《Medicine》：A CT-based radiomics model for noninvasive prediction of MMP9 expression and prognostic evaluation in renal cell carcinoma
编辑推荐：
肾细胞癌（RCC）是泌尿系统最常见的恶性肿瘤之一，具有高度异质性和侵袭性。研究表明，基质金属蛋白酶-9（MMP9）在RCC的侵袭、转移及预后中发挥关键作用，被视为潜在的分子生物标志物和治疗靶点。本研究旨在开发一种基于影像组学的预测模型，用于无创识别RCC患者中
肾细胞癌（RCC）是泌尿系统最常见的恶性肿瘤之一，具有高度异质性和侵袭性。研究表明，基质金属蛋白酶-9（MMP9）在RCC的侵袭、转移及预后中发挥关键作用，被视为潜在的分子生物标志物和治疗靶点。本研究旨在开发一种基于影像组学的预测模型，用于无创识别RCC患者中MMP9的表达水平，并评估其在患者预后中的临床相关性。这项回顾性研究利用了癌症基因组图谱（TCGA）数据库的增强计算机断层扫描（CT）图像和临床数据。研究人员手动勾画了感兴趣体积（VOI），提取了影像组学特征，并进行了标准化处理。采用最小冗余最大相关性（mRMR）和递归特征消除（RFE）算法筛选关键特征，随后通过梯度提升机（GBM）算法构建了预测MMP9表达的影像组学模型。研究人员使用Kaplan–Meier曲线和Cox比例风险回归模型进行生存分析。此外，还采用免疫细胞浸润分析和富集分析来探索与MMP9相关的潜在生物学机制。MMP9在RCC患者中显示出独立的预后价值（风险比HR=1.447）。结合3个特征、通过多种机器学习算法构建的影像组学模型对MMP9表达水平表现出良好的预测性能（曲线下面积AUC=0.865）。反映MMP9表达水平的影像组学评分（RS）可作为RCC患者的独立风险预测因子（HR=2.287，95%置信区间CI=1.025–5.103，P=0.043）。此外，MMP9与免疫反应调节信号、碳代谢、PI3K-Akt等通路，以及包括M2型巨噬细胞和调节性T细胞在内的免疫细胞浸润相关。MMP9是RCC的独立预后因子。由3个特征组成的增强CT影像组学模型可无创预测RCC患者中MMP9的表达水平。
**研究背景**
肾细胞癌（RCC）是泌尿系统最常见的恶性肿瘤之一，占所有肾恶性肿瘤的90%以上，具有高异质性和侵袭性。RCC早期常无症状，约30%患者在确诊时已处于晚期，早期局限性肾癌的5年生存率超过90%，而晚期患者不足20%，因此早期筛查和精准诊疗至关重要。当前临床管理依赖影像学评估联合病理诊断，但缺乏有效的预后预测模型，难以准确评估患者预后风险和治疗反应。基质金属蛋白酶-9（MMP9）作为肿瘤侵袭和转移的关键调控因子，通过降解细胞外基质促进RCC病理进展，并与患者总生存期（OS）显著相关。然而，现有检测方法（如外周血细胞因子检测、组织样本mRNA分析、石蜡标本免疫组化）存在操作依赖性、抗体特异性差异和成本高等局限，亟需无创、可重复的方法评估MMP9表达。影像组学技术在肿瘤异质性评估、微环境表征和治疗反应预测方面展现出优势，为无创生物标志物开发提供了新途径。基于此，研究人员开展本研究，整合转录组和影像数据，构建基于增强CT的影像组学模型，无创预测MMP9表达并评估其预后价值。该研究发表在《Medicine》。
**关键技术与方法**
本研究从癌症影像档案库（TCIA）获取增强CT影像，从癌症基因组图谱（TCGA）获取RCC患者的转录组和临床数据，筛选出100例重叠样本。由两位影像科医师（A和B）分别手动勾画全肿瘤感兴趣体积（VOI），通过组内相关系数（ICC）评估可重复性，保留ICC≥0.75的特征。利用PyRadiomics库提取影像组学特征，先后采用最小冗余最大相关性（mRMR）算法和递归特征消除（RFE）算法筛选关键特征，最终基于梯度提升机（GBM）算法构建预测MMP9表达的影像组学模型，输出概率值作为影像组学评分（RS）。同时，使用Kaplan-Meier法和Cox比例风险回归模型进行生存分析，通过CIBERSORTx平台评估免疫细胞浸润，并利用GO和KEGG富集分析探索MMP9相关生物学机制。
