npj Digital Medicine IF=15.1 | 多模态数字活检：术前无创预测胃癌隐匿性腹膜转移

引言胃癌的精准分期长期面临一个关键瓶颈常规影像学检查如CT对隐匿性腹膜转移OPM的检出率低且不稳定导致大量患者不得不接受有创的诊断性腹腔镜探查。能否在术前无创、准确地识别这些“看不见”的转移灶从而优化治疗决策近日一项发表于《npj Digital Medicine》的研究带来了突破。由河北医科大学第四医院等团队联合开发了一种名为“多模态数字活检”的人工智能模型。该模型创新性地融合了CT影像组学特征与临床指标在包含超1700名患者的多中心队列中展现出稳定且优异的预测性能AUC 0.83-0.86不仅能媲美有创检查的判别力还能揭示肿瘤免疫微环境的生物学差异为胃癌的个体化治疗提供了全新的无创决策工具。基本信息文章标题Multimodal digital biopsy for preoperative prediction of occult peritoneal metastasis in gastric cancer期刊npj Digital Medicine影响因子15.1发表时间2026年1月26日研究单位河北医科大学第四医院含河北省胃癌精准诊断与综合治疗重点实验室、工程研究中心、四川大学及南京中医药大学等高校、中德两国共9家临床医疗中心Github地址https://github.com/hebeidpa/DeepComp/tree/main/Gastric-nnUNet论文地址https://doi.org/10.1038/s41746-025-02268-9研究内容与方法全自动CT肿瘤分割与影像组学特征提取动机解决手动分割效率低下、观察者间差异大的问题为影像组学分析提供标准化、可重复的3D感兴趣区域ROI。实现逻辑基于nnU-Net的自动分割采用预训练的nnU-Net模型对胃癌原发灶进行3D自动分割模型经200例手动标注CT扫描训练测试集Dice系数达0.89仅7.3%的病例需少量手动修正观察者间Dice系数为0.882±0.034对应代码片段defpredict_tumor_segmentation(model,ct_image):# 影像预处理重采样、归一化processed_imgpreprocess_ct(ct_image,target_spacing(1.0,1.0,1.0))# 模型推理pred_maskmodel.predict(processed_img[np.newaxis,...])# 后处理阈值分割、连通域分析pred_maskpostprocess_mask(pred_mask[0])returnpred_mask影像组学特征提取利用PyRadiomics从分割后的3D-ROI中提取1130个特征涵盖一阶统计、形状、多维度纹理特征提取前进行各向同性体素重采样1.0mm³和灰度离散化固定bin宽25跨中心特征 harmonization采用ComBat方法消除不同医疗中心CT扫描的设备、协议异质性可视化验证聚类效应消除效果核心优势高自动化率大幅减少人工操作成本标准化ROI保证影像组学特征的一致性与可重复性【CT影像采集与自动分割流程示意图】影像组学特征筛选与集成模型构建动机从高维度影像组学特征中筛选与隐匿性腹膜转移OPM高度相关的特征同时通过集成学习提升单模态预测的稳定性与性能。实现逻辑三步特征筛选流水线差异特征筛选采用Mann-Whitney U检验识别OPM阳性与阴性组间有统计学差异的特征冗余特征移除通过Pearson相关分析移除绝对相关系数0.9的冗余特征降低多重共线性LASSO特征选择基于10折交叉验证的LASSO逻辑回归保留回归系数排名前10的特征用于模型构建对应代码片段defselect_radiomic_features(X,y):# 第一步Mann-Whitney U检验筛选差异特征p_values[mannwhitneyu(X[:,i],y)[1]foriinrange(X.shape[1])]X_filteredX[:,np.array(p_values)0.05]# 第二步移除高相关特征corr_matrixnp.corrcoef(X_filtered,rowvarFalse)uppernp.triu(corr_matrix,k1)to_drop[columnforcolumninrange(upper.shape[1])ifany(upper[:,column]0.9)]X_nonredundantnp.delete(X_filtered,to_drop,axis1)# 