01导语近年来影像组学Radiomics已经从“单纯做预测模型”的阶段逐渐进入“强调生物学解释与机制验证”的新阶段。过去大量影像组学研究往往停留在“特征提取—模型构建—AUC展示”的技术路径上虽然能够取得较好的预测性能却始终面临一个核心质疑这些影像特征到底反映了什么生物学本质也正因如此越来越多顶级期刊开始不再满足于“预测准确”而更关注模型是否能够揭示肿瘤异质性背后的分子机制、免疫状态以及肿瘤微环境变化。换句话说未来真正有影响力的影像组学研究核心竞争力已经不再只是算法而是“机制解释能力”。这篇发表于《Advanced Science》的研究正是当前“机制型影像组学”的代表性工作。作者并没有简单构建一个胃癌术后复发预测模型而是通过整合临床信息、CT影像组学和病理组学进一步结合 RNA-seq、免疫浸润分析、通路富集分析以及肿瘤微环境研究建立了一条完整的“表型—机制”证据链。其真正值得学习的地方并不是 AUC 达到 0.90而是作者如何将影像与病理中的数字化特征解释为肿瘤免疫状态、炎症通路激活以及复发生物学本质的外在映射。某种意义上这篇文章代表了影像组学从“工程化预测”迈向“生物学驱动”的重要转变也为未来影像组学冲击 CNS、Cancer Cell、Nature Cancer 等顶级期刊提供了非常典型的研究范式。★题目Interpretable Multimodal Fusion Model Enhances Postoperative Recurrence Prediction in Gastric Cancer可解释的多模态融合模型提升胃癌术后复发预测★期刊《Advanced Science》中科院1区IF14.1★研究疾病局部进展期胃癌LAGC术后早期复发★生物学机制肿瘤微环境★发表时间2025年9月02研究背景-从 “临床问题” 落到 “生物学问题”局部进展期胃癌LAGC术后早期复发率高但传统基于临床病理因素如TNM分期、组织学类型的预测模型准确性有限难以满足个体化治疗需求。尽管影像组学和病理组学作为无创、定量手段能够部分捕捉肿瘤异质性但单一模态模型仍存在“黑箱”问题缺乏对复发背后生物学机制的解释力导致临床接受度低。更重要的是胃癌复发并非单纯由解剖学分期决定而是与肿瘤微环境TME的免疫浸润状态、免疫检查点分子表达、干扰素信号通路及IL-6/JAK/STAT3炎症通路激活等复杂生物学过程密切相关。然而现有研究很少将这些深层机制与影像/病理表型进行系统关联。因此如何构建一个既可准确预测复发、又具备生物学可解释性的多模态融合模型成为该领域亟待解决的核心科学问题。03研究目的明确写出“三层目的”本研究旨在开发并验证一个可解释的多模态融合模型RSA模型用于预测LAGC患者术后早期复发及预后其目标包含三个层次第一临床层——构建一个融合临床、影像组学和病理组学特征的风险分层评估模型实现比传统模型更精准的复发风险预测和患者分层第二技术层——通过评分级融合策略和多种验证手段内部、外部、前瞻性、公共数据集确保模型具有良好的泛化能力和临床实用性同时利用决策曲线分析、净重分类改善指数等指标量化其增量价值第三机制层——借助转录组测序和公共数据库揭示RSA模型高风险组与低风险组之间的生物学差异特别是免疫细胞浸润、免疫检查点表达、干扰素信号及炎症相关通路的激活状态从而为模型的预测能力提供分子层面的解释并探索潜在的免疫治疗靶点。04研究思路最核心怎么挂靠机制本研究的核心思路是“表型驱动机制”即先构建高性能的多模态预测模型再通过独立队列的转录组数据解释模型所识别的风险分组的生物学内涵。