《Advanced Science》：Integrating Radiomics and Computational Pathology to Predict Early Recurrence of Pancreatic Ductal Adenocarcinoma and Uncover Its Biological Basis in Tumor Microenvironment
编辑推荐：
本研究聚焦胰腺导管腺癌根治性切除术后早期复发预测难题。研究人员开发并验证了一个整合CT影像组学与计算病理学特征的“放射-病理”模型，在内部和外部验证队列中均展现出优异的预测性能。通过单细胞RNA测序与空间转录组学等多组学分析，揭示了模型预测的生物学基础与细胞外基质重塑密切相关。该研究不仅提供了一个高性能的预后预测工具，更重要的是通过生物学解释增强了模型的临床可理解性，为个体化治疗决策提供了新思路。
胰腺导管腺癌是一种侵袭性极强的恶性肿瘤，尽管根治性手术是目前主要的治愈手段，但许多患者在术后不久即出现复发，尤其是那些在术后6个月内即复发的“早期复发”患者，其预后往往极差。准确预测哪些患者在术后会面临早期复发的风险，是临床上的一大挑战。这不仅关乎患者是否需要进行更积极的辅助治疗，也直接影响到其后续的生存质量和总体生存期。传统的临床指标和影像学评估方法，在预测这种细微但致命的生物学行为时，常常显得力不从心。因此，开发能够整合多维度信息、更为精准的预测模型，并深入理解其背后的生物学逻辑，对于改善胰腺癌患者的临床管理具有迫切的现实意义。为此，一项发表在《Advanced Science》上的研究，将目光投向了两个强大的技术领域——能够从医学影像中提取海量定量特征的影像组学，以及能够对数字化病理切片进行深度分析的计算病理学，试图通过两者的强强联合，构建一个全新的预测武器，并探寻其决策背后的科学依据。
为开展此项研究，作者团队主要运用了以下几项关键技术：首先，他们回顾性纳入了来自两个医疗中心的225例接受了R0切除的胰腺导管腺癌患者队列，收集了其术前增强CT影像和数字化病理切片。其次，利用专门软件从CT图像的肿瘤及瘤周区域提取了共2436个影像组学特征，并采用先进的深度学习模型（TITAN模型）从病理切片中提取了768个计算病理学特征。接着，通过特征选择和多种机器学习算法，构建并比较了包括随机森林在内的11种预测模型。最后，为了探究模型的生物学基础，他们对前瞻性收集的患者样本进行了单细胞RNA测序和空间转录组学分析，并结合组织病理学验证，从细胞和分子层面解读了模型的预测逻辑。
研究结果
2.1 患者特征
研究共纳入225例患者，其中181例来自机构1，随机分为训练集和内部测试集；44例来自机构2，作为外部测试集。患者的人口统计学、临床及病理学特征在各队列间基本平衡。整个队列的中位无复发生存期为19.40个月。
2.2 放射-病理学模型的生成
经过单变量分析和LASSO回归，从3204个特征中最终筛选出15个关键特征用于建模。在构建的11种机器学习模型中，随机森林模型在内部测试集和外部测试集中均表现最佳，曲线下面积分别达到0.851和0.814，其性能优于任何单一特征来源的模型。SHapley Additive exPlanations分析用于解释模型，结果显示最重要的特征包括一个病理学特征和两个肿瘤区域影像组学特征。
2.3 单模态模型的生成
作为对比，研究人员分别使用肿瘤区域影像组学、瘤周区域影像组学和病理学特征独立构建了预测模型。结果显示，所有单模态模型在验证集中的性能均显著低于融合了多模态特征的放射-病理学模型，这凸显了信息整合的优势。
2.4 对预测的早期复发组和晚期复发组的单细胞RNA测序分析