第三步LASSO特征选择lassoLogisticRegression(penaltyl1,solversaga,max_iter10000,random_state42)selectorSelectFromModel(lasso,thresholdmedian)X_selectedselector.fit_transform(X_nonredundant,y)returnX_selected,selector.get_support(indicesTrue)集成模型开发融合逻辑回归LR、极端梯度提升XGBoost、随机森林RF、支持向量机SVM4种基模型采用投票分类器对各模型输出进行软投票得到最终影像组学预测评分对应代码片段defbuild_radiomics_ensemble():# 定义基模型base_models[(lr,LogisticRegression(random_state42)),(xgb,XGBClassifier(random_state42,use_label_encoderFalse,eval_metriclogloss)),(rf,RandomForestClassifier(random_state42)),(svm,SVC(probabilityTrue,random_state42))]# 构建软投票集成模型ensembleVotingClassifier(estimatorsbase_models,votingsoft)returnensemble核心优势多步骤特征筛选有效降低特征维度聚焦核心预测信息集成学习融合不同模型优势提升预测稳定性与泛化能力【特征处理与集成模型开发流程示意图】多模态融合OPM预测模型构建动机整合临床特征与影像组学特征结合临床经验与影像异质性信息进一步提升OPM预测的准确性与临床可解释性。实现逻辑临床特征筛选通过单变量多变量逻辑回归筛选出OPM的独立临床预测因子cT分期、组织学类型、Borrmann分型多模态融合将筛选后的临床特征与影像组学评分整合构建列线图形式的多模态预测模型输出个体化OPM风险概率风险分层基于Youden指数确定风险阈值将患者分为高/低风险组辅助临床决策核心优势结合临床与影像双重信息提升预测性能的同时保持临床可解释性列线图形式直观便于临床医生快速计算患者风险【多模态模型列线图】多维度模型验证框架动机全面验证模型的泛化性、临床实用性与辅助诊断价值确保模型可推广至真实临床场景。实现逻辑多队列验证覆盖6个独立队列包括训练集、内部验证集、2个多中心外部验证集、增量验证集验证细胞学阳性预测能力、前瞻性临床试验队列NCT06478368读者辅助验证招募10名不同经验水平的放射科医生5年、≥5年、≥10年开展交叉盲法试验对比有无模型辅助下的诊断性能评估模型对不同层级医生的辅助价值核心优势多类型验证队列确保模型的泛化性与临床可靠性读者交叉试验直接验证模型的临床辅助价值为实际应用提供依据【前瞻性队列入组流程图】转录组学机制解析动机解析多模态模型风险分层背后的免疫生物学机制提升模型的可解释性为后续治疗策略制定提供依据。实现逻辑样本匹配采用1:1倾向得分匹配选取高/低风险组各9例新鲜肿瘤样本转录组分析进行bulk RNA测序通过差异表达基因分析、基因集富集分析GSEA、ESTIMATE免疫评分、CIBERSORT免疫细胞浸润分析、单样本GSEAssGSEA探究高低风险组的免疫微环境差异核心优势从分子层面解释模型风险分层的生物学基础提升临床信任度为OPM的免疫治疗靶点挖掘提供方向【高低风险组差异免疫基因热图】实验结果分析多模态数字活检模型在训练队列中的开发与性能多模态模型在训练队列中展现了卓越的预测性能。该模型整合了临床变量cT分期、组织学类型、Borrmann分型和原发肿瘤影像组学特征其预测准确性显著优于单一模态模型。高区分度模型在训练队列中的AUC达到0.853表明其具有优秀的判别能力。良好校准校准曲线显示预测概率与实际观测结果高度一致Brier评分低至0.1071。临床获益决策曲线分析证实在广泛的阈值概率范围内该模型能提供更高的净临床获益。预后分层基于模型风险分层高风险组患者的5年总生存率27.6%显著低于低风险组47.4%。多模态模型在训练队列中的开发与性能评估包括列线图、ROC曲线、校准曲线、决策曲线及生存分析。模型在内部与外部验证中的稳健表现多模态模型在独立的内、外部验证队列中均保持了稳定且优异的性能证明了其良好的泛化能力。内部验证在内部验证队列中模型AUC为0.849校准良好Brier评分0.1067并能有效区分高低风险患者的生存预后。多中心外部验证在两个独立的多中心外部验证队列分别来自中国多家医院及中德联合队列中模型AUC分别达到0.857和0.850表现稳健。