OnekeyAI免代码影像组学在结直肠癌肺转移患者术后预后预测研究中的应用

一、论文基本信息

论文标题：Development of a novel combined nomogram model integrating deep learning-pathomics, radiomics and immunoscore to predict postoperative outcome of colorectal cancer lung metastasis patients

发表期刊：Journal of Hematology & Oncology（JCR Q1，血液肿瘤领域权威期刊）

发表时间：2022年

DOI：10.1186/s13045-022-01225-3

研究类型：单中心回顾性研究，整合深度学习病理组学、影像组学、免疫评分与临床因素的多组学预后研究

核心目的：构建整合机器学习病理组学、影像组学特征、免疫评分（Immunoscore）及临床因素的列线图模型，预测结直肠癌（CRC）肺转移患者术后总生存期（OS）和无病生存期（DFS），为患者风险分层及个体化治疗方案制定提供依据。

研究数据：共纳入103例仅发生肺转移且接受根治性肺切除术的CRC患者；所有患者均有H&E染色病理全切片、影像学检查资料及完整临床随访数据（随访至患者死亡或研究截止）；采用弱监督方式进行切片层面卷积神经网络训练，结合CD3+、CD8+细胞密度计算免疫评分。

核心结论：成功构建病理组学和影像组学签名，两者均与免疫评分呈负相关，且三者均为OS和DFS预测的独立预后因素；整合四者的联合列线图模型效能最优，预测OS的AUC=0.860，预测DFS的AUC=0.875，校准曲线和决策曲线分析证实其具有良好的临床实用性，显著优于单一预测指标。

二、OnekeyAI免代码影像组学在本研究中的应用介绍

　　本研究核心在于整合病理组学、影像组学、免疫评分与临床因素构建预后预测模型，全流程从病理/影像预处理、特征提取、筛选、建模到效能验证，均依托OnekeyAI免代码影像组学平台自动化完成，无需编写代码、无需手动调试算法，完美适配多组学整合研究需求，以下为功能对应介绍与论文配图说明。

一、研究整体流程（对应论文 Figure 1a、Figure 2）

　　OnekeyAI实现零代码全流程复现：病理全切片/影像学影像导入→标准化预处理→病理组学/影像组学特征提取→SMOTE样本平衡→特征筛选→免疫评分计算→多模型构建→列线图融合→ROC/校准曲线/DCA多维度效能验证。

　　✅ 插入图片：Figure 1a 联合预测模型示意图

　　✅ 插入图片：Figure 2 模型效能评估相关图表（ROC、校准曲线、DCA曲线）

二、OnekeyAI各项功能在论文中的具体使用

1. 病理全切片与影像学影像标准化预处理

使用模块：OnekeyAI — 数字病理+影像标准化预处理模块

　　平台同步完成两类影像的标准化处理，贴合论文实验流程：针对H&E染色病理全切片，自动完成分辨率统一、去模糊、去背景、去噪声处理，剔除低质量区域，保障切片清晰度；针对影像学影像，自动进行灰度归一化、伪影去除，统一扫描参数带来的系统误差，为后续特征提取奠定稳定数据基础，全程无需手动调整参数。

2. 病理组学特征提取与签名构建

使用模块：OnekeyAI — 深度学习病理组学模块（WSISA框架）

　　平台内置论文所用的全切片组织病理学影像生存分析框架（WSISA），采用弱监督方式进行切片层面卷积神经网络训练，自动从H&E染色病理全切片中提取特征，最终筛选出5个全切片特征，构建病理组学预后模型，可自动区分生存结局较差的患者（OS预测HR=8.09，DFS预测HR=2.51），与论文补充材料Figure S1结果完全契合。

　　✅ 插入图片：Additional file 2: Figure S1 基于病理组学亚型的OS（a）和DFS（b）Kaplan-Meier生存曲线

3. 影像组学特征提取、筛选与签名构建

使用模块：OnekeyAI — 影像组学特征提取与筛选流水线模块

　　平台按论文流程自动完成影像组学全流程操作：一键提取影像学影像高通量特征，采用合成少数类过采样技术（SMOTE）处理样本不平衡问题，结合支持向量机（SVM）分类器筛选特征，最终确定8个核心特征，分别构建OS和DFS预测的影像组学签名；自动设定50%预测分数为阈值，将患者分为高低风险亚型，两组患者DFS和OS存在显著差异（均P<0.001），与论文补充材料Figure S2、Figure S3完全一致。

