01
导语
各位同学，大家好。做影像组学如果只停留在“提取特征—建个模型—算个AUC”，那就像算命算得挺准，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。今天咱们就通过这篇《Temporal radiomics for non‑invasive preoperative prediction of pCR in NSCLC》文献，看看作者如何巧妙地将治疗前后的动态CT变化与肿瘤异质性、免疫微环境重塑、退缩模式等生物学机制挂靠，而不是简单堆特征。从delta特征设计到SHAP个体化解释，每一步都在努力回答“为什么这个特征能预测pCR”。咱们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：Temporal radiomics for non-invasive preoperative prediction of pathologic complete response to neoadjuvant chemoimmunotherapy in non-small cell lung cancer
（时间影像组学在非小细胞肺癌新辅助化学免疫治疗后病理完全缓解的无创术前预测）
★期刊：《Cancer Biology & Medicine》（中科院2区，IF=8.4）
★研究疾病：非小细胞肺癌（NSCLC）
★生物学机制：肿瘤异质性、免疫微环境重塑及退缩模式
★发表时间：2026年1月
02
研究背景-从 “临床问题” 落到 “生物学问题”
非小细胞肺癌（NSCLC）是肺癌的主要亚型，即使接受手术切除，复发和转移风险仍然较高。近年来，新辅助化疗联合免疫治疗（NCI）显著提高了病理完全缓解（pCR）率，但临床研究显示，仅有17%–41%的患者能够达到pCR。术前准确识别pCR患者，有助于避免不必要的手术创伤，甚至探索“等待观察”策略，尤其对于身体状况差或需行全肺切除的高危人群。然而，目前pCR的评估仍依赖术后病理检查，无法在术前实现无创预测。影像学检查如CT和PET虽然可动态监测肿瘤变化，但影像学缓解与病理缓解之间存在明显不一致：例如NADIM试验中，33%的影像学稳定患者和73%的部分缓解患者实际达到了pCR。这种“影像-病理”鸿沟提示，单纯依靠肿瘤大小或常规影像征象难以准确反映治疗诱导的生物学变化。事实上，肿瘤对NCI的响应不仅体现为体积缩小，更涉及内部异质性改变、坏死与纤维化、免疫微环境重塑、细胞密度变化等一系列深层生物学过程。这些过程在常规影像上往往表现为灰度分布、纹理模式、边缘特征的细微变化，难以用肉眼识别。影像组学（Radiomics）通过高通量提取影像中的定量特征，有望捕捉这些亚视觉生物学信号。已有研究表明，基于PET/CT或单时间点CT的影像组学模型可预测pCR，但基于治疗前后双时间点CT的“时间影像组学”是否能够反映治疗诱导的生物学演化过程，并进一步提升pCR预测能力，目前尚缺乏系统性研究。因此，亟需构建一种融合时间维度的影像组学模型，从动态影像中挖掘与pCR相关的生物学机制信息，实现术前无创、精准的疗效预测。
03
研究目的（明确写出“三层目的”）
本研究旨在开发并验证一种基于治疗前后双时间点CT扫描的时间影像组学模型，用于术前无创预测接受新辅助化疗免疫治疗的NSCLC患者是否达到pCR。具体而言，本研究包含三个层次的目的：第一，临床应用层——构建一个仅依赖非增强CT、可广泛推广的预测工具，帮助临床医生在术前识别出可能达到pCR的患者，从而支持个体化治疗决策（如避免过度手术、缩小淋巴结清扫范围或探索等待观察策略）。第二，方法学对比层——系统比较三类不同来源的影像组学特征在预测pCR中的性能差异：①治疗前特征（反映基线肿瘤异质性）；②治疗后特征（反映治疗后的形态与纹理重塑）；③delta特征（即治疗前后特征的相对变化量，反映肿瘤表型的动态演化）。通过这种对比，明确时间动态信息是否显著优于单时间点信息，并为后续模型融合提供依据。第三，生物学机制挂靠层——探索delta特征是否能作为治疗诱导的生物学变化的影像替代标志物。具体来说，研究试图回答：影像组学特征的变化（如灰度不均匀性下降、纹理强度改变、形态扁平化）是否与已知的NCI响应机制（如肿瘤细胞减少、坏死/纤维化增多、免疫浸润增强、微环境重塑）存在对应关系。通过SHAP可解释性分析和个体化预测可视化（Waterfall图），本研究希望从影像特征层面反向推断其潜在的生物学意义，从而不仅“预测”pCR，更能“解释”为何某些患者能获得pCR。最终，通过整合最优特征构建联合模型，实现预测性能与可解释性的双重提升。
