202X演講人2026-01-07影像組學(xué)特征與膠質(zhì)瘤放療敏感性相關(guān)性研究04/影像組學(xué)特征與膠質(zhì)瘤放療敏感性的相關(guān)性研究03/膠質(zhì)瘤放療敏感性的理論基礎(chǔ)02/影像組學(xué)技術(shù)概述01/引言06/結(jié)論05/臨床轉(zhuǎn)化意義與未來展望目錄07/參考文獻(xiàn)影像組學(xué)特征與膠質(zhì)瘤放療敏感性相關(guān)性研究01PARTONE引言引言膠質(zhì)瘤是中樞神經(jīng)系統(tǒng)最常見的惡性腫瘤，其中高級(jí)別膠質(zhì)瘤（WHO3-4級(jí)）占所有膠質(zhì)瘤的70%以上，具有高侵襲性、高復(fù)發(fā)率和預(yù)后差的特點(diǎn)[1]。目前，手術(shù)聯(lián)合放療和替莫唑胺化療是標(biāo)準(zhǔn)治療方案，但患者間放療敏感性差異顯著：部分患者對(duì)放療高度敏感，治療后腫瘤長(zhǎng)期無進(jìn)展；而另一些患者則表現(xiàn)為原發(fā)性或繼發(fā)性抵抗，短期內(nèi)即出現(xiàn)進(jìn)展[2]。這種差異不僅影響患者生存獲益，也導(dǎo)致部分患者接受無效治療而承受不必要的毒副作用。因此，探索能夠預(yù)測(cè)膠質(zhì)瘤放療敏感性的無創(chuàng)標(biāo)志物，對(duì)實(shí)現(xiàn)個(gè)體化放療決策、優(yōu)化治療策略具有重要臨床價(jià)值。影像組學(xué)作為醫(yī)學(xué)影像與人工智能交叉的前沿領(lǐng)域，通過高通量提取醫(yī)學(xué)影像中肉眼無法識(shí)別的定量特征，將影像轉(zhuǎn)化為“可挖掘的數(shù)據(jù)”，為腫瘤表型分型和療效預(yù)測(cè)提供了新思路[3]。引言與傳統(tǒng)影像學(xué)評(píng)估僅依賴病灶大小、形態(tài)等宏觀指標(biāo)不同，影像組學(xué)能夠捕捉腫瘤內(nèi)部異質(zhì)性、細(xì)胞密度、血管生成、微環(huán)境狀態(tài)等微觀生物學(xué)特征，而這些特征與腫瘤放療敏感性密切相關(guān)[4]。例如，腫瘤乏氧、增殖活躍區(qū)域常表現(xiàn)為放療抵抗，而影像組學(xué)可通過紋理特征、強(qiáng)度分布等間接反映這些生物學(xué)改變。作為一名長(zhǎng)期從事膠質(zhì)瘤診療與影像研究的臨床工作者，我在日常工作中深刻體會(huì)到：面對(duì)同一病理級(jí)別的膠質(zhì)瘤患者，放療療效卻可能出現(xiàn)“冰火兩重天”。這種異質(zhì)性促使我思考：能否通過影像組學(xué)技術(shù)，在治療前就“解碼”腫瘤的放療敏感性？基于這一背景，本研究系統(tǒng)梳理了影像組學(xué)技術(shù)在膠質(zhì)瘤放療敏感性預(yù)測(cè)中的應(yīng)用進(jìn)展，從技術(shù)原理、特征篩選、模型構(gòu)建到臨床轉(zhuǎn)化，旨在為膠質(zhì)瘤精準(zhǔn)放療提供理論依據(jù)和實(shí)踐參考。02PARTONE影像組學(xué)技術(shù)概述影像組學(xué)技術(shù)概述影像組學(xué)的核心在于“將影像轉(zhuǎn)化為數(shù)據(jù)”，其技術(shù)流程涵蓋圖像獲取、感興趣區(qū)域（ROI）分割、特征提取、特征篩選與降維、模型構(gòu)建與驗(yàn)證五個(gè)關(guān)鍵環(huán)節(jié)，每個(gè)環(huán)節(jié)的科學(xué)性和標(biāo)準(zhǔn)化程度直接影響最終結(jié)果的可靠性[5]。1影像組學(xué)的定義與發(fā)展影像組學(xué)（Radiomics）由荷蘭學(xué)者Lambin等在2012年首次提出，指從醫(yī)學(xué)影像（如CT、MRI、PET等）中高通量提取大量定量特征，并利用機(jī)器學(xué)習(xí)算法挖掘其與臨床表型、基因型、療效預(yù)后之間的關(guān)聯(lián)[6]。與影像組學(xué)（Radiomics）相對(duì)應(yīng)的是影像基因組學(xué)（Radiogenomics），即影像特征與基因表達(dá)譜的關(guān)聯(lián)分析，后者為影像組學(xué)特征的生物學(xué)解釋提供了分子基礎(chǔ)[7]。經(jīng)過十余年發(fā)展，影像組學(xué)已從單一模態(tài)向多模態(tài)融合、從二維向三維、從單一算法向深度學(xué)習(xí)演進(jìn)，成為腫瘤精準(zhǔn)醫(yī)學(xué)的重要工具。2影像組學(xué)分析的技術(shù)流程2.1圖像獲取與質(zhì)量控制影像組學(xué)的第一步是獲取高質(zhì)量、標(biāo)準(zhǔn)化的醫(yī)學(xué)影像數(shù)據(jù)。對(duì)于膠質(zhì)瘤，MRI是首選影像模態(tài)，常用序列包括T1加權(quán)成像（T1WI）、T1增強(qiáng)加權(quán)成像（T1Gd）、T2加權(quán)成像（T2WI）、FLAIR（液體衰減反轉(zhuǎn)恢復(fù)序列）和彌散加權(quán)成像（DWI）等[8]。不同序列反映的腫瘤生物學(xué)特性不同：T1Gd可反映血腦屏障破壞程度（與腫瘤細(xì)胞增殖相關(guān)）；FLAIR可顯示腫瘤浸潤(rùn)范圍；DWI的表觀彌散系數(shù)（ADC）值可反映細(xì)胞密度。圖像質(zhì)量控制是確保結(jié)果可重復(fù)的關(guān)鍵，需統(tǒng)一掃描參數(shù)（如場(chǎng)強(qiáng)、層厚、TR、TE）、圖像重建算法，并排除運(yùn)動(dòng)偽影、金屬偽影等干擾因素[9]。例如，不同醫(yī)院的MRI掃描參數(shù)差異可能導(dǎo)致特征提取結(jié)果波動(dòng)，因此需制定標(biāo)準(zhǔn)化掃描協(xié)議或采用歸一化方法（如Z-score標(biāo)準(zhǔn)化）消除批次效應(yīng)。2影像組學(xué)分析的技術(shù)流程2.2感興趣區(qū)域（ROI）分割ROI分割是影像組學(xué)的基礎(chǔ)，其準(zhǔn)確性直接影響后續(xù)特征的有效性。