01

导语

各位同学，大家好。现在做影像组学，如果还只停留在“提取特征—建个模型—算个AUC”，那就有点像算命算得挺准，但为啥准，自己也说不明白。别人一问：你这特征到底代表啥？背后有啥道理？瞬间就成了黑箱本箱。而真正能打高分、站得住脚的研究，都在干一件事——给影像组学找“生物学娘家”，让宏观图像和微观病理、细胞、基因、通路对上话。今天咱们就通过一篇最新文献，用轻松又实在的方式，聊聊影像组学怎么优雅、合理、不硬凑地挂靠生物学机制，从“只会算分的工具人”，升级成“能讲清疾病故事的研究者”。

★题目：Non-invasive Imaging Assessment of Tertiary Lymphoid Structures and Immunotherapy Response in Gastric Cancer——A Multicenter Study

（胃癌三级淋巴结构与免疫治疗应答的无创影像评估）

★期刊：《Clinical Cancer Research》（中科院1区，IF=10.2）

★研究疾病：胃癌

★生物学机制：三级淋巴结构的成熟状态与抗肿瘤免疫应答之间的关系

★发表时间：2026年2月5日

02

研究背景（从 “临床问题” 落到 “生物学问题”）

免疫治疗，尤其是免疫检查点抑制剂，已在晚期胃癌中展现出显著疗效，但临床实践中面临的核心挑战是：仅有部分患者能够从中获益，而现有生物标志物如PD-L1表达、微卫星不稳定状态、EB病毒感染及肿瘤突变负荷等，虽被用于指导治疗，却预测能力有限，无法精准识别真正应答人群。因此，寻找更为可靠的、能够反映肿瘤免疫微环境状态的新型生物标志物成为当前研究热点。三级淋巴结构作为在非淋巴组织中异位形成的淋巴聚集体，近年来被证实与多种肿瘤的良好预后及免疫治疗响应密切相关。TLSs的成熟状态（从淋巴细胞聚集到初级滤泡，再到次级滤泡）反映了局部抗肿瘤免疫的活跃程度，其中B细胞与T细胞的协同作用在抗肿瘤免疫应答中发挥关键作用。然而，目前TLSs的检测高度依赖免疫组化或多重免疫荧光染色，需获取肿瘤组织样本，存在侵入性、取样偏倚、成本高昂、无法动态监测等局限，尤其在晚期或新辅助治疗患者中应用受限。与此同时，计算机断层扫描作为胃癌诊疗中常规使用的影像手段，具备非侵入性、可重复性强、成本相对低廉的优势。近年来，影像组学技术能够从CT图像中高通量提取肿瘤内部及边缘的定量特征，反映肿瘤的异质性与微环境状态。因此，如何利用常规CT影像非侵入性地评估TLSs状态，并将其转化为可指导临床决策的生物标志物，成为解决上述临床痛点的重要突破口。

03

研究目的（明确写出“三层目的”）

本研究围绕“能否通过CT影像非侵入性评估TLSs状态，并指导胃癌免疫治疗”这一核心科学问题，设定了三层递进式的研究目的。第一层目的是构建预测模型：基于大规模、多中心的胃癌患者队列，利用影像组学方法提取肿瘤区域的高维特征，结合免疫组化确定的TLSs成熟状态作为金标准，构建一个基于CT影像的TLSs评分模型，实现对TLSs状态（无TLSs、淋巴细胞聚集、初级滤泡、次级滤泡）的准确分类。第二层目的是验证临床价值：在多个独立的内外部验证队列、前瞻性队列以及接受免疫治疗的队列中，系统评估该模型与患者预后（无病生存期、总生存期）及抗PD-1免疫治疗响应（客观缓解率、无进展生存期、总生存期）的关联，并比较其与现有生物标志物（如PD-L1 CPS、MSI、EBV等）的预测效能，验证其作为临床决策辅助工具的可行性。第三层目的是揭示生物学机制：为增强模型的科学可信度与临床接受度，本研究进一步引入多组学数据分析与SHAP可解释性策略，从转录组、微小RNA、蛋白质组等多维度解析ctTLSs与肿瘤免疫微环境的关联，阐明高ctTLSs所对应的免疫激活通路与低ctTLSs所关联的肿瘤增殖代谢通路之间的差异，从而实现从“影像表型”到“生物学机制”的深度挂靠，为模型的临床应用提供坚实的机制支撑。