04
研究思路（最核心：怎么挂靠机制）
本研究的核心思路是：将时间维度嵌入影像组学特征设计，使影像表型的动态变化直接挂靠到肿瘤对NCI的生物学响应机制上。首先，数据构建：回顾性收集来自三个医疗中心的263例接受NCI后手术的NSCLC患者，所有患者均具有治疗前和治疗后两次非增强CT图像。由两名放射科医生在3D Slicer上半自动勾画肿瘤 ROI，提取107个基础影像组学特征（包括一阶统计、形状、GLCM、GLRLM、GLSZM、GLDM、NGTDM等），并在原始图像及多种滤波图像（小波、LoG、梯度、LBP等）上重复提取，最终获得数千个特征。第二，delta特征计算：对每个特征，计算其治疗前后的相对变化量：Δ = (Post − Pre) / Pre。这一设计的生物学假设是：Δ值反映了治疗诱导的肿瘤表型演化速度与方向，例如灰度归一化（Δ负值）提示细胞密度下降，纹理强度降低（Δ负值）提示坏死或纤维化，形态扁平化（Δ负值）提示肿瘤退缩模式。第三，模型构建与对比：分别基于治疗前特征、治疗后特征、delta特征，使用LASSO+逻辑回归构建三个独立模型，再整合三个模型中的最优特征构建联合模型。通过内部验证和外部验证（两个独立中心），比较各模型的AUC、灵敏度、特异度。第四，机制挂靠的关键步骤——可解释性分析：采用SHAP方法，计算每个特征对预测pCR的贡献方向与幅度。例如，若wavelet-HLL_ngtdm_Strength_delta的高值（正贡献）与pCR强相关，则结合文献推断该特征反映局部灰度强度变化，进而推测与免疫细胞浸润或肿瘤微环境重塑相关。同时，通过个体化Waterfall图展示典型患者的特征贡献路径，使机制推断从群体水平延伸到个体水平。第五，验证与讨论：通过决策曲线分析评估临床净获益，并在讨论中坦诚指出机制推断的局限性（缺乏IHC或基因组直接验证），同时提出未来将影像组学与多组学数据融合以直接验证机制假设。这一思路实现了从“影像表型变化”到“生物学过程推断”再到“临床决策支持”的完整逻辑闭环。
图 1（研究设计流程图）：该图展示了从NSCLC患者治疗前后CT影像到预测pCR的完整流程。首先对肿瘤进行分割，分别提取治疗前、治疗后的影像组学特征，并计算delta特征（相对变化量）。随后构建治疗前、治疗后、delta及联合四个模型，并在内部与外部测试集中评估。这一设计体现了时间维度挂靠机制的核心思想：delta特征旨在捕捉治疗诱导的肿瘤表型演化，如异质性下降、纤维化或免疫浸润，从而将动态影像变化与生物学响应过程直接关联。
05
数据和方法（机制部分怎么设计）
数据：共纳入263例接受新辅助化疗免疫治疗后手术的可切除NSCLC患者，来自三家医院。其中153例（医院1）按7:3随机分为训练集（106例）和内部测试集（47例），110例（医院2和3）作为外部测试集。
方法：获取治疗前后非增强CT → 半自动勾画肿瘤ROI → 提取原始及滤波图像中的影像组学特征 →计算delta特征（相对变化量 Δ = (Post−Pre)/Pre）→ 特征筛选（ICC>0.75、ANOVA、Spearman相关、LASSO） → 构建加权二元逻辑回归模型（治疗前、治疗后、delta及联合模型） → 评估性能（AUC、灵敏度、特异度、决策曲线） → SHAP进行模型可解释性分析（全局与个体特征贡献）。
06
研究结果（“从表型到机制”）
①患者特征与单时间点模型表现：训练集pCR率为47.2%，外部测试集为35.5%。治疗前模型外部AUC仅0.62，治疗后模型外部AUC为0.65，提示单时间点CT特征预测pCR能力有限且泛化性差。
②动态模型显著提升预测性能：Delta模型（基于治疗前后相对变化特征）外部AUC达0.72，优于单时间点模型。联合模型整合三类最优特征后，外部AUC进一步提升至0.78，为所有模型中最优，证实时间动态信息对预测pCR的关键价值。
图 2（模型性能比较）：该图包含ROC曲线和柱状图，比较四个模型在训练、内部测试及外部测试集中的AUC、敏感度和特异度。结果显示，联合模型的AUC最高（训练集0.89，外部测试集0.78），delta模型（外部0.72）显著优于治疗前模型（0.62）。从机制角度看，delta特征之所以表现更优，是因为其反映了治疗诱导的灰度归一化、纹理均匀化等变化，这些变化在生物学上对应肿瘤细胞减少、坏死/纤维化增多，而单时间点特征难以捕捉这种动态过程。