具体而言首先利用训练队列的CT影像和HE病理切片分别提取影像组学特征和病理组学特征结合临床变量通过评分级融合构建RSA模型输出连续风险评分其次基于Youden指数将患者划分为高/低风险组这一分组本质上是影像-病理表型的量化投影然后在两个独立机制数据集TCIA公共队列前瞻性收集的133例RNA-seq队列中比较高/低风险组的转录组差异采用CIBERSORT、MCPcounter评估免疫浸润GSEA/GSVA富集信号通路EcoTyper解析多细胞生态系统并分析免疫检查点基因表达最后通过Spearman相关分析将影像组学特征直接与免疫通路评分关联实现“影像表型→免疫机制”的定量链接。这一思路确保了机制发现独立于模型训练避免过拟合同时为模型的可解释性提供了坚实依据。05数据和方法机制部分怎么设计数据本研究共纳入1580例局部进展期胃癌患者来自中国6个医疗中心分为训练队列770例来自中心1、内部验证队列362例分为2012‑2013年194例和2017‑2019年168例、外部验证队列448例北方3中心257例南方2中心191例。此外采用多中心前瞻性临床试验NCT02555358的257例患者进行真实世界验证从TCIA公共数据库获取41例胃癌患者用于外部验证及转录组机制探索并前瞻性收集133例患者的肿瘤组织进行RNA测序用于免疫微环境和信号通路的机制分析。方法临床、影像、病理数据采集→ CT图像手工勾画ROI后提取1130个放射组学特征经ICC筛选与LASSO回归选出6个关键特征HE全切片图像切块后经ResNet18识别8类TME成分提取512维病理组学特征后筛选出21个特征→ 分别构建Rad‑score和Path‑score联合临床独立预测因子病理分型、pT、pN通过多因素logistic回归建立RSA模型输出连续风险评分 → 以Youden指数确定阈值将患者分为高/低风险组→独立机制数据TCIA前瞻性RNA‑seq中采用CIBERSORT/MCPcounter评估免疫浸润GSEA/GSVA富集通路EcoTyper分析细胞生态系统Spearman相关将影像特征与免疫通路评分关联。图 1研究整体工作流程图06研究结果“从表型到机制”①表型层面模型性能RSA模型在训练集、内部验证集、外部验证集及前瞻性试验中AUC均高于0.88显著优于临床、放射组学或病理组学单模态模型。高风险组5年总生存率显著更低均P0.001校准曲线和决策曲线均证实模型具有优秀的临床净收益。②机制层面高风险 vs 低风险转录组分析显示高风险组肿瘤呈现免疫激活与耗竭并存的特征CIBERSORT和MCPcounter一致证实CD8⁺ T细胞、NK细胞、髓系细胞浸润显著增加但免疫检查点分子CD80、CD40、CD86、PDCD1LG2等亦高表达GSEA富集分析揭示干扰素‑α/γ信号通路及IL‑6/JAK/STAT3炎症通路显著激活EcoTyper多细胞生态系统分析进一步发现高风险组富集免疫耗竭相关群落CE8、CE9。影像组学特征与效应T细胞评分、IFNγ评分呈正相关而病理组学特征呈负相关表明两种模态在免疫表型上具有互补性共同为RSA模型的预测能力提供了直接的生物学解释。图 2RSA模型开发与性能该图展示RSA模型的训练集表现A为融合临床、Rad‑score和Path‑score的诺模图B的ROC曲线显示AUC达0.903显著优于单模态模型C校准曲线证实预测概率与观察值高度一致D决策曲线表明净临床收益最佳E混淆矩阵和F风险分层显示RSA将更多患者正确归类G十折交叉验证强化了模型稳健性H亚组分析CEA、HER2等中RSA持续领先I‑K进一步通过RCS曲线和匹配队列证明RSA评分≥0.19的患者可从辅助化疗中显著获益。影像组学特征在此作为独立预测因子其权重间接反映了肿瘤异质性与复发风险的关联。图 3内部验证该图对内部两个时间段的验证集进行分析。