一致的风险分层在所有验证队列中模型划分的低风险组患者5年生存率均显著优于高风险组生存差异具有统计学意义。多模态模型在内部验证及多中心外部验证队列中的ROC曲线、校准曲线、决策曲线及生存分析结果。前瞻性验证与AI辅助诊断效能提升在前瞻性临床队列中多模态模型不仅自身表现优异更能显著提升放射科医生的诊断水平。前瞻性验证性能在168例前瞻性队列中模型预测OPM的AUC为0.839校准良好。显著提升诊断准确性交叉实验表明在AI模型辅助下所有放射科医生的平均诊断AUC从0.735提升至0.872敏感性从0.632提升至0.810特异性从0.693提升至0.832。各层级医生均受益无论资历深浅5年、≥5年、≥10年经验放射科医生在AI辅助下的诊断AUC均得到显著提升其中低年资医生获益最大AUC从0.687提升至0.859。多模态模型在前瞻性队列中的性能及AI辅助对放射科医生诊断准确性的提升效果。优势与局限优势多模态融合性能优越模型整合CT影像组学与临床特征在多个独立队列包括前瞻性临床试验中均表现出稳健的预测性能AUC: 0.834–0.857显著优于单一模态模型。临床实用性强前瞻性交叉验证表明AI辅助可将放射科医生的平均诊断AUC从0.735提升至0.872有效提升了不同经验水平医生的诊断准确性具备明确的临床部署价值。提供生物学解释转录组学分析揭示了模型风险分层与肿瘤免疫微环境如CD8 T细胞、TNF-α信号通路的相关性为预测结果提供了潜在的生物学机制支持增强了模型的可信度。局限影像协议异质性尽管使用了ComBat进行数据协调但不同中心的CT扫描协议如层厚、重建内核差异可能影响影像组学特征的稳定性未来需要建立更严格的影像采集标准。特征来源单一模型仅基于原发肿瘤的影像特征构建未整合腹膜或大网膜等可能更直接反映微小转移的影像信息可能限制了其对极早期播散的检测灵敏度。前瞻性验证规模有限前瞻性临床试验队列的样本量相对较小且对模型如何改变临床决策、成本效益等多因素终点的评估仍需更大规模的干预性研究来证实。参考文献Dong, D. et al. Development and validation of an individualized nomogram to identify occult peritoneal metastasis in patients with advanced gastric cancer. Ann Oncol 30, 431–438 (2019).该研究开发了用于预测胃癌隐匿性腹膜转移的临床列线图其性能与影像组学模型相当。本研究构建的多模态模型整合了临床变量与影像组学特征是对此类预测工具的重要发展与补充。Jiang, Y. et al. Noninvasive Prediction of Occult Peritoneal Metastasis in Gastric Cancer Using Deep Learning. JAMA Netw Open 4, e2032269 (2021).本文提出了基于深度学习的CT影像特征用于胃癌隐匿性腹膜转移的非侵入性预测。本研究在此基础上采用了集成机器学习与多模态融合策略并在更大规模的多中心队列中进行了验证。Aerts, H. J. et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun 5, 4006 (2014).该论文开创性地提出了从医学影像中提取高通量定量特征影像组学以解码肿瘤表型的方法。本研究利用该理念从胃癌原发灶CT图像中提取影像组学特征作为构建预测模型的核心组成部分。Ding, P. et al. Interpretable Multimodal Fusion Model Enhances Postoperative Recurrence Prediction in Gastric Cancer. Adv Sci (Weinh) 12, e08190 (2025).该研究由本团队发表提出了可解释的多模态融合模型框架用于预测胃癌术后复发。本研究沿用了相似的多模态整合与模型构建思路并将其应用于术前隐匿性腹膜转移的预测任务。Chen, Y. et al. Predicting response to immunotherapy in gastric cancer via multi-dimensional analyses of the tumour immune microenvironment. Nat Commun 13, 4851 (2022).该研究通过多维分析肿瘤免疫微环境来预测胃癌免疫治疗反应。本研究的转录组学分析部分参考了该文的思路旨在揭示预测模型风险分层背后的免疫生物学机制将影像学风险与肿瘤免疫微环境特征相关联。