0 引言

       乳腺癌是女性最常见的癌症^[1]。肿瘤微环境（tumor microenvironment, TME）是由非肿瘤细胞成分组成的肿瘤周围环境，在肿瘤进展、转移和治疗反应中发挥关键作用^{[2, 3]}。影像组学通过算法提取的高维定量数据（如纹理、小波特征）揭示影像数据中的更丰富信息，以无创手段获取肿瘤血流灌注、细胞外水含量等定量数据，进而实现肿瘤内部异质性可视化^{[4, 5]}，其中磁共振成像（magnetic resonance imaging, MRI）作为一项主要影像技术广泛应用于TME的研究^[6]。与此同时，基因组学、转录组学、蛋白质组学和代谢组学等多组学技术的发展，为解析TME的分子基础和调控机制提供了重要支撑。基于MRI的影像组学与多组学数据的整合，可以综合分析肿瘤细胞、免疫细胞和基质细胞的基因表达、蛋白质表达和代谢产物，从而全面评估TME以及揭示TME在治疗过程中的动态变化^{[7, 8, 9]}，建立宏观影像表型与微观分子特征之间的桥梁，深入探究TME分子机制，从而为乳腺癌精准诊疗提供帮助。目前，针对乳腺癌TME的相关研究不断增多，现有综述^{[10, 11]}多集中于单纯MRI影像组学在乳腺癌诊断、分子分型及疗效预测中的应用，或侧重于单纯分子组学及多组学技术在乳腺癌发生发展机制中的研究，但聚焦基于MRI的影像组学与多组学整合应用的系统性综述仍相对不足。因此，本文以TME为核心生物学主线，综合梳理基于MRI的影像组学及其与不同组学层次整合在乳腺癌TME研究中的应用进展，在兼顾影像表型、生物学机制与临床应用价值的基础上，进一步分析跨模态整合的主要研究路径、方法学挑战及未来转化前景，以期为乳腺癌精准诊疗和临床转化提供参考。

1 文献检索方法

       英文数据库：PubMed、Web of Science Core Collection、Cochrane Library；中文数据库：中国知网（CNKI）、万方数据知识服务平台、维普中文期刊服务平台。文献检索时间：各数据库建库起至2026年4月。

       英文检索词: “breast cancer” “magnetic resonance imaging”“MRI” “radiomics”“tumor microenvironment” “TME” “multi-omics”。英文检索式：“breast cancer” AND（“magnetic resonance imaging” OR “MRI”）AND（“radiomics” OR “multi-omics”）AND（“tumor microenvironment” OR “TME”）。

       中文检索词：“乳腺癌”“肿瘤微环境”“TME”“磁共振成像”“影像组学”“多组学”。中文检索式：“乳腺癌”AND“磁共振成像”AND（“影像组学”OR “多组学”）AND（“肿瘤微环境”OR“TME”）。

       文献纳入标准：（1）研究对象为乳腺癌；（2）研究内容涉及肿瘤微环境；（3）采用基于MRI的影像组学和/或多组学分析方法；（4）文献类型为原创研究、系统评价或高质量综述；（5）全文可获取。

       文献排除标准：（1）与乳腺癌或肿瘤微环境主题无关；（2）仅涉及其他影像方式而未包含MRI内容；（3）个案报道、会议摘要、重复发表及数据不完整文献；（4）已纳入文献中，发表时间距今超过5年。

2 基于MRI的影像组学预测乳腺癌TME中重要组分

       TME包括与肿瘤细胞相互作用的多种细胞和非细胞组分^{[2, 12]}。细胞组分主要为免疫细胞（如T细胞、B细胞、巨噬细胞等）、癌相关成纤维细胞（cancer-associated fibroblasts, CAFs）、血管细胞内皮细胞等，非细胞组分主要为细胞外基质（extracellular matrix, ECM）和各种信号分子。MRI方式包括T1加权成像（T1-weighted imaging, T1WI）、T2加权成像（T2-weighted imaging, T2WI）、扩散加权成像（diffusion-weighted imaging, DWI）及表观扩散系数（apparent diffusion coefficient, ADC）、灌注加权成像（perfusion-weighted imaging, PWI）、扩散峰度成像（diffusion kurtosis imaging, DKI）及增强T1WI等，其中动态对比增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI）因能清晰呈现肿瘤形态特征、解剖结构及血流灌注等信息与动态增强特性，成为应用最广泛的序列之一^{[13, 14]}，基于MRI的影像组学在乳腺癌TME中研究日趋增多^{[14, 15, 16, 17]}。

