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topIF15.1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aPitNET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n884CenterII郑州大学第一附属医院n175CenterIII北京潞河医院n30。c研究技术路线图数据预处理轴向MRIT1W、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n663独立测试队列n172外部测试队列n205前瞻性测试队列n49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 2DLR模型评估PitNET侵袭性的性能图 3DLR模型预测PitNET复发的性能图 4DLR模型指示侵袭性病理标志物的性能图 5DLR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.