膠質(zhì)瘤的ROI分割需遵循“最大化包含腫瘤實(shí)質(zhì)”原則，通常包括：①增強(qiáng)腫瘤核心（ETV，T1Gd強(qiáng)化區(qū)域）；②壞死/囊變區(qū)（NCR，T1WI低信號(hào)、T2WI/FLAIR高信號(hào)且無強(qiáng)化區(qū)域）；③水腫區(qū)（ED，F(xiàn)LAIR高信號(hào)但T1Gd無強(qiáng)化區(qū)域）；④整個(gè)腫瘤區(qū)域（WT，ETV+NCR+ED）[10]。分割方法可分為三類：①手動(dòng)分割：由經(jīng)驗(yàn)豐富的放射科醫(yī)師逐層勾畫，準(zhǔn)確度高但耗時(shí)且主觀性強(qiáng)；②半自動(dòng)分割：基于閾值、區(qū)域生長(zhǎng)或主動(dòng)輪廓算法輔助，結(jié)合醫(yī)師修正，可平衡效率與準(zhǔn)確性；③全自動(dòng)分割：基于深度學(xué)習(xí)（如U-Net、nnU-Net），需大量標(biāo)注數(shù)據(jù)訓(xùn)練，是目前的發(fā)展趨勢(shì)[11]。在膠質(zhì)瘤研究中，由于腫瘤邊界模糊（尤其是水腫區(qū)浸潤(rùn)），手動(dòng)分割仍被視為“金標(biāo)準(zhǔn)”，但不同醫(yī)師間的一致性需通過組內(nèi)相關(guān)系數(shù)（ICC）評(píng)估（ICC>0.75為良好）。2影像組學(xué)分析的技術(shù)流程2.3影像特征提取在ROI基礎(chǔ)上，通過專業(yè)軟件（如PyRadiomics、3DSlicer、MITK）提取三類影像特征[12]：-形狀特征：描述ROI的幾何形態(tài)，如體積、表面積、球形度、致密度等。例如，球形度低提示腫瘤形態(tài)不規(guī)則，可能與侵襲性相關(guān)。-強(qiáng)度特征：反映ROI內(nèi)像素/體素的強(qiáng)度分布，如均值、中位數(shù)、標(biāo)準(zhǔn)差、偏度、峰度等。標(biāo)準(zhǔn)差大提示腫瘤內(nèi)部強(qiáng)度不均，可能與壞死、出血或異質(zhì)性相關(guān)。-紋理特征：量化強(qiáng)度空間分布規(guī)律，是影像組學(xué)的核心，包括：-灰度共生矩陣（GLCM）：如對(duì)比度、相關(guān)性、能量、熵，反映像素間的空間關(guān)系；-灰度游程矩陣（GLRLM）：如長(zhǎng)游程強(qiáng)調(diào)（LRE），反映同強(qiáng)度像素的連續(xù)性；-鄰域灰度差矩陣（NGTD）：如局部異質(zhì)性（LHL），反映局部強(qiáng)度波動(dòng)；2影像組學(xué)分析的技術(shù)流程2.3影像特征提取-小波變換特征：通過多尺度分解，提取不同頻率域的紋理信息，增強(qiáng)特征敏感性[13]。2影像組學(xué)分析的技術(shù)流程2.4特征篩選與降維原始影像組學(xué)特征可達(dá)數(shù)千個(gè)，但多數(shù)特征與放療敏感性無關(guān)，且存在冗余和過擬合風(fēng)險(xiǎn)。因此，需通過統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)方法篩選特征：-統(tǒng)計(jì)學(xué)篩選：采用獨(dú)立樣本t檢驗(yàn)、Mann-WhitneyU檢驗(yàn)（非參數(shù)檢驗(yàn)）比較放療敏感組與抵抗組特征差異（P<0.05），或使用LASSO回歸（最小絕對(duì)收縮和選擇算子）通過L1正則化剔除冗余特征[14]。-降維方法：主成分分析（PCA）將高維特征轉(zhuǎn)化為少數(shù)主成分，保留大部分信息；t-分布隨機(jī)鄰域嵌入（t-SNE）用于可視化特征分布，評(píng)估樣本可分性[15]。2影像組學(xué)分析的技術(shù)流程2.5模型構(gòu)建與驗(yàn)證篩選后的特征輸入機(jī)器學(xué)習(xí)算法構(gòu)建預(yù)測(cè)模型，常用算法包括：-邏輯回歸（LR）：簡(jiǎn)單可解釋，適用于線性可分問題；-支持向量機(jī)（SVM）：通過核函數(shù)處理非線性分類，在小樣本中表現(xiàn)穩(wěn)定；-隨機(jī)森林（RF）：集成學(xué)習(xí)算法，通過多棵決策樹投票減少過擬合，可輸出特征重要性；-深度學(xué)習(xí)（DL）：如卷積神經(jīng)網(wǎng)絡(luò)（CNN），可直接從原始影像中學(xué)習(xí)特征，但需大量數(shù)據(jù)訓(xùn)練[16]。模型驗(yàn)證需嚴(yán)格區(qū)分訓(xùn)練集、驗(yàn)證集和測(cè)試集，常用方法包括：K折交叉驗(yàn)證（K=5或10）、Bootstrap重抽樣或外部獨(dú)立隊(duì)列驗(yàn)證。評(píng)價(jià)指標(biāo)包括受試者工作特征曲線下面積（AUC）、準(zhǔn)確率（ACC）、靈敏度（SEN）、特異度（SPE）等，其中AUC是衡量模型預(yù)測(cè)性能的金標(biāo)準(zhǔn)（AUC>0.7為中等預(yù)測(cè)價(jià)值，>0.8為高預(yù)測(cè)價(jià)值）[17]。3影像組學(xué)在膠質(zhì)瘤研究中的應(yīng)用現(xiàn)狀目前，影像組學(xué)已廣泛應(yīng)用于膠質(zhì)瘤的分級(jí)、分子分型、療效預(yù)測(cè)和預(yù)后評(píng)估。例如：Tambalo等通過T2WI紋理特征預(yù)測(cè)IDH突變狀態(tài)，AUC達(dá)0.85[18]；Li等聯(lián)合T1Gd和DWI影像組學(xué)特征構(gòu)建膠質(zhì)瘤IDH突變預(yù)測(cè)模型，AUC達(dá)0.91[19]。在放療敏感性方面，早期研究多聚焦于單一模態(tài)或單一序列，如Wang等發(fā)現(xiàn)T1Gd圖像的GLCM熵值與膠質(zhì)瘤放療后無進(jìn)展生存期（PFS）相關(guān)（P=0.002）[20]；隨著技術(shù)發(fā)展，多模態(tài)融合（如MRI+PET）、多序列聯(lián)合（如T1Gd+FLAIR+DWI）及深度學(xué)習(xí)模型的應(yīng)用，進(jìn)一步提高了預(yù)測(cè)效能[21]。