图 3（预测概率箱线图）：该图展示了四个模型在pCR与非pCR组中预测概率的分布差异。在联合模型中，pCR组的预测概率中位数显著高于非pCR组，且两组分布分离明显（Mann-Whitney U检验显著）。这一结果从表型‑机制一致性角度支持了模型的有效性：pCR患者通常表现为治疗后影像特征剧烈演化（如delta特征高值），反映出有效的免疫微环境重塑和肿瘤退缩；而非pCR患者则表现为特征变化微弱，提示原发耐药或免疫逃逸。
图 4（决策曲线）：该图评估了四个模型的临床净获益。联合模型在阈值概率0.12–0.55范围内净获益为正，优于“全部治疗”或“全部不治疗”策略，且在阈值0.25时净获益最高。这从临床决策角度验证了模型的实用价值。结合机制分析，该模型能够通过捕捉动态影像‑生物学响应来精准筛选pCR患者，从而帮助临床医生避免不必要的手术创伤或过度淋巴结清扫，尤其适用于免疫治疗后可能实现病理完全缓解的高危人群。
③临床实用性与机制可解释性：联合模型在阈值概率0.12–0.55范围内净获益为正，临床决策价值高。SHAP分析显示，wavelet‑HLL_ngtdm_Strength_delta贡献最大，其高值与肿瘤退缩机制相关，而治疗后球形形态（Flatness）负向影响pCR。
图 5（SHAP特征重要性图）：该图按平均绝对SHAP值降序排列各模型中的特征贡献。在联合模型中，wavelet‑HLL_ngtdm_Strength_delta 排名第一，表明治疗前后局部灰度强度变化是预测pCR的最强因子。从生物学机制推断，该特征的高值可能反映免疫细胞浸润导致的微环境异质性改变或肿瘤细胞密度下降。此外，original_shape_Flatness_posttreatment 的负向贡献提示球形形态与低pCR相关，机制上可能对应向心性退缩不完全而非纤维瘢痕样退缩。
图 6（SHAP全局摘要图）：该图展示了每个特征对预测结果的正负影响及其分布。例如，wavelet‑HLL_ngtdm_Strength_delta 的高值（红色）集中在正SHAP区，提示特征值升高强烈指向pCR；而original_shape_Flatness_posttreatment 的高值多出现在负SHAP区，表明治疗后肿瘤越扁平（Flatness低）越可能pCR。这一模式支持了机制假设：真正的病理完全缓解往往伴随不规则退缩和纤维牵拉（扁平形态），而非均匀向心性缩小（球形），后者可能残留活性肿瘤细胞。
图 7（SHAP个体化瀑布图）：该图展示了两个典型患者的特征贡献路径。上图中，wavelet‑HLL_ngtdm_Strength_delta 的正向贡献（+7.83）主导了预测，将基础概率0.851提升至接近1，提示该患者治疗前后局部纹理强度剧烈变化，机制上对应于有效的免疫激活和肿瘤退缩。下图中，original_shape_Flatness_posttreatment 的负向贡献（-1.446）拉低了预测概率，表明治疗后肿瘤形态接近球形，机制上可能对应残留肿瘤组织或纤维化不完全。这种个体化解释直接连接了影像表型变化与肿瘤生物学响应状态。
07
讨论（把机制故事讲圆）
本研究通过构建时间影像组学模型，成功实现了对NSCLC新辅助化疗免疫治疗pCR的术前无创预测，其核心创新在于将治疗前后的动态影像变化直接挂靠到肿瘤生物学响应机制。Delta模型（AUC 0.72–0.85）显著优于单时间点模型，提示肿瘤表型的时空演化比任何单一时间点的快照更能反映治疗诱导的深层生物学过程。具体而言，所选出的delta特征如wavelet‑HLL_ngtdm_Strength_delta与局部灰度强度变化相关，结合文献可推断其背后机制可能为免疫细胞浸润、肿瘤细胞密度下降或微环境基质重塑；而log‑sigma‑5‑0‑mm‑3D_glrlm_GrayLevelNonUniformityNormalized_delta的降低则提示治疗后灰度分布趋于均匀化，这与坏死、纤维化导致肿瘤异质性下降的生物学过程一致。联合模型进一步整合了治疗前的基线异质性特征（如original_glcm_ClusterProminence）和治疗后的形态特征（如original_shape_Flatness_posttreatment），实现了从“基线潜能”到“即时响应”再到“动态演化”的全维度机制覆盖。