2.1 免疫细胞浸润

       免疫细胞浸润的程度和类型是影响疾病进展和治疗反应的关键预测指标^[18]。不少学者利用基于MRI的影像组学对肿瘤浸润淋巴细胞（tumor-infiltrating lymphocyte, TIL）、B细胞及巨噬细胞等进行相关研究，取得良好效能^{[19, 20, 21]}。一项多中心研究^[22]纳入453名患者，建立的基于MRI的影像组学模型预测TIL水平验证集曲线下面积（area under the curve, AUC）达到0.756，说明基于MRI的影像组学可有效反映免疫细胞浸润情况。并且，模型纳入组织学分级和Ki-67后稳定性提升，作者认为小波变换可能反映淋巴细胞与肿瘤细胞混合分布的空间异质性，而高Ki-67与高TIL相关，为提升模型可解释性与临床转化提供方向。为弥补影像组学忽视肿瘤异质性的局限，刘晓艳等^[23]结合生境成像建立基于MRI的乳腺癌的TIL预测模型，验证集中的AUC值达到0.825，显著优于全肿瘤预测模型（AUC=0.755），决策曲线分析（decision curve analysis, DCA）证实生境预测模型具有更高的临床价值。对于其他免疫细胞，研究者^[24]联合瘤内与瘤周特征构建影像组学模型来评估M2型巨噬细胞浸润水平，训练集AUC达0.843，校准曲线证实模型具有良好的拟合优度，并证明基于MRI的影像组学模型拥有对具体细胞亚型的高识别度。

       以上表明，基于MRI的影像组学可以评估乳腺癌免疫细胞浸润情况，加入生境分析能进一步提高预测效能。另外，研究多采用DCE-MRI早期或强化最明显期相、DWI及T2WI，IVIM及DKI等功能成像未被纳入研究；且单一的影像组学研究仅止步于联系影像组学特征与细胞浸润程度间相关性，缺乏对深层机制的探究，因此，结合基因组学、转录组学等分子研究方法并利用多种功能成像，可更好地表征TME组分，并为筛选免疫治疗受益人群与选择术式提供帮助。

2.2 肿瘤微血管

       血管生成是肿瘤发展的重要标志，支持肿瘤的生长和转移^{[25, 26]}，MRI在分析肿瘤血管密集度与血流动力学状态以表征肿瘤异质性方面具有天然优势^[15]。研究者^[27]结合肿瘤周围血管和肿瘤内部影像组学特征构建模型，预测三阴性乳腺癌（triple-negative breast cancer, TNBC）新辅助化疗（neoadjuvant chemotherapy, NAC）病理完全缓解（pathological complete response, pCR）。从治疗前DCE-MRI的轴位最大强度投影图像中自动增强和分割血管，发现瘤周血管特征（AUC=0.61~0.77）达到了与瘤内特征（AUC=0.61~0.75）相当的预测效能，暗示血管生成表型与化疗耐药存在深层生物学机制；且最优血管特征均来自灰度差分矩阵（gray-level difference matrix, GLDM），特别是与高低灰度值联合分布的强调特征在非pCR组更为显著，提示瘤周血管生成在非pCR组中表现出更高的异质性。但模型外部验证表现明显下滑，原因可能为GLDM特征捕捉血流动力学的瞬时状态，导致模型在不同注射方案的中心难以复现。未来研究可以纳入DCE-MRI的多时相特征变化率，构建时间-空间影像组学，使特征反映血管结构本身，而非对比剂团注快慢以提升跨中心验证的鲁棒性。