04

研究思路（最核心：怎么挂靠机制）

本研究的核心思路在于通过“知识驱动建模”与“事后机制解释”相结合的策略，将影像组学特征与肿瘤免疫微环境中的关键生物学结构建立可解释的关联。首先，在模型构建阶段，研究并未直接从CT图像预测免疫治疗疗效，而是以TLSs这一已知的免疫生物学结构为桥梁，采用免疫组化（CD3与CD20双染）作为TLSs成熟状态的金标准，构建监督学习的影像组学模型。通过从肿瘤中心与边缘区域提取形状、强度及纹理特征，结合mRMR与LASSO回归筛选关键特征，最终形成ctTLSs评分模型。其次，在临床验证阶段，研究在多个独立队列（包括内部验证、外部验证、前瞻性队列及四个免疫治疗队列）中全面评估ctTLSs与预后、免疫治疗响应的关联，并引入SHAP值分析，量化各影像特征对TLSs预测的贡献，验证ctTLSs作为最强预测因子的稳定性。最为关键的是，在机制解释阶段，研究利用TCIA/TCGA公共数据库中的多组学数据（包括转录组、miRNA、蛋白组），将ctTLSs与免疫激活相关通路（如TNF信号通路、趋化因子信号通路、凋亡信号通路）及肿瘤增殖代谢相关通路（如KRAS信号、MYC信号、能量代谢）进行关联分析，从分子层面揭示高ctTLSs所对应的免疫活跃状态。同时，通过蛋白组学验证CD20等高表达与TLSs存在的关联，实现了“影像特征—TLSs状态—分子通路—临床结局”的完整证据链构建，使模型具备了从影像表型到生物学机制的深度可解释性，显著提升了其临床转化潜力。

05

数据和方法（机制部分怎么设计）

数据：研究共纳入3,155例胃癌患者，其中208例用于模型训练，103例与662例分别作为两个内部验证队列，219例、907例及412例分别构成三个外部验证队列（来自中山大学肿瘤防治中心与云南省肿瘤医院），158例为前瞻性验证队列，440例（来自四个中心）用于免疫治疗响应分析，46例（来自TCIA/TCGA公共数据库）用于多组学机制解析，各队列分别承担模型构建、准确性验证、预后评估、免疫治疗预测及生物学机制挂靠的用途。

方法：病理金标准（IHC检测CD3/CD20明确TLSs成熟状态）→影像处理（CT图像勾画肿瘤中心及边缘区域）→特征提取（每区域提取292个影像组学特征）→特征筛选（mRMR+LASSO回归）→模型构建（多分类逻辑回归形成ctTLSs评分）→效能验证（内外部、前瞻性队列验证模型准确性）→预后与疗效验证（Kaplan-Meier、Cox回归分析生存与免疫治疗响应）→可解释性分析（SHAP值量化特征贡献）→机制挂靠（多组学关联分析揭示免疫激活与代谢通路差异）。

图 1： 研究整体工作流程图

06

研究结果（”从表型到机制“）

模型构建与验证：基于多分类LASSO回归构建的ctTLSs模型在训练队列中预测TLSs状态的AUC为0.769~0.842，在内部与外部验证队列中AUC分别达0.727~0.809与0.704~0.807，证实模型具有良好的泛化能力与准确性。

