这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
主要作者及机构
本研究的作者包括Xiao Fan、Jintan Li、Bin Huang、Hongyu Lu、Chenfei Lu、Minhong Pan、Xiefeng Wang、Hongjian Zhang、Yongping You、Xiuxing Wang、Qianghu Wang和Junxia Zhang。他们分别来自南京医科大学第一附属医院神经外科、南京医科大学生物信息学系、南京医科大学脑肿瘤研究所、南京医科大学基础医学院、南京医科大学第一附属医院病理科以及南京医科大学生物医学工程与信息学院医学信息学系。该研究发表于《Cancer Letters》期刊，接收日期为2023年8月30日。
学术背景
本研究聚焦于胶质瘤（glioma）的诊断和治疗，特别是通过非侵入性影像学技术（radiomics）预测肿瘤微环境（tumor microenvironment, TME）中的巨噬细胞浸润（macrophage infiltration）。胶质瘤是一种侵袭性强、预后差的肿瘤，尽管目前采用手术、放疗和化疗的联合治疗，但效果仍不理想。近年来，越来越多的研究探索胶质瘤的生物学特征，以寻找新的诊断和预后标志物。例如，异柠檬酸脱氢酶（isocitrate dehydrogenase, IDH）状态已被纳入精准医学，而胶质母细胞瘤（glioblastoma, GBM）也被分为四种分子亚型用于临床管理。然而，获取这些标志物或分子分型通常需要通过侵入性手术或活检，存在较大风险且往往导致信息滞后。因此，开发一种术前非侵入性方法对当前胶质瘤管理框架具有重要意义。磁共振成像（magnetic resonance imaging, MRI）是胶质瘤的主要诊断手段，而影像组学（radiomics）技术能够从MRI中提取高通量特征并量化肿瘤异质性。本研究旨在通过影像组学模型预测胶质瘤患者的预后，并探索其与肿瘤微环境（特别是巨噬细胞浸润）的关系。
研究流程
本研究包括多个步骤，具体如下：
1. 患者招募与数据获取：研究采用多中心回顾性设计，包括南京医科大学第一附属医院（JSPH）、癌症基因组图谱（The Cancer Genome Atlas, TCGA）和分子脑肿瘤数据存储库（Repository of Molecular Brain Neoplasia Data, REMBRANDT）三个数据集。从JSPH连续招募了338名胶质瘤患者，纳入标准包括年龄≥19岁、术前MRI扫描包含T2加权成像（T2-weighted imaging, T2WI）、术后生存期≥4周，并排除MRI质量差、多灶性肿瘤或合并其他肿瘤的患者。此外，还从TCGA和REMBRANDT数据集中分别招募了252名和74名患者。所有患者被分为发现队列（n=495）和独立验证队列（n=169）。
2. MRI预处理与特征提取：对多中心MRI数据进行预处理，包括噪声去除、偏置场校正、图像重采样和脑提取。采用半自动方法绘制肿瘤和水肿区域的体积感兴趣区（volumetric region of interest, VOI），并使用Python中的“pyradiomics”包提取1874个影像组学特征（radiomics features, Rads）。通过类内相关系数（intraclass correlation coefficient, ICC）筛选出1402个稳定特征用于后续模型构建。
3. 机器学习模型构建：采用多步后处理工作流，通过Cox回归、LASSO回归和随机生存森林变量筛选（random survival forest variable hunting, RSFVH）算法筛选出20个影像组学特征，并构建影像组学生存标志物（radiomics survival biomarker, RadSurv）。通过Kaplan-Meier分析和Cox回归评估模型的预后性能。
4. 功能注释与免疫浸润分析：对影像组学特征进行功能注释，探索其与肿瘤微环境和巨噬细胞浸润的关系。采用CIBERSORT算法估计22种免疫细胞亚型的丰度，并通过免疫组织化学染色（immunohistochemical staining, IHC）和单细胞RNA测序（single-cell RNA sequencing, scRNA-seq）验证结果。
主要结果
1. 影像组学模型构建与验证：通过多步后处理工作流，筛选出20个影像组学特征并构建RadSurv。模型在低级别胶质瘤（lower-grade glioma, LGG）、胶质母细胞瘤（GBM）和所有胶质瘤病例中均表现出优异的预后分层性能。Kaplan-Meier曲线和Cox回归分析显示，RadSurv在发现队列和验证队列中均具有显著预后价值（p<0.05）。
2. RadSurv与巨噬细胞浸润的关系：研究发现，RadSurv与巨噬细胞浸润呈正相关（rMφ = 0.297, p<0.001; rM2φ = 0.241, p<0.001），这一结果通过免疫组织化学染色和单细胞RNA测序进一步验证。
3. 功能注释与肿瘤微环境分析：影像组学特征与免疫系统过程和巨噬细胞浸润显著相关。研究发现，肿瘤纯度与RadSurv呈负相关，而免疫评分和基质评分与RadSurv呈正相关，表明肿瘤微环境中基质和免疫成分的丰富性与肿瘤进展密切相关。
结论
本研究成功构建了一种基于术前T2加权成像的影像组学模型，能够有效预测胶质瘤患者的预后，并揭示其与肿瘤微环境和巨噬细胞浸润的显著相关性。这一发现表明，术前影像组学模型可以作为一种非侵入性工具，用于评估胶质瘤患者的巨噬细胞浸润水平，为免疫治疗提供临床指导。此外，本研究还展示了影像组学在肿瘤微环境研究中的潜力，为未来开发更精准的定量预测模型奠定了基础。
研究亮点
1. 基于多中心MRI数据构建了高度稳定的术前胶质瘤预后模型。
2. 影像组学特征能够反映肿瘤微环境的异质性。
3. 影像组学生存标志物与巨噬细胞浸润显著相关。
4. 影像组学模型在预测巨噬细胞浸润方面具有重要价值。
5. 影像组学技术有望为胶质瘤免疫治疗提供临床指导。
其他有价值的内容
本研究还探讨了影像组学特征与免疫系统过程和肿瘤微环境的关系，揭示了肿瘤纯度、免疫评分和基质评分与RadSurv的相关性。此外，研究还通过免疫组织化学染色和单细胞RNA测序验证了影像组学模型的结果，进一步增强了研究的可靠性和科学性。