NPJ Digit Med 首都医科大学附属北京天坛医院贾旺等团队：基于侵袭性弱监督的MRI影像组学方法用于识别和评估侵袭性垂体神经内分泌肿瘤
01
文献学习
今天分享的文献是由首都医科大学附属北京天坛医院贾旺等团队于2025年12月在《npj Digital Medicine》（中科院1区top，IF=15.1）上发表的研究“An MRI radiomics approach using invasion-based weak supervision for identifying and evaluating aggressive PitNETs”即基于侵袭性弱监督的 MRI 影像组学方法用于识别和评估侵袭性垂体神经内分泌肿瘤，研究提出一种基于MRI的深度学习影像组学模型，利用侵袭性标签进行弱监督学习，用于术前非侵入性识别和评估垂体神经内分泌肿瘤的侵袭性行为。
创新点：①提出基于侵袭弱监督标签的深度学习模型，解决PitNET侵袭性缺乏金标准标注的难题。②整合nnUnet与Swin Transformer自动提取多模态MRI特征，实现端到端侵袭性评估。③模型超越传统解剖分级，关联复发预测、病理标志物与生物学通路，实现多维度评估。
临床价值：①提供术前无创评估工具，辅助制定个体化手术与综合治疗策略，改善预后。②建成在线平台，实现临床便捷部署，推动标准化、可及化的侵袭性评估流程。③通过预测复发风险与侵袭生物学行为，助力高危患者早期转诊与干预，提升诊疗效率。
图 1：研究整体流程图
a：PitNET侵袭区域示意图
展示正常垂体gland与侵袭性PitNET的空间关系，明确肿瘤侵袭的三个关键方向——侧方（lateral）、上方（superior）、下方（inferior）。
b：患者队列收集与排除流程
3个医疗中心（CenterI：北京天坛医院，n=884；CenterII：郑州大学第一附属医院，n=175；CenterIII：北京潞河医院，n=30）。
c：研究技术路线图
数据预处理：轴向MRI（T1W、T2W、T1C）经nnUnet分割，重构为2D-3通道形式（3×224×224像素）。
ROI构建：选取3个感兴趣区（ROI1-3），分别对应“上方2层、中心层、下方2层”的轴向截面。
特征提取：将ROI输入经ImageNet预训练的弱监督Swin Transformer模块，提取倒数第二层的768维特征（每ROI），共2304个深度学习特征（DLFs）。
模型构建：经特征选择后保留13个关键DLFs，通过多变量逻辑回归计算DLR评分。
模型验证：从4个维度验证（关联侵袭分类、预测复发、指示病理标志物、揭示生物过程），并标注“低DLR评分”与“高DLR评分”的对应临床意义。
02
研究背景及目的
研究背景
垂体神经内分泌肿瘤（PitNET）约占颅内肿瘤的10–20%，虽多被视为良性，但超过40%的病例在发展过程中表现出侵袭性行为，导致手术全切困难、复发率高，常需多线治疗，临床管理极具挑战。目前，术前评估肿瘤侵袭性主要依赖基于MRI的Knosp与Hardy-Wilson分类系统，二者虽能描述肿瘤对周围结构的解剖侵袭，但其生物学相关性有限，无法全面反映肿瘤的侵袭潜能与复发风险。近年来，世界卫生组织（WHO）与欧洲内分泌学会（ESE）提出“侵袭性垂体肿瘤（APT）”这一更具临床意义的综合概念，涵盖侵袭性生长、快速进展、易复发、病理标志物（如Ki-67、p53）高表达及治疗抵抗等多重特征，强调需在术前进行更全面的生物学行为评估。然而，当前识别侵袭性行为仍高度依赖术后组织标本的免疫组化或基因组学分析，缺乏可在术前广泛应用的无创性工具，这严重限制了早期干预与个体化治疗策略的制定。因此，开发一种基于术前影像、能够整合多维度信息并反映肿瘤生物学行为的无创评估方法，成为临床迫切需求，也是本研究的核心出发点。
研究目的