图 2：模型预测性能：通过ROC曲线展示ctTLSs模型区分不同TLSs成熟状态的能力。在训练队列中AUC达0.769~0.842，内部验证队列为0.727~0.809，外部验证队列为0.704~0.807，证实模型能够准确预测TLSs状态，具备良好的泛化能力与稳定性。

预后价值：ctTLSs与患者生存显著相关，ctTLSs-3组5年无病生存率与总生存率最高（55.6%与63.2%），ctTLSs-0组最低（24.8%与29.3%），多因素Cox分析证实其为独立预后因子（HR低至0.206）。

图 3：病理TLSs与预后关联：通过Kaplan-Meier曲线展示免疫组化确定的TLSs成熟状态与患者生存的关系。结果显示，TLSs成熟度越高（FL-II>FL-I>Agg>缺失），无病生存期与总生存期越好，证实TLSs成熟状态是胃癌的独立预后因子，为后续影像模型挂靠机制奠定病理基础。

图 4：ctTLSs影像表型与预后关联：通过Kaplan-Meier曲线展示ctTLSs四个等级（0/1/2/3）与患者生存的关系。结果显示，ctTLSs评分越高，生存结局越好（5年总生存率从29.3%提升至63.2%），证明影像模型成功捕获了与病理TLSs一致的预后信息，实现了从“病理表型”到“影像表型”的关键过渡。

免疫治疗预测价值：ctTLSs-3组客观缓解率达53.8%，显著高于ctTLSs-0组的16.7%，其预测性能优于PD-L1 CPS，且与MSI、EBV等已知标志物相比表现出明显优势（AUC 0.692 vs 0.532~0.514）。

图 5：ctTLSs与免疫治疗响应及生存关联：展示了ctTLSs与抗PD-1免疫治疗响应的关系。A部分展示不同响应的代表性CT图像；B部分显示ctTLSs评分从完全缓解组到疾病进展组逐级下降，客观缓解率从ctTLSs-0组的16.7%提升至ctTLSs-3组的53.8%；C部分证实ctTLSs与免疫治疗后的无进展生存期和总生存期显著相关，表明影像模型能够预测免疫治疗获益人群。

SHAP可解释性分析：SHAP值分析显示，ctTLSs是预测IHC-based TLSs状态的最重要特征，其平均Shapley值（2.05~2.82）远高于其他临床病理变量（0.04~0.91），验证了影像特征的预测主导地位。

多组学机制解析：高ctTLSs组富集于免疫激活通路（TNF信号、趋化因子信号、凋亡信号），低ctTLSs组富集于肿瘤增殖与代谢通路（KRAS信号、MYC信号、能量代谢），蛋白组学证实CD20在高ctTLSs组中高表达。

图 6：SHAP可解释性分析：通过SHAP值量化各特征对TLSs预测的贡献。结果显示，ctTLSs的平均Shapley值（2.05~2.82）远高于其他临床病理变量（0.04~0.91），证实ctTLSs是最强预测因子。图中红色（高值）指向正向贡献，蓝色（低值）指向负向贡献，直观展示了ctTLSs在预测中的主导地位，增强了模型的可解释性与临床信任度。