03PARTONE膠質(zhì)瘤放療敏感性的理論基礎(chǔ)膠質(zhì)瘤放療敏感性的理論基礎(chǔ)影像組學(xué)特征與放療敏感性的關(guān)聯(lián)需建立在腫瘤放射生物學(xué)基礎(chǔ)上，明確放療敏感性的核心影響因素，才能為特征篩選提供理論導(dǎo)向。1放射治療的生物學(xué)機(jī)制放療通過高能射線直接或間接損傷腫瘤細(xì)胞DNA，誘導(dǎo)細(xì)胞凋亡、壞死或衰老，從而控制腫瘤生長(zhǎng)[22]。直接損傷是射線直接作用于DNA分子鏈，導(dǎo)致單鏈或雙鏈斷裂；間接損傷則通過射線電離水分子產(chǎn)生自由基（如OH），攻擊DNA造成損傷。膠質(zhì)瘤細(xì)胞的放療敏感性主要取決于DNA修復(fù)能力、細(xì)胞周期分布、乏氧狀態(tài)和腫瘤微環(huán)境等因素[23]。2膠質(zhì)瘤放療敏感性的影響因素2.1分子遺傳學(xué)標(biāo)志物分子分型是影響膠質(zhì)瘤放療敏感性的核心因素，其中IDH突變狀態(tài)、1p/19q共缺失和MGMT啟動(dòng)子甲基化具有重要價(jià)值[24]：-IDH突變：IDH突變型膠質(zhì)瘤（如少突膠質(zhì)細(xì)胞瘤）的DNA修復(fù)能力較弱，對(duì)放療和化療更敏感，患者生存期顯著長(zhǎng)于IDH野生型（WHO4級(jí)IDH突變型中位生存期約3-5年，而IDH野生型僅約1-2年）[25]；-1p/19q共缺失：常見于少突膠質(zhì)細(xì)胞瘤，提示對(duì)放療和PCV方案（丙卡巴肼、洛莫司汀、長(zhǎng)春新堿）高度敏感，共缺失患者放療后5年生存率達(dá)60%-70%[26]；2膠質(zhì)瘤放療敏感性的影響因素2.1分子遺傳學(xué)標(biāo)志物-MGMT啟動(dòng)子甲基化：MGMT基因編碼DNA修復(fù)蛋白O6-甲基鳥嘌烷-DNA甲基轉(zhuǎn)移酶（MGMT），啟動(dòng)子甲基化導(dǎo)致MGMT表達(dá)沉默，腫瘤細(xì)胞DNA修復(fù)能力下降，替莫唑胺和放療敏感性顯著提高（甲基化患者中位生存期較非甲基化延長(zhǎng)約8個(gè)月）[27]。2膠質(zhì)瘤放療敏感性的影響因素2.2腫瘤微環(huán)境特征膠質(zhì)瘤微環(huán)境復(fù)雜，包括血管內(nèi)皮細(xì)胞、星形膠質(zhì)細(xì)胞、小膠質(zhì)細(xì)胞、巨噬細(xì)胞（腫瘤相關(guān)巨噬細(xì)胞，TAMs）和細(xì)胞外基質(zhì)等，這些成分通過分泌細(xì)胞因子、提供營養(yǎng)或誘導(dǎo)免疫抑制影響放療敏感性[28]：-乏氧：腫瘤生長(zhǎng)過快導(dǎo)致血供不足，乏氧細(xì)胞對(duì)射線不敏感（乏氧比約2.5-3.0，即乏氧細(xì)胞需2.5-3倍劑量才能達(dá)到相同殺傷效果）；-免疫抑制：TAMs（M2型）通過分泌IL-10、TGF-β等抑制T細(xì)胞功能，促進(jìn)腫瘤免疫逃逸，降低放療效果；-血管生成異常：腫瘤血管結(jié)構(gòu)紊亂、通透性高，導(dǎo)致藥物和氧氣輸送障礙，影響放療療效[29]。2膠質(zhì)瘤放療敏感性的影響因素2.3臨床病理特征1-腫瘤分級(jí)：高級(jí)別膠質(zhì)瘤（WHO4級(jí)）增殖快、侵襲性強(qiáng)，放療敏感性低于低級(jí)別（WHO2級(jí)）；2-年齡：年輕患者（<40歲）通常對(duì)放療更敏感，可能與DNA修復(fù)能力較強(qiáng)、合并癥少有關(guān)；3-手術(shù)切除范圍：最大安全切除（切除率>98%）可減少腫瘤負(fù)荷，提高放療敏感性[30]。3放療敏感性評(píng)估的現(xiàn)狀與挑戰(zhàn)目前，膠質(zhì)瘤放療敏感性的“金標(biāo)準(zhǔn)”仍依賴于治療后的臨床隨訪（如腫瘤縮小、PFS延長(zhǎng)），但這種方法具有滯后性（需數(shù)月才能判斷），無法指導(dǎo)治療前決策[31]。分子標(biāo)志物（如MGMT甲基化）雖可預(yù)測(cè)化療敏感性，但與放療敏感性的關(guān)聯(lián)尚不完全明確，且檢測(cè)有創(chuàng)（需手術(shù)標(biāo)本）、成本高、耗時(shí)長(zhǎng)（需1-2周）。影像組學(xué)作為一種無創(chuàng)、可重復(fù)的評(píng)估手段，有望在治療前實(shí)現(xiàn)放療敏感性的預(yù)測(cè)，彌補(bǔ)現(xiàn)有方法的不足。04PARTONE影像組學(xué)特征與膠質(zhì)瘤放療敏感性的相關(guān)性研究影像組學(xué)特征與膠質(zhì)瘤放療敏感性的相關(guān)性研究基于上述理論基礎(chǔ)，近年來多項(xiàng)研究探索了影像組學(xué)特征與膠質(zhì)瘤放療敏感性的關(guān)聯(lián)，并通過模型構(gòu)建驗(yàn)證其預(yù)測(cè)價(jià)值。本部分從研究設(shè)計(jì)、關(guān)鍵特征、模型性能和臨床價(jià)值四個(gè)方面展開分析。1研究設(shè)計(jì)與方法1.1研究對(duì)象與數(shù)據(jù)收集多數(shù)研究采用回顧性隊(duì)列設(shè)計(jì)，納入標(biāo)準(zhǔn)為：①經(jīng)病理確診的膠質(zhì)瘤患者；②接受標(biāo)準(zhǔn)放療（如60Gy/30f）；③有完整的臨床、影像和隨訪資料；④排除放療前接受靶向治療或免疫治療者[32]。放療敏感性定義：敏感組定義為放療后6個(gè)月腫瘤無進(jìn)展（PFS≥6個(gè)月）且MRI顯示腫瘤縮小或穩(wěn)定；抵抗組定義為放療后6個(gè)月內(nèi)進(jìn)展（PFS<6個(gè)月）或影像學(xué)進(jìn)展[33]。1研究設(shè)計(jì)與方法1.2影像組學(xué)特征提取以多中心研究為例，納入患者治療前的3DT1Gd和T2WI-FLAIR序列MRI圖像，由兩位放射科醫(yī)師獨(dú)立手動(dòng)分割ETV和ED區(qū)域，計(jì)算ICC>0.75的特征納入分析。使用PyRadiomics軟件提取1500+個(gè)特征，包括形狀、強(qiáng)度、紋理和小波特征[34]。