       另有研究者将研究范围拓展至多模态领域，如CASTALDO等^[28]整合DCE-MRI与正电子发射断层成像（positron emission tomography, PET）构建的模型在区分Ki-67高低表达方面取得良好成效（AUC=0.81），研究发现灰度共生矩阵（gray-level co-occurrence matrix, GLCM）类纹理参数与缺氧诱导因子-1α、血管内皮生长因子表达相关，意味着高侵袭亚型血管生成活性更高但分化程度更差，整合灌注与代谢信息，增强了对模型的解释性，为探索乳腺癌TME提供更加全面的视角。不过，该研究排除高阶小波特征与深度学习特征（deep learning signature, DLS），放弃了在频域空间挖掘高维信息的机会。或许可以引入基于对比学习的自监督预训练模型，预训练三维卷积神经网络编码器，将其提取的DLS与手工特征拼接，有效捕捉TME组分细微差异。

       虽然研究者们借助DCE-MRI构建影像组学模型，筛选出血管特征的影像表型，但未充分利用PWI、IVIM及DKI等序列在监测血流灌注与水扩散情况方面的优势。未来研究若将其纳入模型构建，或许可以一站式捕获肿瘤血管的结构与功能异质性，将微观病理生理变化转化为可定量分析的高通量影像数据。

2.3 癌相关纤维

       肿瘤边界具有丰富的细胞外基质重建、免疫调节以及上皮向间充质过渡（epithelial-mesenchymal transition, EMT）^{[29, 30]}。正常的ECM被降解并被肿瘤特异性的ECM所替代，后者通常具有更高的胶原密度及硬度^{[31, 32]}。一项前瞻性队列研究^[2]从多参数MRI序列中提取特征，发现GLCM对比度升高与胶原比例正相关，一阶标准差和能量升高与ECM丰富相关，这与ECM丰富型乳腺癌纤维化、基质僵硬的生物学行为一致,证实影像组学特征能够反映ECM结构（AUC=0.82~0.83）。胶原纤维由CAFs产生，后者作为ECM的主要细胞成分，在乳腺癌的不同进展阶段表现出不同的功能和表型：肌成纤维细胞样CAFs（myofibroblastic CAFs, myCAFs）、炎症性CAFs（inflammatory CAFs, iCAFs）和抗原呈递CAFs（antigen-presenting CAFs, apCAFs），通过基质重塑、炎症因子分泌或抗原呈递调控TME形成^{[33, 34]}。其中以α-平滑肌肌动蛋白与成纤维细胞激活蛋白为标志的myCAFs构成了主要的免疫抑制成分，促进肿瘤进展并形成免疫浸润屏障增强免疫抑制作用^{[35, 36]}。有研究者^[37]基于DCE-MRI构建影像组学模型，无创评估COL1A2（+）MMP1（+/-）CAFs的丰度，模型在训练集与验证集均显示统计学显著的相关性（P<0.05），证实了基于MRI的影像组学在评估CAFs亚型的潜力。

       现有研究揭示了肿瘤边界区域的ECM重构及CAFs的高度异质性是乳腺癌演进的关键驱动力^[38]，并通过基于MRI的影像组学特征初步建立了与CAFs表型关联的无创评估桥梁。但受限于CAFs的高度可塑性及表型多样性，针对CAFs的基于MRI的影像组学研究在乳腺癌中进展缓慢。另外，影像组学特征反映特定区域内整体表现而非单一组分，应当推动多组学深度融合，如借助空间多组学，采用邻近细胞组成而非传统标记，进一步揭示CAFs组织模式，将其与免疫细胞浸润状态、血管生成情况结合，系统性分析肿瘤结构，从不同生态位的角度探查免疫抑制与治疗抵抗深层机制。

       基于MRI的影像组学特征与TME的多种生物学特性，如：免疫浸润、组织缺氧与细胞异质性等存在显著关联，近期有研究者^[39]将酰胺质子转移加权成像衍生的影像组学特征纳入预测模型，以无创评估肿瘤蛋白质代谢水平，证实基于MRI的影像组学特征可以从不同角度捕捉TME信息。这些研究共同奠定了影像组学作为无创性TME评估工具的坚实基础。然而，当前单一影像组学研究所发现关联仍处于统计层面，虽然部分初步关注了模型背后的生物学机制，但其背后明确的生物学机制尚需进一步阐释。