**研究结果**
**MMP9的临床重要性**：在TCGA-KIRC队列的430例RCC患者中，以最佳截断值（1.8501）将患者分为MMP9高表达组（n=225）和低表达组（n=205）。差异分析显示RCC组织中MMP9表达显著高于正常肾组织（中位差1.598，95%CI=1.356–1.868，P<0.001）。Kaplan-Meier生存曲线表明高表达组中位生存时间74.7个月，低表达组未达到中位生存时间，高MMP9表达与较差OS显著相关（P=0.002）。单因素Cox回归显示高MMP9表达是显著性风险因素（HR=1.707，95%CI=1.213–2.404，P=0.002），多因素Cox回归进一步确认其为独立风险因子（HR=1.447，95%CI=1.020–2.053，P=0.039）。亚组分析显示在年龄≥60岁患者中高MMP9表达与更差OS显著相关（HR=2.076，95%CI=1.329–3.243，P=0.001），但交互检验无显著交互作用。
**探索MMP9在RCC中的潜在机制**：免疫浸润分析显示高MMP9表达与M2型巨噬细胞浸润呈正相关（r=0.32，P=2.19×10?11），并与浆细胞、CD8?T细胞、记忆CD4?T细胞、滤泡辅助T细胞、M0/M1巨噬细胞、活化树突状细胞、肥大细胞、嗜酸性粒细胞和中性粒细胞等多种免疫细胞类型显著相关，提示MMP9在RCC中发挥多方面的免疫调节作用，可能参与形成免疫抑制性肿瘤微环境（TME）。GO富集分析显示差异表达基因显著富集于免疫反应调节信号和GTPase结合等生物学过程。KEGG富集分析显示这些基因在碳代谢和PI3K-Akt信号通路中显著富集。
**影像组学模型的构建与评估**：从TCIA-CT数据库中纳入100例RCC患者，提取107个影像组学特征，其中102个特征ICC≥0.75。将患者按7:3随机分为训练集（n=71）和验证集（n=29），组间基线特征均衡。经mRMR和RFE筛选，最终选取firstorder_Minimum、glszm_LargeAreaHighGrayLevelEmphasis和gldm_DependenceNonUniformity三个特征构建GBM模型。该模型在训练集中准确率0.803，特异性0.933，灵敏度0.707，阳性预测值0.935，阴性预测值0.700；验证集中分别为0.724、0.750、0.706、0.800和0.643。受试者工作特征曲线（ROC）分析显示训练集AUC=0.865（95%CI=0.782–0.949），验证集AUC=0.809（95%CI=0.645–0.973）。校准曲线和Hosmer-Lemeshow检验表明模型预测概率与实际结果一致性良好（P>0.05）。训练集和验证集的精确率-召回率曲线下面积（AUC-PR）分别为0.917和0.853。决策曲线分析（DCA）显示高临床净收益。DeLong检验比较训练集和验证集AUC无显著差异（P=0.5494），说明模型拟合良好无过拟合。组间差异分析显示训练集和验证集中MMP9高表达组的RS值显著高于低表达组（P<0.01）。
**影像组学模型的预后意义**：以RS截断值0.665将100例患者分为高RS组（n=41）和低RS组（n=59）。Kaplan-Meier分析显示高RS组中位生存时间70.17个月，低RS组未达到，高RS与较差OS显著相关（P=0.026）。单因素Cox回归显示高RS是显著性风险因素（HR=2.183，95%CI=1.080–4.412，P=0.03），多因素Cox回归调整混杂因素后仍显著（HR=2.287，95%CI=1.025–5.103，P=0.043）。亚组分析显示在年龄≥60岁亚组中RS与较差OS显著相关（HR=2.742，95%CI=1.045–7.196，P=0.04）。这些结果证明基于MMP9表达的增强CT影像组学模型评分在RCC患者中具有稳健的独立预后价值。
**总结讨论**：MMP9通过降解细胞外基质、参与血管生成和调节免疫微环境促进RCC进展。本研究构建的影像组学模型特征可能间接反映与MMP9相关的肿瘤异质性，如firstorder_Minimum对应低密度坏死区，glszm_LargeAreaHighGrayLevelEmphasis反映富血管或致密肿瘤区域，gldm_DependenceNonUniformity捕获空间异质性。与传统检测方法相比，该模型具有无创性、信息互补性和转化潜力。然而，研究存在局限性：配对TCIA-TCGA队列样本量较小，回顾性设计可能存在选择偏倚，不同CT采集方案的技术异质性影响特征，最佳截断值需外部验证，药物治疗等混杂因素未能完全控制，机制探索基于生物信息学分析，需进一步实验验证。
**研究结论**：MMP9表达水平是RCC患者稳健的独立风险因子。基于增强CT影像组学特征构建的影像组学模型可实现无创预测MMP9表达水平，并作为RCC患者的独立预后生物标志物，为个性化治疗和更精准的预后评估提供新途径和工具。