07

讨论（把机制故事讲圆）

本研究通过构建基于CT影像的ctTLSs评分模型，成功实现了对TLSs状态的非侵入性评估，并在多中心、多队列中验证了其在胃癌患者预后判断与免疫治疗响应预测中的临床价值。从机制层面来看，TLSs作为肿瘤微环境中异位形成的淋巴结构，其成熟状态反映了局部抗肿瘤免疫的活跃程度。本研究以免疫组化确定的TLSs成熟状态为金标准，通过影像组学技术将常规CT图像中的肿瘤内部及边缘特征与这一关键生物学结构建立关联，使ctTLSs成为TLSs的影像学“替代标志物”。为进一步揭示模型背后的生物学内涵，研究引入了多组学数据分析，发现高ctTLSs患者显著富集于TNF信号通路、趋化因子信号通路及凋亡信号通路，提示其肿瘤微环境中存在活跃的免疫应答；而低ctTLSs患者则富集于KRAS信号、MYC信号及能量代谢通路，反映出肿瘤增殖活跃、免疫抑制的微环境特征。蛋白组学层面，CD20在高ctTLSs组中高表达，从分子水平验证了TLSs中B细胞的存在。此外，SHAP可解释性分析量化了各特征对预测的贡献，证实ctTLSs是最强预测因子，增强了模型的临床可信度。值得注意的是，ctTLSs在免疫治疗队列中展现出优于PD-L1 CPS的预测效能，且与MSI、EBV等已知标志物相比具有明显优势，提示其可能捕获了PD-L1表达以外的免疫微环境信息。尽管本研究未纳入动态影像数据以验证ctTLSs随治疗的变化，但其非侵入性、可重复性强的特点为未来动态监测提供了理论基础。总体而言，本研究通过“知识驱动建模+事后机制解释”的策略，构建了一条从影像表型到分子通路的完整证据链，为影像组学在精准免疫治疗中的应用提供了可推广的范式。

08

这篇文献的可借鉴思路

本研究为影像组学研究如何“挂靠生物学机制”提供了极具参考价值的范式。其核心思路可概括为“以已知生物学结构为桥梁，构建知识驱动模型，再通过多组学与可解释性方法完成机制闭环”。首先，在模型构建阶段，研究者并未盲目地从影像直接预测临床终点，而是选择TLSs这一已有充分文献支持的免疫生物学结构作为中介变量，以免疫组化作为金标准构建监督学习模型，使影像特征从一开始就与明确的生物学表型建立关联。这一策略显著增强了模型的可解释基础，避免了“黑箱”困境。其次，在验证阶段，研究采用了多层次、多中心的验证设计，涵盖内部验证、外部验证、前瞻性验证及免疫治疗队列，使模型的泛化能力与临床适用性得到充分检验。在机制解释层面，研究实现了“两个层面”的解释：一是通过SHAP分析实现“模型内解释”，量化各影像特征对预测的贡献，明确ctTLSs的主导地位；二是通过多组学分析实现“模型外验证”，从转录组、miRNA、蛋白组多维度揭示高ctTLSs与免疫激活通路的关联，从分子层面验证了模型的生物学合理性。这种“特征重要性分析+多组学关联验证”的组合策略，为影像组学模型的机制挂靠提供了可复制的技术路线。此外，研究在模型输出上将连续评分划分为四个等级（ctTLSs-0/1/2/3），便于临床医生直观理解与应用。对于未来研究者而言，本文的思路可迁移至其他癌种与其他免疫相关结构（如肿瘤浸润淋巴细胞、间质反应、血管结构等），通过“选择明确生物学标志物→构建影像替代模型→多组学机制验证→临床终点关联”的闭环流程，实现影像组学从“预测工具”向“机制解释型生物标志物”的升级，为精准医学时代的影像转化研究提供重要参考。

09

结语

总而言之，做影像组学不只是拼AUC、堆模型，更要学会给特征找意义、给模型讲道理。只有把宏观影像和微观机制真正打通，我们的研究才不是 “玄学算命”，而是有根有据、有血有肉、能讲好疾病故事的真科研。希望大家以后都能少走弯路，轻松写出有机制、有深度、能发高分的好文章！

---

参考文献：Sun Z, Li Z, Ahmad MU, Zhu Y, Zhou Z, Zhou K, Wu L, Chen C, Yuan Q, Zhang T, Chen Y, Xie J, Feng W, Xu Y, Xiong W, Wang W, Li G, Jiang Y. Non-invasive Imaging Assessment of Tertiary Lymphoid Structures and Immunotherapy Response in Gastric Cancer: A Multicenter Study. Clin Cancer Res. 2026 Feb 5. doi: 10.1158/1078-0432.CCR-25-3669.