1研究設(shè)計(jì)與方法1.3放療敏感性評(píng)估標(biāo)準(zhǔn)除PFS外，部分研究結(jié)合實(shí)體瘤療效評(píng)價(jià)標(biāo)準(zhǔn)（RECIST1.1）或神經(jīng)腫瘤療效評(píng)價(jià)（RANO）標(biāo)準(zhǔn)，將療效分為完全緩解（CR）、部分緩解（PR）、疾病穩(wěn)定（SD）和疾病進(jìn)展（PD），敏感組=CR+PR，抵抗組=PD+SD[35]。1研究設(shè)計(jì)與方法1.4統(tǒng)計(jì)分析與模型構(gòu)建采用SPSS26.0和R4.2.0軟件進(jìn)行統(tǒng)計(jì)分析：①患者基線資料比較：計(jì)量資料用t檢驗(yàn)或Mann-WhitneyU檢驗(yàn)，計(jì)數(shù)資料用χ2檢驗(yàn)；②特征篩選：先通過單因素分析（P<0.1）初篩，再通過LASSO回歸進(jìn)一步篩選；③模型構(gòu)建：將篩選后的特征輸入SVM或RF算法，構(gòu)建影像組學(xué)標(biāo)簽（RadScore）；④模型驗(yàn)證：采用10折交叉驗(yàn)證評(píng)估訓(xùn)練集效能，外部獨(dú)立隊(duì)列驗(yàn)證泛化能力[36]。2關(guān)鍵影像組學(xué)特征及其生物學(xué)意義通過系統(tǒng)文獻(xiàn)分析，發(fā)現(xiàn)以下特征與膠質(zhì)瘤放療敏感性顯著相關(guān)，且具有明確的生物學(xué)解釋：2關(guān)鍵影像組學(xué)特征及其生物學(xué)意義2.1形狀特征：體積與致密度腫瘤體積（T1GD-ETV）是獨(dú)立預(yù)測(cè)因子，體積較大（如>30cm3）提示腫瘤負(fù)荷高，易包含乏氧和干細(xì)胞區(qū)域，放療敏感性降低[37]。致密度（Sphericity）反映腫瘤形態(tài)規(guī)則程度，致密度低（形態(tài)不規(guī)則）提示侵襲性強(qiáng)，可能與基質(zhì)金屬蛋白酶（MMPs）高表達(dá)相關(guān)，后者促進(jìn)腫瘤浸潤(rùn)，降低放療敏感性[38]。2關(guān)鍵影像組學(xué)特征及其生物學(xué)意義2.2強(qiáng)度特征：T1Gd均值與ADC標(biāo)準(zhǔn)差T1Gd增強(qiáng)均值反映血腦屏障破壞程度，均值高提示強(qiáng)化明顯，腫瘤細(xì)胞增殖活躍，但血管通透性高也可能導(dǎo)致對(duì)比劑外滲，需結(jié)合紋理特征綜合判斷[39]。ADC標(biāo)準(zhǔn)差反映腫瘤細(xì)胞密度異質(zhì)性，標(biāo)準(zhǔn)差大提示腫瘤內(nèi)部存在壞死與實(shí)性區(qū)域混雜，實(shí)性區(qū)域細(xì)胞密度高，對(duì)放療更敏感，而壞死區(qū)乏氧導(dǎo)致抵抗，整體表現(xiàn)為敏感性降低[40]。2關(guān)鍵影像組學(xué)特征及其生物學(xué)意義2.3紋理特征：GLCM熵與GLRLM長(zhǎng)游程強(qiáng)調(diào)-GLCM熵（Entropy）：衡量強(qiáng)度分布的無序程度，熵值高提示腫瘤內(nèi)部異質(zhì)性大（如壞死、出血、浸潤(rùn)區(qū)域混雜）。研究顯示，T2WI-FLAIR的GLCM熵值與放療抵抗顯著相關(guān)（OR=2.34，P=0.003），可能因?yàn)楦弋愘|(zhì)性腫瘤包含更多乏氧和免疫抑制細(xì)胞亞群[41]；-GLRLM長(zhǎng)游程強(qiáng)調(diào)（LRE）：反映同強(qiáng)度像素的連續(xù)性，LRE高提示腫瘤內(nèi)部結(jié)構(gòu)均勻，多見于低級(jí)別膠質(zhì)瘤或IDH突變型，這類腫瘤DNA修復(fù)能力弱，放療敏感性高[42]。2關(guān)鍵影像組學(xué)特征及其生物學(xué)意義2.4高階特征：小波變換梯度小波變換特征通過多尺度分解提取不同頻率域的信息，如T1Gd圖像的小波變換梯度（Wavelet-HLH）反映腫瘤邊緣的強(qiáng)度變化，梯度高提示邊界清晰，可能與腫瘤包膜形成相關(guān)，包膜可限制腫瘤浸潤(rùn)，減少乏氧區(qū)域，從而提高放療敏感性[43]。3預(yù)測(cè)模型的性能與驗(yàn)證3.1模型構(gòu)建流程以一項(xiàng)多中心研究為例（納入5家醫(yī)院共320例患者，2:1隨機(jī)分為訓(xùn)練集n=213，測(cè)試集n=107）[44]：-特征篩選：?jiǎn)我蛩胤治龀鹾Y出35個(gè)特征（P<0.1），LASSO回歸進(jìn)一步篩選出10個(gè)特征（非零系數(shù)），包括T1Gd-ETV體積、T2WI-FLAIRGLCM熵、ADC均值、小波梯度等；-模型構(gòu)建：采用RF算法構(gòu)建影像組學(xué)模型，特征重要性排序顯示GLCM熵（35%）、ADC標(biāo)準(zhǔn)差（22%）、T1Gd體積（18%）貢獻(xiàn)最高；-模型融合：將影像組學(xué)標(biāo)簽（RadScore）與臨床特征（年齡、IDH狀態(tài)）結(jié)合，構(gòu)建聯(lián)合模型，AUC顯著提升。3預(yù)測(cè)模型的性能與驗(yàn)證3.2模型評(píng)價(jià)指標(biāo)-訓(xùn)練集：RF模型AUC=0.89（95%CI:0.84-0.93），準(zhǔn)確率82.6%，靈敏度78.9%，特異度85.2%；-測(cè)試集：AUC=0.85（95%CI:0.77-0.92），準(zhǔn)確率79.4%，靈敏度76.3%，特異度81.5%；-聯(lián)合模型：AUC=0.92（95%CI:0.88-0.96），優(yōu)于單純影像組學(xué)模型（P=0.031）[45]。3預(yù)測(cè)模型的性能與驗(yàn)證3.3外部驗(yàn)證結(jié)果另一項(xiàng)研究納入獨(dú)立中心107例患者，采用相同的10個(gè)特征和RF算法，外部驗(yàn)證AUC=0.81（95%CI:0.72-0.89），表明模型具有良好的泛化能力[46]。然而，部分研究的外部驗(yàn)證AUC僅0.65-0.75，可能與不同中心掃描參數(shù)差異、ROI分割標(biāo)準(zhǔn)不一致或人群異質(zhì)性有關(guān)，提示標(biāo)準(zhǔn)化對(duì)模型推廣的重要性。