基于深度学习与放射蛋白组学的局部晚期宫颈癌预后预测及肿瘤微环境表征新框架

《npj Precision Oncology》：A machine learning-based framework for prognostic prediction and tumor microenvironment characterization of locally advanced cervical cancer with concurrent chemoradiotherapy

本研究针对局部晚期宫颈癌(LACC)同步放化疗(CCRT)后预后异质性大的临床难题，开发了基于T2加权磁共振的深度学习模型DeepMR-LACC，实现全自动预后预测（C-index：PFS 0.80，OS 0.83）。通过整合蛋白质组学揭示高风险组免疫抑制微环境特征，构建放射蛋白组学分层模型将预测效能提升至C-index 0.85。该框架为LACC个体化治疗决策提供了多模态生物标志物体系。

　　

宫颈癌是全球女性癌症相关死亡的主要原因之一，尤其在医疗资源有限的国家，大多数患者初诊时已处于局部晚期阶段。尽管以顺铂为基础的同步放化疗(CCRT)是标准治疗方案，但仍有30-50%的患者会出现疾病进展或复发，5年生存率低于50%。这种预后差异凸显了精准预测工具的迫切需求。

当前临床依赖的FIGO分期系统无法充分反映肿瘤微环境(TME)异质性对治疗反应的影响。肿瘤微环境作为肿瘤异质性的关键决定因素，包含细胞外基质(ECM)、免疫细胞亚群和生化因子等复杂组分，在治疗抵抗中起核心作用。近年来，放射组学通过提取医学影像特征揭示疾病预后，而深度学习(DL)技术进一步拓展了超越传统放射组学的图像模式识别能力。与此同时，蛋白质组学能够精准反映肿瘤生物学的分子通路变化。尽管已有研究尝试整合多组学数据，但基于影像的肿瘤异质性与其生物学基础之间的关联尚未明确。

为解决这一挑战，浙江肿瘤医院与哈尔滨医科大学肿瘤医院的研究团队在《npj Precision Oncology》发表了题为“A machine learning-based framework for prognostic prediction and tumor microenvironment characterization of locally advanced cervical cancer with concurrent chemoradiotherapy”的研究，开发了一个融合磁共振成像与蛋白质组学的多任务预后预测框架。

研究团队主要采用四项关键技术：首先，基于693例LACC患者的多中心队列，利用UNet模型实现肿瘤区域自动分割；其次，构建融合InceptionV1、通道注意力、空间注意力和视觉Transformer(ViT)的DeepMR-LACC深度学习模型，通过多目标学习同时预测无进展生存期(PFS)和总生存期(OS)；第三，对46例配对宫颈活检组织进行液相色谱-质谱(LC-MS)蛋白质组学分析，采用数据非依赖采集(DIA)模式获取7722个高质量蛋白；最后，通过随机生存森林算法筛选关键预后蛋白，建立放射蛋白组学分层模型。

预后价值验证

DeepMR-LACC在训练队列中预测PFS和OS的C-index分别达到0.80和0.83，在内部测试队列中为0.67和0.70，在外部测试队列中为0.69和0.65，显著优于临床预测因子。以1.921为阈值划分的风险组在三个队列中均显示高风险组PFS和OS显著降低（训练队列HR_PFS=5.70，HR_OS=13.31；内部测试队列HR_PFS=3.41，HR_OS=3.71）。

模型独立性分析

多变量Cox回归证实DeepMR-LACC评分是独立预后因素（训练队列HR_PFS=5.63，HR_OS=12.94）。决策曲线分析显示模型具有更优临床净获益，亚组分析表明其在各临床分层中均保持稳定预测性能。

注意力机制解析

通过注意力可视化发现模型86.9%的关注区域位于瘤周组织，放射学专家确认这些区域与纤维增生相关，提示瘤周微环境在预后预测中的生物学意义。

分子机制探索

蛋白质组学鉴定642个差异表达蛋白(DEPs)，高风险组显示甘氨酸/丝氨酸代谢通路上调，补体凝血级联下调，ECM受体相互作用和焦点粘连通路上调。免疫浸润分析发现低风险组具有更高免疫评分，单核细胞、静息肥大细胞、浆细胞B细胞等浸润增加（均p<0.05），且DeepMR-LACC评分与免疫评分呈负相关。

放射蛋白组学整合

通过机器学习筛选出7个关键预后蛋白（DKC1、NOP2、CEBPZ、WDR74、MRPS15、PWP2、RBM28），其中4个与核糖体生物合成相关。基于蛋白表达的聚类分析将患者分为预后显著差异的两类，整合DeepMR-LACC与蛋白质组学聚类后构建的三重风险分层模型，将预测效能提升至C-index 0.85。

本研究首次构建了基于矢状面T2加权MRI的LACC深度学习预后模型，突破传统轴位成像局限。DeepMR-LACC的全自动化流程规避了人工勾画的主观偏差，其注意力机制为模型决策提供了生物学解释——瘤周纤维增生通过重塑胶原网络和激活癌症相关成纤维细胞，塑造免疫抑制微环境进而影响疗效。放射蛋白组学整合策略不仅提升了预测精度，更揭示了高风险人群的免疫逃逸机制，为免疫联合疗法提供了靶向依据。

该框架的临床转化潜力显著：对于低风险患者，可探索放疗降级（如诱导化疗后手术替代）以减轻毒性；对于高风险患者，则推荐强化方案（如免疫联合放疗）。研究局限性包括单一人群来源、小样本蛋白质组学队列和回顾性设计，未来需前瞻性多中心验证。这项研究为LACC的个体化治疗提供了可解释的多模态决策工具，推动了精准肿瘤学从影像表型到分子机制的整合研究范式。