fig 4A）；具有不同影像组学特征值的样本之间免疫细胞浸润存在差异，尤其是低风险组CD8+T细胞的高浸润（Fig 4B-D）。
进一步研究高低风险组之间细胞状态和多细胞群落的差异，低风险组S03状态CD8+T细胞的浸润率更高（Fig 4E），根据细胞类型和细胞状态构建的多细胞群落图谱确定的10个癌症生态系统（CE）中，在低风险组中观察到 CE9 和 CE10 的丰度较高（Fig 4F-H）。影像组学特征与肿瘤浸润 CD8+ T 细胞、 IFNγ 信号传导和 CE9/CE10 丰度呈显著负相关 （Fig 4I）， 低风险组 IFNγ-6 、 IFNγ-18 和 CD8+ T 细胞表达显著升高 （Fig 4J）。
纳入免疫治疗队列（包括22例接受免疫治疗的NSCLC BM患者），根据研究团队的影像组学特征分为高低风险组后，发现临床反映分布差异具有统计学意义（Fig 4K）。
没有背景、没有资源，怕学不会机器学习，尤其是看起来很难的影像组特征提取......到底应该怎么办呢？
影像组学特征提取已有开源的自动化工具，也就是说无论你选择的疾病、数据素材如何，都可以经过标准的流程完成分析。像这篇10+SCI，转录组紧跟着影像组，一次性挖掘肿瘤异质性和免疫微环境的关系，一篇多组学研究就高效率完成了。
生信发文不建议守株待兔，但生信+临床结合学习的这只兔——雪球老师，你可别错过！雪球老师是复旦大学中山医院病理科博士，具有超过10年的医学科研经验，发表过12篇SCI、5篇中文核心，已陪跑超过5000个科研项目，培养300+硕博顺利毕业，从业经历超过6年。雪球老师作为主教练，携精英团队推出的生信学习+实战精品课程——硕博计划，将把能毕业、能申奖的基础科研+临床+生信三大模块的实操方法，系统教给大家。可以帮你扫除申请梦校硕/博的障碍，也能帮你解决科研+临床双线毕业难的重大问题。随时报名，随时开课！
✅硕/博学位陪跑随时加入随时开学
✅书面科研规划书+大体量可回放课程+丰富学习资料
✅添加雪球详细了解
3月，对你而言，是研究生新学期的开始、毕业的临近，还是国自然标书修改提交的尾声？紧锣密鼓，雪球老师本周三（3.5）晚八点推出全科室适配公式重量级主题。参加方法及直播课件，请扫码添加雪球老师，回复“1”获取！