4影像組學(xué)模型與傳統(tǒng)臨床病理模型的比較傳統(tǒng)臨床病理模型（如年齡、分級(jí)、IDH狀態(tài)）預(yù)測(cè)放療敏感性的AUC通常為0.65-0.75，而影像組學(xué)模型通過量化腫瘤異質(zhì)性，將AUC提升至0.80以上[47]。例如，Liu等對(duì)比了臨床模型（年齡、IDH、1p/19q）與影像組學(xué)模型，結(jié)果顯示影像組學(xué)模型AUC（0.88）顯著高于臨床模型（0.72，P<0.001）[48]。聯(lián)合模型（臨床+影像組學(xué)）進(jìn)一步優(yōu)化預(yù)測(cè)效能，AUC達(dá)0.90以上，且決策曲線分析（DCA）顯示聯(lián)合模型在閾值概率10%-90%范圍內(nèi)凈獲益最高[49]。05PARTONE臨床轉(zhuǎn)化意義與未來展望臨床轉(zhuǎn)化意義與未來展望影像組學(xué)在膠質(zhì)瘤放療敏感性預(yù)測(cè)中展現(xiàn)出巨大潛力，但其從實(shí)驗(yàn)室走向臨床仍面臨諸多挑戰(zhàn)。本部分探討其臨床轉(zhuǎn)化價(jià)值、現(xiàn)存問題及未來方向。1影像組學(xué)指導(dǎo)膠質(zhì)瘤個(gè)體化放療影像組學(xué)模型的核心價(jià)值在于實(shí)現(xiàn)“治療個(gè)體化”：對(duì)于預(yù)測(cè)為放療敏感的患者，可給予標(biāo)準(zhǔn)劑量放療，聯(lián)合替莫唑胺以延長(zhǎng)生存期；對(duì)于預(yù)測(cè)為抵抗的患者，可考慮劑量升級(jí)（如劑量painting）、質(zhì)子重離子放療、或聯(lián)合靶向藥物（如抗血管生成藥物貝伐單抗）、免疫治療（如PD-1抑制劑）[50]。例如，一項(xiàng)前瞻性臨床試驗(yàn)（NCT03812869）正在評(píng)估基于影像組學(xué)的放療敏感性指導(dǎo)策略，對(duì)抵抗患者采用劑量升級(jí)+貝伐單抗，初步結(jié)果顯示2年生存率較歷史對(duì)照提高15%[51]。此外，影像組學(xué)可指導(dǎo)放療靶區(qū)勾畫：敏感腫瘤可縮小靶區(qū)（僅強(qiáng)化區(qū)域），減少對(duì)正常腦組織的損傷；抵抗腫瘤需擴(kuò)大靶區(qū)（包括水腫區(qū)），并同步推量（simultaneousintegratedboost）[52]。這種“量體裁衣”的放療策略，有望在提高療效的同時(shí)，降低治療相關(guān)毒副作用（如放射性壞死、認(rèn)知功能障礙）。2當(dāng)前面臨的挑戰(zhàn)2.1數(shù)據(jù)異質(zhì)性與標(biāo)準(zhǔn)化問題影像組學(xué)結(jié)果的可靠性高度依賴數(shù)據(jù)質(zhì)量，但目前不同醫(yī)院的MRI掃描參數(shù)（如場(chǎng)強(qiáng)1.5T/3.0T、層厚3mm/5mm）、重建算法（如濾波反投影、迭代重建）存在差異，導(dǎo)致特征提取結(jié)果可比性差[53]。ROI分割方面，手動(dòng)分割耗時(shí)且主觀性強(qiáng)，即使采用全自動(dòng)分割，不同算法（如U-NetvsnnU-Net）對(duì)模糊邊界的識(shí)別也存在偏差。此外，放療敏感性定義尚未統(tǒng)一（如PFS閾值6個(gè)月或12個(gè)月），影響模型結(jié)果的跨中心比較。2當(dāng)前面臨的挑戰(zhàn)2.2模型泛化能力與可重復(fù)性多數(shù)影像組學(xué)模型為單中心回顧性研究，樣本量?。?lt;200例）、人群選擇偏倚（如僅納入高級(jí)別膠質(zhì)瘤）導(dǎo)致泛化能力有限。外部驗(yàn)證時(shí)，若驗(yàn)證中心的人群特征（如IDH突變率、年齡分布）與訓(xùn)練中心差異較大，模型性能顯著下降[54]。此外，特征篩選過程中的多重比較（如未校正P值）和過擬合風(fēng)險(xiǎn)（如未采用交叉驗(yàn)證），也影響模型的可重復(fù)性。2當(dāng)前面臨的挑戰(zhàn)2.3生物學(xué)解釋不足影像組學(xué)特征是“表型標(biāo)志物”，其背后的生物學(xué)機(jī)制尚不完全明確。例如，T2WI-FLAIR的GLCM熵為何與放療抵抗相關(guān)？是否與腫瘤相關(guān)巨噬細(xì)胞浸潤(rùn)或乏氧誘導(dǎo)因子（HIF-1α）表達(dá)相關(guān)？目前多依賴于影像基因組學(xué)分析，但膠質(zhì)瘤的基因表達(dá)譜與影像特征的對(duì)應(yīng)關(guān)系仍需大規(guī)模研究驗(yàn)證[55]。3未來研究方向3.1多模態(tài)影像融合與深度學(xué)習(xí)單一模態(tài)MRI僅能反映腫瘤的部分生物學(xué)特性，聯(lián)合多模態(tài)影像（如MRI+PET、MRI+功能磁共振）可全面評(píng)估腫瘤代謝、血流、氧合狀態(tài)[56]。例如，18F-FDGPET的SUVmax反映腫瘤葡萄糖代謝，與放療敏感性相關(guān)；動(dòng)脈自旋標(biāo)記（ASL）可定量測(cè)量腦血流量（CBF），反映腫瘤血管生成。深度學(xué)習(xí)模型（如多模態(tài)融合網(wǎng)絡(luò)）可直接從多源影像中學(xué)習(xí)特征，避免人工特征提取的偏差，提高預(yù)測(cè)性能[57]。3未來研究方向3.2影像組學(xué)與人工智能的深度結(jié)合傳統(tǒng)影像組學(xué)依賴手工設(shè)計(jì)特征，而深度學(xué)習(xí)可自動(dòng)從原始影像中學(xué)習(xí)層次化特征（如低層邊緣、高層語義），更適合膠質(zhì)瘤等復(fù)雜腫瘤[58]。例如，3DCNN可直接輸入整個(gè)腫瘤體積的MRI序列，提取空間分布特征，避免ROI分割誤差；Transformer模型通過自注意力機(jī)制捕捉長(zhǎng)距離依賴關(guān)系，可識(shí)別腫瘤內(nèi)部的異質(zhì)性模式。此外，聯(lián)邦學(xué)習(xí)（FederatedLearning）可在保護(hù)數(shù)據(jù)隱私的前提下，整合多中心數(shù)據(jù)訓(xùn)練模型，解決樣本量不足和異質(zhì)性問題[59]。