基于侵袭性弱监督MRI影像组学的侵袭性垂体神经内分泌肿瘤识别与评估新方法

《npj Digital Medicine》：An MRI radiomics approach using invasion-based weak supervision for identifying and evaluating aggressive PitNETs

为解决侵袭性垂体神经内分泌肿瘤(PitNET)缺乏可靠术前评估工具的临床难题，本研究开发了融合深度学习与影像组学(DLR)的新型评估模型。通过对1,089例多中心病例的分析，该模型在预测肿瘤复发(HR=1.42)、指示侵袭性病理标志物(Ki-67、p53)及揭示MAPK/TGF-β信号通路等方面显著优于传统Knosp/Hardy分级，并已部署为临床可用的在线平台(https://mridlr.com/)，为个体化治疗决策提供重要依据。

　　

垂体神经内分泌肿瘤(PitNET)作为颅内常见肿瘤，虽多数呈良性病程，但约40%病例会发展为侵袭性肿瘤，给临床治疗带来巨大挑战。传统评估主要依赖Knosp和Hardy-Wilson分级系统，这些基于影像学形态的评估方法虽能反映肿瘤的解剖学侵袭范围，却难以捕捉其内在的生物学侵袭特性。更关键的是，现有评估体系无法在术前对肿瘤的增殖活性、复发风险及分子特征进行精准预测，导致临床医生难以为患者制定最优的个体化治疗方案。

在这一背景下，北京天坛医院王洋洋团队在《npj Digital Medicine》发表的研究，开创性地将弱监督学习策略与深度学习影像组学相结合，构建了全新的侵袭性垂体神经内分泌肿瘤评估体系。该研究纳来自三家医疗中心的1,089例病例，建立了迄今为止该领域最大规模的多中心研究队列。

研究团队采用的核心技术方法包括：基于nnUnet的自动分割算法、经微调的Swin Transformer(TLST)特征提取模型、多序列MRI(T1W、T2W、T1C)配准预处理技术，以及整合LASSO和递归特征消除(RFE)的特征筛选流程。特别值得注意的是，研究采用了侵袭性标签的弱监督学习策略，仅使用明确非侵袭(Knosp 1级、Hardy A-C期)和高度侵袭(Knosp 4级、Hardy D-E期)的样本进行模型训练，有效解决了金标准缺失的难题。

DLR模型构建

通过从每个患者的三个感兴趣区域(ROI)提取2,304个深度学习特征，最终筛选出13个最具代表性的特征构建DLR模型。这些特征通过逻辑回归系数加权，形成综合性的DLR评分，其计算公式为：DLR评分 = (f1×1.35) + (f2×0.03) + (f3×-0.54) + ... + (f13×-0.53)。

DLR模型与PitNET侵袭的相关性

研究显示，DLR评分与Knosp分级在训练组、独立测试组、外部测试组和前瞻性测试组中的Spearman相关系数分别达到0.640、0.566、0.632和0.725，与Hardy分级的Kendall相关系数分别为0.387、0.344、0.343和0.491，表明DLR评分与传统侵袭分级系统具有高度一致性，且提供了更丰富的量化信息。

DLR模型预测PitNET复发

以训练组DLR评分中位数为界值，Kaplan-Meier分析显示，在所有队列中，高DLR评分组的无进展生存期(PFS)均显著差于低评分组(P<0.05)。多变量Cox回归分析进一步证实DLR评分是预测肿瘤复发的独立危险因素，其预测效力超越传统临床病理参数。

DLR模型指示侵袭性病理标志物

DLR评分与Ki-67指数呈显著正相关，这一关联在不同Knosp和Hardy分级亚组中保持稳定。在前瞻性测试组中，免疫组化结果进一步验证了DLR评分与p53表达水平和CD68阳性巨噬细胞浸润程度的正相关关系，提示该模型能够有效反映肿瘤的增殖活性和免疫微环境特征。

DLR模型揭示侵袭性生物学过程

通过放射基因组学分析，研究发现高DLR评分肿瘤富集于MAPK信号通路、钙信号通路、TGF-β信号通路和脂质代谢相关过程，这些通路与肿瘤的侵袭性行为密切相关。而低评分组则主要富集于细胞黏附和炎症反应等通路。进一步分析显示，13个DLR特征可归类为与增殖(f1、f4、f8)、细胞过程(f2、f3、f7)、免疫(f5、f6、f10、f13)和代谢(f9、f11、f12)相关的四类生物学过程。

研究团队将这一创新性方法成功部署至在线平台(https://mridlr.com/)，实现了从MRI上传到DLR评分生成的全流程自动化，为临床医生提供了便捷的术前评估工具。该平台整合了所有研究队列的参考数据库，用户上传MRI数据后即可获得肿瘤侵袭性评估结果和个体化治疗建议。

本研究存在的局限性包括未能全面评估所有侵袭性行为特征(如药物治疗反应和肿瘤生长速率)，部分亚组分析因样本量不足未能显示统计学差异，以及前瞻性队列中组织标本可获得性可能引入的选择偏倚。未来需要通过更大规模的研究进一步验证和优化模型性能。

该研究首次建立了基于MRI的深度学习影像组学模型，实现了对垂体神经内分泌肿瘤侵袭性的多维度评估。与传统方法相比，DLR模型不仅能够反映解剖学侵袭程度，更能预测复发风险、指示病理标志物表达、揭示分子通路特征，为临床医生提供了前所未有的全面术前评估工具。这一创新性方法有望显著改善侵袭性垂体神经内分泌肿瘤的治疗决策和患者预后，推动该领域向精准医疗迈进重要一步。