值得注意的是，治疗后肿瘤形态呈球形（Flatness负向贡献）与低pCR相关，这一反直觉发现可能提示：真正的病理完全缓解往往伴随不规则退缩、纤维牵拉或瘢痕样改变，而非简单的向心性均匀缩小。SHAP个体化瀑布图进一步展示了不同患者的机制路径差异：高delta特征贡献的患者通常表现为显著的影像表型演化，提示免疫系统被有效激活；而低delta贡献且治疗后形态仍规则的患者，则可能提示原发耐药或免疫逃逸。尽管本研究缺乏直接的病理组学或基因组学验证，但其影像‑机制推论链条——通过可解释性分析、文献支持和多模型对比——已为后续研究提供了清晰的可验证假设。未来若将时间影像组学与液体活检（ctDNA动态变化）、多重免疫组化（治疗前后配对标本）相结合，有望直接证实delta特征与免疫微环境重塑之间的因果关系，从而真正“打开黑箱”。
08
这篇文献的可借鉴思路
本研究为影像组学如何挂靠生物学机制提供了一个可复制的范式，值得后续研究者借鉴。第一，主动引入时间维度。大多数影像组学研究仅基于单时间点（如治疗前），而本研究证明治疗前后的相对变化量（delta特征）才是承载生物学动态信息的核心载体。建议在类似疗效预测或耐药监测的研究中，至少采集两个时间点的影像，并设计合理的归一化公式（如相对变化或对数比），将“变化”本身作为特征输入。第二，构建“特征‑机制”假设桥梁。不要满足于仅输出一个预测概率，而应为每一种入选的影像组学特征赋予合理的生物学解释。例如，GLCM的ClusterProminence可关联细胞聚集模式，GLRLM的ShortRunHighGrayLevelEmphasis可关联灰度均匀性（提示坏死/纤维化），NGTDM的Strength可关联局部异质性（提示免疫浸润）。这种先验生物学锚定能显著增强模型的可信度和可解释性。第三，多模型对比设计是论证动态特征必要性的关键。本研究通过依次构建治疗前、治疗后、delta、联合四个模型，并用统计检验（DeLong）证明联合模型显著优于单时间点模型，从而严谨地论证了时间信息的增量价值。建议在设计类似研究时，始终设置“单时间点基线模型”作为对照，避免直接堆砌特征。第四，充分利用SHAP等可解释性工具，不仅展示全局特征重要性，更要展示个体化预测路径（如Waterfall图）。这能让审稿人和读者直观理解：某位患者为何被预测为pCR——是因为delta特征发生了剧烈变化（提示有效免疫响应），还是因为治疗后形态特征有利。这种从群体到个体的机制落地，是连接影像表型与临床决策的关键桥梁。第五，坦诚承认机制推断的局限性，并明确指出验证方向。本研究在讨论中多次强调“缺乏直接生物学验证”，同时提出未来可结合多组学数据。这种谦逊而前瞻的写法反而提升了论文的学术严谨性，也为作者自己的后续工作预留了空间。综上，“时间化、机制化、可解释化、对比化”是影像组学从单纯“特征工程”走向“科学发现”的四个核心支点。
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。这篇文献告诉我们：引入时间维度（delta特征）本身就是一种强有力的机制锚定——变化往往比状态更能反映治疗诱导的生物学过程；多模型对比（治疗前 vs 治疗后 vs delta vs 联合）能严谨地论证动态信息的增量价值；而SHAP可解释性分析则把群体预测延伸到个体路径，让每个患者的预测结果都能找到影像‑机制对应关系。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：Zheng S, Wang S, Feng Z, Liang J, Liu J, Yang X, Zhang Z, Cui Y, Xie J, Fan S, Wang J, Liao G, Zhou H, Ye Z, Xiao J, Shi L, Cui X, Yue D. Temporal radiomics for non-invasive preoperative prediction of pathologic complete response to neoadjuvant chemoimmunotherapy in non-small cell lung cancer. Cancer Biol Med. 2026 Jan 14;23(2):294–309. doi: 10.20892/j.issn.2095-3941.2025.0327.