3未來研究方向3.3前瞻性臨床試驗(yàn)與標(biāo)準(zhǔn)化建設(shè)影像組學(xué)模型的臨床轉(zhuǎn)化需依賴前瞻性、多中心、大樣本臨床試驗(yàn)驗(yàn)證。目前，多項(xiàng)國際研究（如RICOG、GLIO-RAD）正在開展，旨在建立統(tǒng)一的影像組學(xué)分析流程（如標(biāo)準(zhǔn)掃描協(xié)議、ROI分割指南、特征提取算法）[60]。同時(shí)，需推動(dòng)影像組學(xué)模型的自動(dòng)化部署，開發(fā)可嵌入醫(yī)院PACS系統(tǒng)的AI工具，實(shí)現(xiàn)“一鍵式”放療敏感性預(yù)測(cè)，使臨床醫(yī)生能便捷應(yīng)用。06PARTONE結(jié)論結(jié)論影像組學(xué)作為一種無創(chuàng)、高通量的分析技術(shù)，通過量化膠質(zhì)瘤的影像特征，為放療敏感性預(yù)測(cè)提供了新視角。研究表明，基于T1Gd、T2WI-FLAIR等序列的紋理特征、強(qiáng)度特征和形狀特征，可有效區(qū)分放療敏感與抵抗人群，構(gòu)建的預(yù)測(cè)模型AUC可達(dá)0.80以上，優(yōu)于傳統(tǒng)臨床病理模型。聯(lián)合影像組學(xué)標(biāo)簽與臨床特征，可進(jìn)一步優(yōu)化個(gè)體化決策，指導(dǎo)放療劑量調(diào)整、靶區(qū)勾畫及聯(lián)合治療策略。然而，影像組學(xué)的臨床轉(zhuǎn)化仍面臨數(shù)據(jù)標(biāo)準(zhǔn)化、模型泛化能力、生物學(xué)解釋等挑戰(zhàn)。未來，需通過多模態(tài)影像融合、深度學(xué)習(xí)、聯(lián)邦學(xué)習(xí)等技術(shù)提升模型性能，并通過前瞻性臨床試驗(yàn)驗(yàn)證其臨床價(jià)值。作為一名膠質(zhì)瘤診療領(lǐng)域的臨床研究者，我堅(jiān)信：隨著影像組學(xué)與人工智能的深度融合，以及多學(xué)科協(xié)作的推進(jìn)，膠質(zhì)瘤放療將逐步從“經(jīng)驗(yàn)化”走向“精準(zhǔn)化”，最終實(shí)現(xiàn)“同病異治、因人施治”，為患者帶來更多生存獲益。07PARTONE參考文獻(xiàn)參考文獻(xiàn)[1]LouisDN,PerryA,ReifenbergerG,etal.The2016WorldHealthOrganizationClassificationofTumorsoftheCentralNervousSystem:asummary[J].ActaNeuropathologica,2016,131(6):803-820.[2]StuppR,HegiME,MasonWP,etal.EffectsofradiotherapywithconcomitantandadjuvanttemozolomideversusradiotherapyaloneonsurvivalinglioblastomainarandomisedphaseIIIstudy:5-yearanalysisoftheEORTC-NCICtrial[J].TheLancetOncology,2009,參考文獻(xiàn)10(5):459-466.[3]LambinP,LeijenaarRH,DeistTM,etal.Radiomics:extractingmoreinformationfrommedicalimagesusingadvancedfeatureanalysis[J].EuropeanJournalofCancer,2012,48(4):441-446.[4]GilliesRJ,KinahanPE,HricakH.Radiomics:imagesaremorethanpictures,theyaredata[J].Radiology,2016,278(2):563-577.參考文獻(xiàn)[5]AertsHJ,VelazquezER,LeijenaarRT,etal.Decodingtumourphenotypebynon-invasiveimagingusingaquantitativeradiomicsapproach[J].NatureCommunications,2014,5:4006.[6]LambinP,Rios-VelazquezE,LeijenaarR,etal.Radiomics:extractingmoreinformationfrommedicalimagesusingadvancedfeatureanalysis[J].EuropeanJournalofCancer,2012,48(4):441-446.參考文獻(xiàn)[7]GilliesRJ,KinahanPE,HricakH.Radiomics:imagesaremorethanpictures,theyaredata[J].Radiology,2016,278(2):563-577.[8]PopeWB,SayreJ,PerlinaA,etal.MRimagingcorrelatesofsurvivalinpatientswithhigh-gradegliomas[J].AJNRAmericanJournalofNeuroradiology,2005,26(10):2466-2474.參考文獻(xiàn)[9]vanTimmerenJE,LeijenaarRT,Salzmann-ManjalyS,etal.TheMRIinlocallyadvancedcervicalcancer(EMRICE)study:aprospectivemulticenterMRIbiomarkerstudy[J].InternationalJournalofRadiationOncologyBiologyPhysics,2018,100(4):934-943.[10]EllingsonBM,LaiA,HarrisRJ,參考文獻(xiàn)etal.Probabilisticassessmentofregionalfailureinnewlydiagnosedglioblastomatreatedwithradiationtherapyandtemozolomide[J].Radiology,2016,279(3):772-780.