(内附PPT解读)当MRI遇上蛋白质组学?DeepMR-LACC模型揭秘宫颈癌:86.9%的预后关键,竟在肿瘤边缘之外!

局部晚期宫颈癌（LACC）在接受标准同步放化疗（CCRT）后，仍有30%-50%的患者面临复发或进展风险。现有的FIGO分期系统在评估个体预后异质性方面存在局限，临床亟需更精准的生物标志物辅助决策 。

2025年12月，中国科学院杭州医学研究所、浙江省肿瘤医院等团队在SCI医学1区、IF值8.0的Nature子刊《npj Precision Oncology》发表了题为“A machine learning-based framework for prognostic prediction and tumor microenvironment characterization of locally advanced cervical cancer with concurrent chemoradiotherapy”的重磅研究，联合开发了一款基于深度学习的全自动预后预测模型——DeepMR-LACC。该研究的创新性是模型不仅融合了Inception V1、注意力机制与Vision Transformer（ViT）的端到端架构，还结合放射蛋白质组学揭示了肿瘤微环境中瘤周纤维化与免疫抑制的真面目，最后通过整合影像和蛋白质组学特征多模态效能提升C-index从0.70至0.85。

a)影像维度创新：首个基于矢状面T2WI磁共振图像构建的深度学习预后模型，通过端到端的全自动管线消除了人工标注的偏差。

b)空间注意力发现：利用注意力机制首次量化揭示了瘤周区域在预后预测中的决定性作用（贡献度达86.9%），而非传统的瘤体核心。

c)多模态融合机制：首次构建了“影像表型-分子微环境-临床结局”的闭环，揭示了影像风险评分与肿瘤免疫抑制状态之间的分子映射关系

a)预测效能突破：DeepMR-LACC模型在多中心验证中展现了卓越的稳定性，联合蛋白质组学特征后，预测精度（C-index）显著提升至 0.85。

b)生物学确证：高风险组呈现显著的免疫抑制特征（免疫评分降低，记忆B细胞及中性粒细胞浸润减少）以及氨基酸代谢紊乱，为高风险患者的靶向治疗提供了分子依据。

局部晚期宫颈癌（LACC）的标准治疗方案为同步放化疗（CCRT），然而由于高度的预后异质性，仍有30%-50%的患者在治疗后出现复发或进展。现有的FIGO分期系统在个体化风险分层及精准预后评估方面表现出明显的局限性，难以满足临床对高危人群早期识别的精确需求。此外，传统放射组学方法往往依赖于人工勾勒病灶，存在主观性强且生物学解释性不足的痛点。因此，开发一种集成深度学习算法与多组学特征、兼具全自动临床工作流与生物学可解释性的预后框架，对于优化LACC患者的个体化诊疗路径、实现精准医疗干预具有重要的临床意义。

研究共纳入来自浙江省肿瘤医院和哈尔滨医科大学附属肿瘤医院的643例局部晚期宫颈癌（LACC）患者，并严格划分为四个独立队列：训练集、内部测试集、外部测试集和放射蛋白质组学队列。各队列在年龄、FIGO分期等关键临床指标上具有均衡性，这保证了模型验证的严谨性。

整体的研究流程分四步，首先使用预训练后的UNet模型在矢状面MRI上自动勾画肿瘤区域；然后结合Inception V1、注意力机制和Vision Transformer构建单一模态模型DeepMR-LACC，并在多中心队列中验证；最后通过DIA蛋白质组学分析揭示生物学机制并建立多模态分层。

本章重点评估了全自动深度学习模型DeepMR-LACC在预测局部晚期宫颈癌预后中的效能。KM生存曲线分析显示，模型在训练集（p<0.001）、内部验证集（PFS p=0.0018）及外部验证集（PFS p=0.0154）中均实现了显著的预后分层，展现了极强的泛化能力和跨中心稳健性。多因素Cox回归进一步证实，DeepMR-LACC评分是独立于FIGO分期、年龄等临床指标的最强预后预测因子。此外，利用注意力可视化技术发现，模型86.9%的权重集中在包含纤维增生特征的瘤周区域，这为AI的决策提供了直观的生物学合理性支撑。