对模型预测为高风险（早期复发）和低风险（晚期复发）的患者样本进行单细胞RNA测序分析发现，预测的早期复发组中，成纤维细胞和胰腺星状细胞显著富集。拷贝数变异分析显示，该组的上皮细胞基因组不稳定性更高。京都基因与基因组百科全书通路分析进一步揭示，在早期复发组的成纤维细胞和胰腺星状细胞中，与蛋白质合成相关的通路（如“核糖体”）上调，而与细胞连接组织相关的通路则下调。
2.5 预测的早期与晚期复发组之间差异性的细胞间通讯
细胞间通讯分析表明，与预测的晚期复发组相比，早期复发组的细胞间相互作用数量和强度均显著降低。其中，蛋白酶激活受体通路和胆固醇通路的配体-受体对在早期复发组中下调最为明显，而亲环素A和制瘤素M信号则上调。代谢组学分析也发现，早期复发组中与RAR相关孤儿受体A信号相关的代谢物下调，而与胶原生物合成相关的代谢物上调。
2.6 空间转录组学
空间转录组学分析验证了单细胞测序的发现，在预测的早期复发组组织中观察到了更高比例的成纤维细胞。对差异表达的配体-受体基因进行京都基因与基因组百科全书富集分析，发现它们与细胞黏附和细胞外基质相互作用通路显著相关。例如，编码细胞外基质中最丰富胶原的COL1A1基因在早期复发组中表达上调。
2.7 亚肿瘤微环境表型与模型预测复发风险的关系
组织病理学评估证实，模型预测的高风险患者其肿瘤组织主要表现为“反应主导型”亚肿瘤微环境表型，其特征是大量活化的成纤维细胞和丰富的细胞外基质沉积；而低风险患者则表现为“荒漠主导型”表型。空间转录组学进一步显示，已报道的“反应型”和“荒漠型”亚肿瘤微环境的标志物基因表达模式与模型的预测结果完全一致。
归纳研究结论和讨论
本研究的核心结论是成功开发并验证了一个整合CT影像组学与计算病理学特征的预测模型，该模型能够有效预测胰腺导管腺癌根治性切除术后6个月内的早期复发，并在独立的外部队列中保持了稳健的性能。更重要的是，研究通过多组学技术深度解读了模型的生物学基础，最终将模型的预测能力锚定在“细胞外基质重塑”这一关键生物学过程上。具体而言，预测为早期复发的高风险患者，其肿瘤微环境中富集了活化的成纤维细胞和胰腺星状细胞，这些细胞通过上调胶原合成等通路，驱动了细胞外基质的异常沉积和重构，形成了促纤维化、促侵袭的“反应主导型”微环境。同时，细胞间通讯异常，特别是蛋白酶激活受体、胆固醇、制瘤素M等关键信号通路的紊乱，进一步加剧了这种恶性表型。
在讨论中，作者强调了本研究的多个亮点与局限。与以往仅基于单一影像模态的预测模型相比，本研究创造性地融合了放射影像与数字病理信息，实现了对肿瘤更全面、互补的表征，这是模型取得优异性能的关键。随机森林模型在众多算法中脱颖而出，体现了其在处理高维、复杂特征时的稳定性和泛化能力，尽管部分模型在训练集上出现了过拟合现象，这凸显了严格外部验证的必要性。研究的最大突破在于超越了“黑箱”预测，利用单细胞和空间转录组学将宏观的影像/病理特征与微观的分子、细胞事件直接关联，极大地增强了模型的可解释性和临床可信度。这为“影像组学”和“计算病理学”领域如何实现生物学转化提供了一个杰出的范例。
当然，研究也存在一些局限性。回顾性设计可能引入选择偏倚，需要在更大规模的前瞻性队列中进一步验证。模型目前的中等灵敏度意味着它可能漏检部分高风险患者，因此其临床定位更倾向于风险分层和决策支持，而非作为是否给予辅助治疗的绝对依据。此外，尽管多组学数据强烈支持细胞外基质重塑的核心作用，但仍需后续的功能实验来确立确切的因果关系。
综上所述，这项研究不仅为胰腺导管腺癌的术后精准管理提供了一个强有力的新型工具，更重要的是，它架起了一座连接宏观影像表型与微观肿瘤生物学的桥梁，证实了肿瘤微环境，特别是细胞外基质的特征，是驱动疾病早期复发的重要生物学基础。这一发现不仅深化了对胰腺癌复发机制的理解，也为未来开发针对肿瘤微环境的治疗策略提供了新的思路和靶点。