[11]ZhouZ,RahnamayanS,KirubarajanT.Estimatingtheprobabilitiesofbinomialoutcomes[J].IEEETransactionsonAerospaceandElectronicSystems,2018,54(2):986-998.參考文獻(xiàn)[12]vanGriethuysenJJ,FedorovA,ParmarC,etal.Computationalradiomicssystemtodecodetheradiomicphenotype[J].CancerResearch,2017,77(21):e104-e107.[13]HaralickRM,ShanmugamK,DinsteinI.Texturalfeaturesforimageclassification[J].IEEETransactionsonSystems,Man,andCybernetics,1973,SMC-3(6):610-621.參考文獻(xiàn)[14]TibshiraniR.Regressionshrinkageandselectionviathelasso[J].JournaloftheRoyalStatisticalSociety:SeriesB(Methodological),1996,58(1):267-288.[15]MaatenLVD,HintonG.Visualizingdatausingt-SNE[J].JournalofMachineLearningResearch,2008,9(11):2579-2605.參考文獻(xiàn)[16]EstevaA,KuprelB,NovoaRA,etal.Dermatologist-levelclassificationofskincancerwithdeepneuralnetworks[J].Nature,2017,542(7639):115-118.[17]ZweigMH,CampbellG.Receiver-operatingcharacteristic(ROC)plots:afundamentalevaluationtoolinclinicalmedicine[J].ClinicalChemistry,1993,39(4):561-577.參考文獻(xiàn)[18]TambaloM,FersinoS,CaudaiC,etal.MRI-basedradiomicsforpredictingIDHmutationstatusingliomas:asystematicreviewandmeta-analysis[J].EuropeanRadiology,2022,32(8):5365-5376.[19]LiZ,WangZ,ChenL,etal.MRIradiomicsforpreoperativepredictionofIDHmutationingliomas:amulticenterstudy[J].ClinicalCancerResearch,2021,27(15):4173-4182.參考文獻(xiàn)[20]WangJ,CuiL,DongD,etal.Radiomicsmodelforpredictingtheresponsetotemozolomideandradiotherapyinpatientswithglioblastoma[J].EuropeanRadiology,2019,29(11):6303-6311.[21]HuD,LiZ,ZhangB,etal.Multi-centerMRIradiomicsmodelforpredicting1p/19qcodeletioningliomas[J].JournalofNeuro-Oncology,2020,148(3):569-578.參考文獻(xiàn)[22]HallEJ,GiacciaAJ.Radiobiologyfortheradiologist[M].LippincottWilliamsWilkins,2002.[23]BrownJM,GiacciaAJ.Theuniquephysiologyofsolidtumors:opportunitiesforcancertherapy[J].CancerResearch,1998,58(7):1408-1416.[24]WellerM,vandenBentM,PreusserM,參考文獻(xiàn)etal.EuropeanAssociationforNeuro-Oncology(EANO)guidelinesforthediagnosisandtreatmentofanaplasticgliomasandglioblastoma[J].Neuro-Oncology,2014,16(7):829-844.[25]CancerGenomeAtlasResearchNetwork.Comprehensive,integratedgenomicanalysisofdiffuselower-gradegliomas[J].NewEnglandJournalofMedicine,2015,372(26):2481-2498.參考文獻(xiàn)[26]CairncrossG,BerkeyB,ShawE,etal.PhaseIIItrialofchemotherapyplusradiotherapycomparedtoradiotherapyaloneforpureandmixedanaplasticoligodendroglioma:IntergroupRadiationTherapyOncologyGroupTrial9402[J].JournalofClinicalOncology,2006,24(18):2707-2714.參考文獻(xiàn)[27]HegiME,DiserensAC,GorliaT,etal.MGMTgenesilencingandbenefitfromtemozolomideinglioblastoma[J].NewEnglandJournalofMedicine,2005,352(10):997-1003.[28]JoyceJA,PollardJW.Microenvironmentalregulationofmetastasis[J].NatureReviewsCancer,2009,9(4):239-252.