本部分通过对肿瘤微环境（TME）的分子表征，阐明了DeepMR-LACC影像评分背后的生物学基础。

差异蛋白筛选：研究利用DIA组学技术，对放射蛋白质组学队列中46例宫颈活检样本进行深度测序。在生成的蛋白质谱图中，从7722个高质量蛋白中筛选出642个差异表达蛋白，其中高风险组表现出大规模的蛋白质表达改变（158个上调，484个下调）。

通路富集与耐药信号：通路富集分析显示，高风险组患者体内甘氨酸、丝氨酸和苏氨酸代谢显著上调，这与肿瘤的快速增殖密切相关。此外，ECM（细胞外基质）受体相互作用、粘着斑（Focal adhesion）和P53信号通路的增强，也释放出了强烈的放化疗耐药信号。

免疫微环境表征：研究证实影像风险评分与免疫状态的深度关联。高风险组呈现出明显的免疫抑制微环境，免疫评分显著较低；相比之下，低风险组拥有更高的免疫活性，表现为静息肥大细胞、浆B细胞及记忆B细胞的显著浸润，这构成了良好预后的生物学基础。

接着文献阐述如何整合影像与分子特征，构建更高维度的预后评估框架。

核心标志物锁定：为了在小样本组学数据中获得稳健结果，研究采用随机生存森林算法进行了 100次迭代训练，最终精准锁定了7个核心预后蛋白标志物（包括NOP2、MRPS15、WDR74、PWP2、RBM28、CEBPZ和DKC1）。

蛋白质分簇：基于这7个蛋白的表达谱，通过堪培拉距离将患者划分为两个截然不同的蛋白质簇（Cluster1&2），其中Cluster1患者的预后显著优于Cluster2。

多模态深度融合：研究通过桑基图将MRI影像风险等级与蛋白质分簇结果进行整合，构建了“放射蛋白质组学”再分层策略。该策略将患者重新划分为高危、中等及低危三类，不仅解决了单模态评估的不一致性，更将预测准确度（C-index）从影像单模态的约0.70跨越式提升至0.85。

临床预测价值：这种多模态分层成功拉开了不同风险组患者的生存曲线（p<0.0001），证明了宏观影像与微观分子在LACC预后评估中的互补性，能更精准地识别真正的高危患者以指导强化治疗。

本研究的核心创新在于打破了“以瘤体为中心”的传统影像评估局限。DeepMR-LACC模型通过注意力可视化技术揭示了一个关键的空间表型：高达86.9%的权重偏移至瘤周区域，而非仅关注瘤体内部。放射学专家证实，这些高权重区域与临床上的瘤周纤维增生高度一致，证明了肿瘤边缘区域在预测放化疗敏感性中有决定性意义。

文中讨论部分深度解析了这一影像表型背后的微观机制。瘤周区域的影像异常对应着细胞外基质（ECM）的重塑。这种纤维化屏障通过重塑胶原网络和激活癌症相关成纤维细胞，不仅在物理上增加阻碍药物输送，更在生化上产生免疫抑制因子，构建了一个不利于放化疗发挥效能的微环境，最终导致治疗失败。

作为首个基于矢状面T2WI影像的全自动LACC预后模型，该研究克服了多项技术挑战。通过使用预训练的UNet架构，模型实现了Dice系数达0.77的高精度自动分割。此外，研究利用Attention Rollout解决了深度学习的“黑箱”问题，并通过RSF重复100次迭代的严苛策略，规避了小样本组学数据的过拟合风险，确保了7个核心蛋白标志物的稳健性。

该框架最大的临床价值在于实现了从“统一治疗”向“精准干预”的转变：框架能精准识别“影像学低风险”患者以探讨减毒治疗，同时为高风险患者提前介入强化治疗提供决策依据，从而改善患者的长期生存预后。

阅读原文