3 基于MRI的影像组学与其他组学联合在乳腺癌TME中的研究进展

3.1 MR影像基因组学在乳腺癌TME中的研究

       MR影像基因组学揭示影像组学特征与基因的内在关联性，用微观的基因表达信号通路解释宏观影像表现。

       有研究^[40]利用MCP-counter算法估算细胞亚群，根据肿瘤与基质间细胞亚群丰度对患者生存情况分组，基于DCE-MRI建立预测模型，发现影像基因组学特征与总生存期（overall survival, OS）（P=0.038）以及无复发生存期（relapse-free survival, RFS）（P=3×10^-4）显著相关，调整临床变量后仍保持独立预后价值（P=0.004），证实了影像基因组学特征具备反映TME情况的能力。TENG等^[41]进一步开发肿瘤异质性指数（tumor heterogeneity index, THI），无创预测RAC-α丝氨酸/苏氨酸蛋白激酶（RAC-alpha serine/threonine-protein kinase, AKT）抑制剂MK2206治疗组pCR。贝叶斯分析证实了THI对AKT抑制剂疗效的特异性预测价值。单样本基因集富集分析发现GLCM与高免疫浸润、低细胞周期活性相关，解释模型深层机制，为相关精准治疗提供无创支撑。另外，JIANG等^[42]计算调节性T淋巴细胞（regulatory T cell, Treg）浸润评估的影像组学评分（radiomics score, RS），成功预测TME中Tregs丰度（验证集AUC=0.733），里程碑分析显示Treg高浸润患者在诊断后的5年（P=0.007）及10年（P=0.018）均表现出更差的OS，且基因集富集结果表明高Treg组中免疫抑制基因显著富集，揭示了该影像标志物预测TME状态的潜在机制，为乳腺癌的免疫治疗监测提供低成本、可重复的方法。

       影像基因组学作为乳腺癌TME中起步较早的研究方法，可重复性较好，但存在单一变异对宏观影像贡献被肿瘤内异质性稀释的问题。当前研究的主要瓶颈集中在术前影像与局部取材的时空不匹配、不同中心扫描与重建参数导致的域偏移，以及外部验证不足影响模型泛化能力。目前研究已逐渐从预测单基因突变向通路层面的基因组表型转型，未来应强化多中心标准化与独立队列验证，提升对TME相关过程的可解释性与可转化性。

3.2 MR影像转录组学在乳腺癌TME中的研究

       MR影像转录组学可以揭示TME内免疫细胞浸润情况，分析其内在生物信号通路，指导免疫治疗的精准实施。

       HAN等^[43]非侵入性分类TME，利用RNA测序数据识别不同TME状态，建立的MR影像转录组学模型对预后显示出较高的预测效能（AUC=0.960），表明其具备作为TME监测标志物的潜力。研究^[44]建立线性回归模型无创预测乳腺癌中γδT细胞丰度，利用CIBERSORTx算法反卷积计算出γδT细胞浸润丰度，研究表明RS与转录组预测的γδT细胞丰度呈强正相关（r=0.94，P=1.3×10^-5），但AUC仅为0.633，提示模型具备一定的区分能力，但尚未达到临床高可靠性标准。SU等^[45]则选取三个小波域和时域影像组学特征无创预测TIL水平（AUC=0.790），通过转录组学证实，高Rad-TIL肿瘤激活抗原加工呈递及PD-1/PD-L1通路，免疫细胞浸润增加及炎症性细胞因子高表达，形成“热”免疫微环境，为无创预测TME组分并解析其形成机制提供良好依据。HUANG等^[46]构建基于纵向MRI空间栖息地影像组学融合模型，对pCR的预测效能（AUC=0.813~0.928）明显优于单时间点（NAC前、中期）模型（AUC=0.752~0.875），研究通过转录组揭示了影像组学特征与B细胞浸润及免疫激活状态密切相关，提升影像转录组学模型预测治疗反应能力并解释相关机制。不过，研究均未验证影像异质性区域是否与病理切片上的TIL局部富集区一一对应，应当结合病理特征构建融合模型，以提升特异度并增强模型可解释性。

       目前的研究说明影像转录组学可以替代活检实时监测TME的动态演变，在治疗前精准筛选免疫治疗优势人群、预测疗效及预后，为乳腺癌的精准诊疗提供全景式评估工具。但现有研究多依赖CIBERSORTx等算法推断细胞丰度，难以精确区分功能状态相近的细胞亚群且无法捕获空间分布信息。应当从传统转录组推断转向单细胞结合空间转录组验证，在单细胞分辨率及原位空间背景下验证影像表型与特定细胞亚群功能状态及邻域关系的对应性，或整合病理信息从根本上克服反卷积算法的局限性。