B、C中RSA模型的AUC分别为0.902和0.892显著高于临床、放射组学、病理组学单一模型D、E校准曲线良好F、G混淆矩阵显示RSA对复发与非复发患者的正确分类率最高H、I双层同心圆图直观展示RSA模型较临床模型减少了15.2%的假阴性J、KKaplan‑Meier曲线表明高风险组5年OS显著劣于低风险组P0.05L汇总显示RSA将86.4%的复发患者划入高风险组而临床模型仅69.8%。内部验证证实了影像-病理联合特征的稳定预测能力为机制探索奠定了表型基础。图 4外部验证该图在北方和南方两个独立外部队列中验证RSA模型。B、C显示RSA的AUC分别达到0.884和0.896持续优于单模态模型D、E精确率-召回率曲线进一步确认其高精度F、G混淆矩阵显示RSA在两组中均获得最佳的敏感性和阴性预测值H、I同心圆图展示其风险分类一致性更优J、K生存曲线证明高风险组5年OS均显著更低P0.001L汇总外部队列中RSA将83.1%的复发患者识别为高风险而临床模型仅71.5%。跨中心、跨地区的稳定表现表明影像组学特征所捕捉的肿瘤异质性具有普遍生物学意义。图 5前瞻性试验验证利用前瞻性临床试验NCT02555358数据验证RSA模型。B在单纯手术亚组中RSA的AUC达0.889显著优于单模态C在新辅助化疗亚组中AUC降至0.736提示化疗重塑了肿瘤影像/病理表型影响了模型性能D、E校准曲线显示手术组Brier评分0.131良好F、G混淆矩阵及H、I同心圆图确认RSA在手术组中的分类优势J、K雷达图综合展示RSA多指标领先L、M生存曲线显示无论是否化疗高风险组OS均更差P0.05。这一结果暗示化疗可能改变了肿瘤微环境的免疫状态从而削弱了原始影像组学特征与复发机制的关联。图 6超越TNM分期的预后价值及转移模式预测展示RSA模型在相同TNM分期内部进一步分层的能力。A‑C匹配前和D‑F匹配后Kaplan‑Meier曲线均显示无论在I、II还是III期RSA定义的高风险组OS均显著劣于低风险组P0.001G展示两例TNM分期相同、治疗方案相同但RSA评分不同的患者其影像和病理特征异质性导致了截然不同的预后H基于RSA模型预测不同复发模式血行、腹膜、淋巴、局部的AUC均0.71I预测与实际转移类型一致率75%。影像组学特征在此与特定复发途径的生物学倾向建立关联为机制研究提供了空间定位线索。图 7免疫景观与转录组特征该图是影像组学挂靠生物学机制的核心证据。A火山图显示高/低风险组间差异表达基因B、E、H、K通过MCPcounter和CIBERSORT一致证实高风险组CD8⁺ T细胞、NK细胞、髓系细胞浸润增加C、J示高风险组免疫检查点分子CD80、CD40、PDCD1LG2等显著高表达D、IEcoTyper分析揭示高风险组富集免疫耗竭相关生态系统CE8、CE9F、GGSEA显示干扰素-α/γ通路活化L、M高风险组效应T细胞和IFNγ评分更高。特别地影像组学特征与免疫激活评分呈正相关病理组学特征呈负相关表明两种模态在捕捉免疫表型上互补。该图将影像-病理表型直接映射到“炎症-耗竭”双相免疫机制完成了从表型到生物学的闭环。07讨论把机制故事讲圆本研究构建并验证了一个融合临床、影像组学与病理组学的RSA模型其核心贡献在于在准确预测LAGC术后复发的同时为模型的风险分层提供了深刻的生物学解释。我们发现RSA模型识别出的高风险患者并非呈现单一的免疫激活或免疫抑制而是“炎症‑耗竭”双相表型一方面干扰素信号和IL‑6/JAK/STAT3炎症通路上调CD8⁺ T细胞、NK细胞等效应免疫细胞浸润增加另一方面免疫检查点分子CD80、CD40、PDCD1LG2等高表达EcoTyper分析显示耗竭性多细胞生态系统CE8、CE9富集。这种看似矛盾的状态恰恰解释了高风险患者为何预后更差——尽管有免疫浸润但肿瘤微环境已进入免疫耗竭阶段抗肿瘤免疫无法有效清除残留病灶。