　　✅ 插入图片：Additional file 2: Figure S2 影像组学模型中筛选出的特征箱线图（DFS预测a、OS预测b）

　　✅ 插入图片：Additional file 2: Figure S3 基于影像组学亚型的DFS（a）和OS（b）Kaplan-Meier生存曲线

4. 免疫评分（Immunoscore）计算与分析

使用模块：OnekeyAI — 免疫细胞密度分析与免疫评分模块

　　平台支持自动量化分析病理切片中CD3+、CD8+细胞密度，按论文标准计算免疫评分：评估转移瘤侵袭边缘和中心区域的CD3+、CD8+细胞密度，以75百分位为阈值，将患者分为高免疫评分组（20.4%）和低免疫评分组；自动分析免疫评分与患者生存的关联，证实高免疫评分患者具有更优的DFS和OS，同时验证免疫评分与病理组学/影像组学评分的负相关关系，与论文补充材料Figure S4、Figure S5、Figure S6完全对应。

　　✅ 插入图片：Additional file 2: Figure S4 CRC肺转移患者免疫评分的百分位分布图

　　✅ 插入图片：Additional file 2: Figure S5 基于免疫评分的OS（a）和DFS（b）Kaplan-Meier生存曲线

　　✅ 插入图片：Additional file 2: Figure S6 高低免疫评分组病理组学/影像组学评分对比及分布关联图

5. 临床数据统计与多因素分析

使用模块：OnekeyAI — 临床数据统计与多因素Cox分析模块

　　平台自动导入患者临床资料（性别、肿瘤部位等），自动完成组间差异检验和多因素Cox回归分析：分类变量采用卡方检验，连续变量采用相应的参数/非参数检验；通过多因素分析调整临床病理变量后，证实病理组学签名、影像组学签名、免疫评分均为OS和DFS预测的独立预后因素，自动生成顶刊标准统计表格，与论文补充材料Table S1、Table S3格式、数据完全匹配。

　　✅ 插入图片：Additional file 3: Table S1 CRC肺转移患者的临床病理特征表

　　✅ 插入图片：Additional file 3: Table S3 OS和DFS的多因素Cox分析表

6. 多因素联合列线图构建与可视化

使用模块：OnekeyAI — 多组学融合列线图模块

　　平台基于多因素Cox分析结果，一键构建两类联合列线图模型：OS预测列线图整合性别、免疫评分、病理组学签名、影像组学签名；DFS预测列线图额外纳入肿瘤部位这一独立预后因素；列线图清晰展示各预测因子的权重及评分标准，支持临床医师快速量化评估患者术后OS和DFS风险，图表格式规范可直接用于论文发表，完美复刻论文Figure 1b、Figure 1c样式。

　　✅ 插入图片：Figure 1b 用于OS预测的联合列线图

　　✅ 插入图片：Figure 1c 用于DFS预测的联合列线图

7. 模型多维度效能评估与可视化

使用模块：OnekeyAI — 模型效能全面评估模块

　　平台自动完成模型效能验证，生成全套论文所需可视化图表：绘制各模型（联合列线图、病理组学签名、影像组学签名、免疫评分）的ROC曲线，计算AUC值（OS预测AUC=0.860，DFS预测AUC=0.875），对比各模型效能差异；生成校准曲线，验证列线图预测值与实际值的一致性；开展决策曲线分析（DCA），量化联合列线图的临床净获益，证实其临床实用性优于单一预测指标，与论文Figure 2a-f完全契合。

　　✅ 插入图片：Figure 2a OS预测各模型ROC曲线

　　✅ 插入图片：Figure 2b DFS预测各模型ROC曲线

　　✅ 插入图片：Figure 2c OS预测列线图校准曲线

　　✅ 插入图片：Figure 2d DFS预测列线图校准曲线

　　✅ 插入图片：Figure 2e OS预测各模型DCA曲线

　　✅ 插入图片：Figure 2f DFS预测各模型DCA曲线

三、OnekeyAI功能—论文步骤对应总表

四、总结

　　本研究聚焦结直肠癌肺转移患者术后预后预测这一临床痛点，通过多组学整合构建高效预测模型，而OnekeyAI免代码影像组学平台实现了从影像预处理、特征提取、筛选、免疫评分计算，到多模型构建、列线图融合及全维度效能验证的全流程自动化操作，无需编写代码、无需手动处理高维数据。

　　平台各项功能与论文研究步骤高度契合，自动生成论文所需的生存曲线、特征箱线图、统计表格、列线图及效能评估图表，所有成果均可直接用于期刊发表，大幅缩短科研周期。最终助力研究构建出效能优异的联合列线图模型，为结直肠癌肺转移患者的风险分层和个体化治疗提供了可靠工具，充分印证了OnekeyAI在多组学整合预后研究中的专业性与实用性，是临床科研人员开展肿瘤预后研究的高效助力。

OnekeyAI相关资源

视频课程、安装包与高分文献合集

百度网盘链接:https://pan.baidu.com/s/5cCMp3behGIUXOVUoJFc2-w