3.3 MR影像蛋白质组学在乳腺癌TME中的研究

       MR影像蛋白质组串联起影像组学特征与蛋白质表达的内在联系，有助于理解肿瘤发生发展在分子水平与组织水平的变化机制，同时，蛋白质浓度变化有助于靶向药物的选择指导精准治疗。

       DUAN等^[47]开展了影像-蛋白质组学分析，基于ResNet-34架构从T1、T2及ADC图像中提取时空特征构建DL模型预测乳腺癌患者pCR，模型在验证集中AUC达0.958，准确率为92.3%，精确率与召回率均为93.3%（P<0.05），模型性能显著优于基于ImageNet预训练的迁移学习模型（验证集AUC=0.88），表明针对图像特定域从头训练更能捕获与疗效相关的深层表征。并且DL模型在各亚型中AUC仍保持在0.92以上，体现了其良好的泛化能力。研究者进一步通过数据非依赖性采集质谱技术对治疗前穿刺样本进行定量蛋白质组学测序，证实了DLS与细胞膜动力学、细胞骨架重塑及线粒体代谢等蛋白质功能通路显著关联。表明DLS捕捉到TME中与代谢重编程及膜转运相关的蛋白质组学改变，为DLS的临床转化提供了生物学依据。

       影像蛋白组学在乳腺癌TME中的研究总体仍处于探索与积累阶段，其潜在优势在于蛋白质更接近功能执行层，尤其与免疫检查点、ECM重塑及受体活化等关键环节直接相关，但受限于蛋白检测平台差异、可检测靶标数量与覆盖深度以及福尔马林固定石蜡包埋预处理对定量的影响，影像—蛋白层关联的标准化与跨队列复现仍具挑战。

3.4 MR影像病理组学在乳腺癌TME中的研究

       病理组学通过DL算法提取活检全切片图像（whole slide images, WSIs）的形态特征，量化TME细胞组成及空间分布。影像病理组学在提升乳腺癌TME的模型解释性中地位举足轻重。

       研究^[48]发现高胶原基质比例对应低归一化尺寸区域非均匀性（size-zone non-uniformity normalized, SZNN），说明胶原含量高的肿瘤细胞外基质更“刚性”，限制了肿瘤细胞的混乱增殖和空间异质性，影像上表现为更均匀的灰度分布，搭建起影像及病理数据的联系桥梁。该研究中SZNN为pCR的最佳影像预测指标（AUC=0.89），实现了100%特异度，将WSI与影像组学特征直接关联分析，一定程度上解决了传统影像组学的“黑箱”难题。YUAN等^[16]在此基础上从决策层融合并开发深度学习影像病理组学模型（deep feature-based patho-radiomic model, DFPM），发现单一影像组学模型预测NAC后7年OS时AUC为0.78，而DFPM在训练集与测试集中的AUC分别提升至0.91和0.87，效能显著优于基于pCR或临床TNM分期的模型（AUC=0.45~0.53）。研究指出，基于MRI的影像组学特征及融合模型能量化残余病灶的动态演进异质性，且影像病理组学模型表现出更优异的NAC治疗的生存预测性能（一致性指数为0.85），为临床评估远期疗效提供新型预测指标。然而，部分DLS仍属于“黑箱”范畴，难以直接关联特定的免疫组化指标或基因突变状态，需要整合基因及转录等多组学进一步探索TME形成的深层机制。

       已有的研究表明影像组学可以从宏观上无创获取细胞形态与空间分布等病理学信息，但目前的融合多为决策层或特征层拼接，忽略了标准MRI与病理图像分辨率差距。另外，手术切除和包埋过程导致组织发生扭曲、皱缩和旋转，增加二者配准难度。亟需引入空间转录组学对MRI的宏观影像组学特征与微观区域内的特异性基因表达进行空间映射，并应用梯度加权类激活映射等可视化技术定位DL网络关注的病理区域，反向指导影像组学特征筛选。