更重要的是影像组学特征与免疫激活评分呈正相关病理组学特征呈负相关提示CT图像捕捉的宏观异质性与病理切片中的细胞级免疫特征在生物学上互补两者融合才能全面刻画复发相关的免疫生态。本研究还存在几点值得注意的局限性回顾性设计可能引入选择偏倚所有数据均来自中国人群种族和地域同质性较高RSA模型在新辅助化疗后患者中预测效能下降AUC0.736提示化疗对肿瘤生物学及影像/病理表型的重塑影响了模型表现。尽管如此通过独立机制数据集TCIA前瞻性RNA‑seq的交叉验证我们相信RSA模型不仅是一个临床预测工具更是一个连接影像表型与免疫机制的桥梁为后续指导免疫治疗、设计针对高危患者的联合治疗策略提供了理论依据。08这篇文献的可借鉴思路这项研究为影像组学和病理组学研究者提供了一套可复制的“挂靠生物学机制”的范式其核心可概括为“表型驱动机制模型独立验证”。首先不要先做机制后建模而是先构建高性能的预测模型再用模型输出的风险评分作为生物学分组的锚点——这确保了“影像/病理表型”本身是分组的依据而不是反向被机制牵着走。其次必须设置完全独立于模型训练和验证的机制探索队列如本研究的TCIA公共数据集和前瞻性RNA‑seq队列以避免过拟合或数据泄露造成的虚假关联。第三多维度、多工具交叉验证机制免疫浸润CIBERSORTMCPcounter、信号通路GSEA/GSVA、细胞生态系统EcoTyper、免疫检查点表达不同方法得出的一致结论才具有说服力。第四定量链接影像特征与分子通路而不仅仅停留在“高/低风险组机制不同”——Spearman相关分析将影像组学特征直接与免疫通路评分关联这一步是实现“影像组学→生物学”直接可解释性的关键。第五对模型在不同治疗背景下的适用性保持诚实RSA模型在新辅助化疗后预测效能下降作者明确报告并讨论原因这种透明度反而提升了研究的可信度。最后可解释性设计从模型构建之初就应融入如评分级融合、Youden指数分层、双层同心圆图可视化而非事后补救。如果你手头有影像数据和少量多组学数据如公共数据库的转录组完全可以沿用这一思路先建立稳健的影像组学或病理组学模型再用独立机制队列解释模型为什么有效这既是发表高水平论文的有效路径也是推动影像组学向临床转化的重要桥梁。09结语对于影像组学研究者而言这篇文献最大的启示在于未来高水平影像组学研究不能只停留在feature 和 model 层面而必须建立完整的机制闭环。真正具有顶刊潜力的研究往往需要同时具备三个层次第一模型具有稳定可靠的临床预测能力第二模型能够改变临床决策实现风险分层与治疗指导第三也是最关键的一点——模型背后存在清晰可信的生物学基础。只有当影像特征能够对应特定的免疫状态、分子通路或肿瘤微环境时影像组学才真正从“黑箱算法”转变为“可解释的数字生物学”。因此这篇文章真正值得学习的不只是它用了哪些算法而是它背后的“顶刊化思维”从临床问题出发以数字表型为桥梁最终落脚于生物机制与精准治疗。这也意味着未来影像组学的发展重点将越来越多地走向多模态融合、空间组学、单细胞组学以及机制验证的深度结合而“机制型影像组学”很可能会成为未来肿瘤人工智能研究最重要的方向之一。参考文献Ding P, Yang J, Chen S, Guo H, Wu J, Wu H, Yang L, Ma W, Tian Y, Gu R, Zhang L, Meng N, Li X, Guo Z, Liu Y, Meng L, Zhao Q. Interpretable Multimodal Fusion Model Enhances Postoperative Recurrence Prediction in Gastric Cancer. Adv Sci (Weinh). 2025 Nov;12(43):e08190. doi: 10.1002/advs.202508190.