本研究旨在开发并验证一种基于MRI影像组学与深度学习技术的无创术前评估模型，用于全面识别与评价PitNET的侵袭性行为。研究通过整合自动肿瘤分割、深度特征提取与筛选、以及多中心大数据训练，构建一个深度学习影像组学（DLR）评分系统，该评分不仅与传统侵袭分级（Knosp与Hardy）具有良好相关性，更突破其解剖学局限，实现对肿瘤复发风险的预测、侵袭性病理标志物（如Ki-67、p53及肿瘤相关巨噬细胞）的指示，并揭示与侵袭性相关的生物学通路（如MAPK、TGF-β信号通路）。研究最终将模型部署于在线临床平台，提供端到端的侵袭性评分服务，以支持术前决策。该工作的核心目标是填补当前侵袭性PitNET术前无创评估的工具空白，为临床医生提供一种可靠、全面且易于应用的影像生物标志物，从而助力早期识别高危患者、指导个体化治疗（如选择扩大切除或辅助治疗），并改善患者预后。
03
数据和方法
研究数据
总样本量：1089例患者；
来源：三个医疗中心（北京天坛医院、郑州大学第一附属医院、北京潞河医院）；
队列划分：
训练队列（n=663）
独立测试队列（n=172）
外部测试队列（n=205）
前瞻性测试队列（n=49）
影像数据：T1W、T2W、T1C MRI序列；
病理与转录组数据：部分样本包含Ki-67、p53、CD68 IHC及RNA-seq数据。
技术方法
影像预处理：N4偏置校正、重采样、配准；
肿瘤分割：使用nnUnet进行自动分割；
特征提取：采用微调后的Swin Transformer提取深度学习特征；
弱监督标签：基于Knosp和Hardy分类定义侵袭性标签；
特征选择：结合t检验、互信息、RFE、LASSO筛选关键特征；
模型构建：多元逻辑回归构建DLR评分模型；
验证分析：相关性分析、生存分析、病理与转录组关联分析。
04
实验结果
与侵袭分类相关：DLR评分与Knosp和Hardy分类显著相关；
预测复发能力：DLR评分能显著分层无进展生存期；
与病理标志物相关：与Ki-67、p53表达正相关，与巨噬细胞浸润负相关；
揭示生物学通路：高DLR评分组富集MAPK、TGF-β等侵袭相关通路；
在线平台部署：模型已集成至网站供临床使用。
图 2：DLR模型评估PitNET侵袭性的性能
图 3：DLR模型预测PitNET复发的性能
图 4：DLR模型指示侵袭性病理标志物的性能
图 5：DLR模型揭示侵袭性生物过程的性能
图 6：深度学习方法的在线平台集成
05
研究结论
本研究开发并验证了一种基于MRI影像组学与深度学习相结合的非侵入性术前模型（DLR模型），用于识别和评估垂体神经内分泌肿瘤（PitNET）的侵袭性。研究基于来自三个医疗中心的1089例患者数据，通过基于侵袭性标签的弱监督学习方法，提取了13个关键影像特征构建模型。结果显示，DLR评分与Knosp及Hardy-Wilson侵袭分类显著相关，并在预测肿瘤复发方面优于传统分类方法。此外，DLR评分能够有效指示侵袭性病理标志物（如Ki-67、p53及巨噬细胞水平），并揭示与肿瘤侵袭性相关的生物学通路（如MAPK、TGF-β等）。该模型进一步被集成至在线临床平台，实现了从影像上传到评估结果输出的端到端流程，为术前无创评估PitNET侵袭性、指导个体化治疗决策提供了有力工具。研究表明，DLR模型不仅能够评估解剖学侵袭，还能反映肿瘤的生物学侵袭特征，实现了从“形态评估”向“生物学行为评估”的跨越。
参考文献：Wang Y, Guan X, Ma S, Zhang Y, Yang J, Liu Y, Sun Y, Ma L, Li D, Tang Y, Zhang C, Jia W. An MRI radiomics approach using invasion-based weak supervision for identifying and evaluating aggressive PitNETs. NPJ Digit Med. 2025 Dec 2;9(1):17. doi: 10.1038/s41746-025-02189-7.