       综上所述，影像组学与其他组学的联合为乳腺癌TME的机制研究贡献极大力量，该联合策略通常分别对影像组学与基因组、转录组、蛋白组、病理组等数据进行预处理、特征筛选与建模，再进行拼接或堆叠构建最终预测模型，实现成本相对较低，便于在样本量有限的情况下获得较稳定的模型，同时，各模态贡献相对易于分解与阐释，更符合临床可解释性需求，且一定程度上可通过子模型策略缓解单一模态缺失带来的影响。但其对影像表型与分子层面之间的高阶非线性交互捕获能力也因此受限，简单拼接亦可能引入特征冗余与尺度或批次差异的累积偏倚，从而导致模型在外部队列验证中泛化性能下降，难以充分体现多组学的互补价值。

4 基于MRI的影像组学整合多组学在乳腺癌TME中的研究进展

       近年来，乳腺癌TME研究逐渐由单一模态分析向多维数据整合转变。基于MRI的影像组学整合多组学融合宏观影像表型与微观分子信息，从多个维度解析乳腺癌TME的组成特征及动态演变，为其无创评估、疗效预测和个体化诊疗提供全面依据（表1）。

       MRI多组学模型最重要的转化价值在于作为无创的生物标志物，替代或补充有创的组织活检^{[49, 50]}。它允许在整个治疗过程中对TME进行反复、动态的监测，实时评估治疗反应和耐药情况。PAN等^[51]开发基于DCE-MRI的影像组学模型，非侵入性预测转录激活因子3（signal transducer and activator of transcription 3, STAT3）表达并评估肿瘤免疫状态，发现高RS组信号转导与STAT3表达显著升高（P<0.001），OS显著延长（P=0.034）。免疫基因关联证明高RS与T细胞、B细胞、自然杀伤细胞相关基因显著正相关，完善模型反映TME的深层证据链。CHEN等^[52]利用多时间点（NAC前、后）MRI，基于治疗反应和肿瘤内微生物群评分选择关键影像组学特征，构建的融合模型预测效能卓越（验证集AUC=0.873），同时单细胞测序发现pCR组FOLR2+巨噬细胞浸润增加，IGHM+浆细胞增多，证实在NAC过程中，系列MRI扫描可以显示肿瘤异质性的早期变化，而这往往比肿瘤大小变化更具疗效预测价值^[53]，并为TME形成机制提供解析，表明MRI多组学模型可通过连续检测评估免疫治疗响应，为实施适应性治疗策略提供可能。

       基于MRI的多组学模型在预后预测方面展现出卓越性能^{[54, 55, 56]}。YE等^[57]构建基于MR影像组、蛋白质组、基因组及临床数据的岭回归模型，将pCR预测效能在验证集AUC提升至0.917，显著优于单一组学模型（AUC=0.725~0.884），为免疫治疗受益人群筛选提供新思路。HONG等^[58]整合影像-基因-蛋白数据，构建基于FIBCD1在内10个共识基因的XGBoost-Cox模型预测患者OS（一致性指数为0.703），并建立分子影像的反向关联，发现FIBCD1表达与球形度正相关（r=0.31），与逆差异归一化负相关（r=-0.27），提示高FIBCD1表达对应更规则的球形肿瘤与更低的纹理均匀性，形成分子机制与影像表型闭环；研究通过ELISA定量验证与孟德尔随机化分析证实FIBCD1表达与乳腺癌预后的因果关联（P<0.05），弥补了传统观察性研究无法区分相关与因果的缺陷。还有研究者^[59]基于多中心乳腺癌DCE-MRI影像组学数据（n=1474）构建了影像瘤内异质性（imaging intratumor heterogeneity, IITH）无创评估体系，整合基因组、转录组及代谢组学数据，揭示高IITH肿瘤多条癌性通路激活及广泛的脂质、氨基酸代谢重编程，且铁死亡通路显著富集；研究关联分析影像与代谢，发现一阶特征方差及差异熵与铁死亡活性显著正相关，提示影像组学捕捉的灰度分布离散度及空间排列不规则性，是肿瘤内部高代谢、氧化应激与抗氧化防御动态博弈在MRI增强模式上的宏观投影，为精准风险分层奠定了方法学基础；研究指出，靶向硫氧还蛋白通路是逆转高IITH乳腺癌耐药的潜在治疗策略，为精准治疗指明方向。这些模型能够将患者分为不同风险亚组，凭借多组学研究解释其内在机制，从而指导个体化的辅助治疗决策。

       MRI多组学还可用于评估“热”肿瘤与“冷”肿瘤，预测免疫检查点抑制剂治疗反应^{[60, 61]}。肿瘤或瘤周区域的特定纹理特征被证明与更好的免疫治疗效果相关^[62]。CAI等^[63]整合单细胞测序、空间转录组学、影像组学及功能实验，发现腋窝淋巴结转移患者TME中TFF3-MAPK-EMT轴区域性激活，高TFF3表达的肿瘤呈现出对PD-1抑制剂耐药、IFN-γ活性抑制及T细胞浸润减少等“冷肿瘤”的特征。研究整合TFF3构建深度学习模型，高精度预测腋窝淋巴结转移（AUC=0.873~0.948），Kolmogorov-Smirnov检验证实模型在跨数据集间具有良好的泛化性和可靠性，表明MR多组学模型具有无创评估肿瘤免疫状态、预测抗PD-1/PD-L1治疗耐药并筛选潜在获益人群的转化潜力；另外，研究发现6-巯基嘌呤可作为新型TFF3拮抗剂，为乳腺癌的精准诊疗提供了新思路。

       影像组学融合多组学进一步剖析乳腺癌TME形成机制，提升影像组学特征的可解释性。该融合策略强调在特征表示层或中间表征学习阶段实现跨模态一体化整合，通过多视图学习、相关性约束表示、相似性网络融合或多模态DL等框架，整合影像组学与多组学之间共享结构与互补信息，提升对复杂生物学过程的刻画能力。该方法更充分利用跨模态关联与交互信号，支持患者分层与机制探索，并在数据充足且规范校正的前提下获得更具鲁棒性的综合表征。但这也意味着模型较影像组学联合单一组学模型有更高复杂度及对样本量、数据质量控制、批次效应校正与缺失模态处理要求，同时，可解释性与可复现性更依赖于严格的验证设计，尤其是多中心外部验证与域差异控制，过拟合与跨平台迁移受限的问题更明显。

点击查看表格

表1  基于MRI的影像组学整合多组学在乳腺癌肿瘤微环境中部分研究汇总
Tab. 1  Overview of selected studies on the integration of MRI-based radiomics and multi-omics in the breast cancer tumor microenvironment

5 小结与展望

       现有证据表明，基于MRI的影像组学能够从多个层面表征TIL浸润、血管生成、EMT及CAFs活化等TME特征。结合病理组学、基因组学、转录组学及蛋白组学等，在“影像表型—组织结构—分子机制”之间建立更为完整的关联链条，为乳腺癌精准诊疗提供了重要理论基础与技术支撑。

       然而，该领域仍存在若干局限。首先，影像组学对TME的反映易受肿瘤各成分混杂因素干扰，影响队列间模型迁移性和稳定性。其次，局部取材难以充分代表肿瘤异质性，空间尺度的不一致易引起标注噪声与标签偏移，限制了多组学数据精确对应。技术层面，ADC等单参数难以实现TME各组分有效解耦，往往需要联合IVIM、DKI等多参数技术，但高质量配对样本获取困难。此外，多中心采集参数和重建方式差异导致的域偏移、组学分析流程标准化不足、模型“黑箱”属性以及因果验证证据不足，仍是制约该领域临床转化的共性瓶颈。

       针对上述问题，未来研究应进一步聚焦于模型稳健性、空间对齐能力和临床可用性的提升。借助生境分析并探索磁化转移等更敏感的定量技术，提升细胞成分与基质成分的解耦能力；在多中心研究中，应优先统一对结论最敏感的关键参数，如DCE-MRI时间分辨率、扩散b值方案及脂肪抑制方式，同时引入联合训练、域不变表示和测试时自适应等方法，系统报告跨设备、跨中心性能差异，而非仅关注平均AUC。同时，借助弱监督或自监督学习充分利用未标注MRI数据，将外部验证、前瞻性验证、模型校准度和决策曲线分析作为评价模型临床价值的重要标准，减少“高性能但不可用”的模型。