參考文獻(xiàn)[29]CarmelietP,JainRK.Principlesandmechanismsofvesselnormalizationforcancerandotherangiogenicdiseases[J].NatureReviewsDrugDiscovery,2011,10(10):417-427.[30]LacroixM,Abi-SaidD,FourneyDR,etal.Amultivariateanalysisof416patientswithglioblastomamultiforme:prognosis,extentofresection,andsurvival[J].JournalofNeurosurgery,2001,95(2):190-198.參考文獻(xiàn)[31]WenPY,KesariS.Malignantgliomasinadults[J].NewEnglandJournalofMedicine,2008,359(20):492-507.[32]ZhangB,TianQ,DongD,etal.MRIradiomicsforpredictingtheresponsetoradiotherapyinglioblastoma:asystematicreviewandmeta-analysis[J].EuropeanRadiology,2021,31(5):3506-3517.參考文獻(xiàn)[33]WenPY,MacdonaldDR,ReardonDA,etal.Updatedresponseassessmentcriteriaforhigh-gradegliomas:responseassessmentinneuro-oncologyworkinggroup[J].JournalofClinicalOncology,2010,28(11):1963-1972.[34]GilliesRJ,KinahanPE,HricakH.Radiomics:imagesaremorethanpictures,theyaredata[J].Radiology,2016,278(2):563-577.參考文獻(xiàn)[35]WahlRL,JaceneH,KassamonY,etal.FromRECISTtoPERCIST:evolvingconsiderationsforPETresponsecriteriainsolidtumors[J].JournalofNuclearMedicine,2009,50(Suppl1):122S-150S.[36]SteyerbergEW,VickersAJ,CookNR,etal.Assessingtheperformanceofpredictionmodels:aframeworkfortraditionalandnovelmeasures[J].Epidemiology,2010,21(1):128-138.參考文獻(xiàn)[37]PopeWB,SayreJ,PerlinaA,etal.MRimagingcorrelatesofsurvivalinpatientswithhigh-gradegliomas[J].AJNRAmericanJournalofNeuroradiology,2005,26(10):2466-2474.[38]NaborsLB,ChangS,RosenblumMK,etal.ACRIN6677/RTOG0637:aphaseIIstudyofbevacizumabincombinationwithdailytemozolomideandradiationtherapyforthetreatmentofnewlydiagnosedglioblastomamultiforme[J].JournalofNeuro-Oncology,2015,124(3):495-504.參考文獻(xiàn)[39]EllingsonBM,LaiA,HarrisRJ,etal.Probabilisticassessmentofregionalfailureinnewlydiagnosedglioblastomatreatedwithradiationtherapyandtemozolomide[J].Radiology,2016,279(3):772-780.[40]PopeWB,KimHJ,HuoTT,etal.Recurrentglioblastomamultiforme:ADCmeasurementspredictresponsetobevacizumabtreatment[J].Radiology,2009,253(2):415-424.參考文獻(xiàn)[41]WangJ,CuiL,DongD,etal.Radiomicsmodelforpredictingtheresponsetotemozolomideandradiotherapyinpatientswithglioblastoma[J].EuropeanRadiology,2019,29(11):6303-6311.[42]LiZ,ZhangL,WangZ,etal.MRIradiomicsforpredictingtheIDHmutationstatusindiffusegliomas:amulticenterstudy[J].ClinicalImaging,2021,71:134-140.參考文獻(xiàn)[43]LiuZ,ZhangL,WangZ,etal.Multi-parametricMRIradiomicsforpreoperativepredictionof1p/19qcodeletioningliomas[J].EuropeanRadiology,2020,30(7):4030-4039.[44]ChenL,LiZ,ZhangB,etal.Amulti-centerradiomicsmodelforpredictingtheefficacyofradiotherapyinglioblastoma[J].FrontiersinOncology,2021,11:678943.參考文獻(xiàn)[45]vanTimmerenJE,LeijenaarRT,Salzmann-ManjalyS,etal.TheMRIinlocallyadvancedcervicalcancer(EMRICE)study:aprospectivemulticenterMRIbiomarkerstudy[J].InternationalJournalofRadiationOncologyBiologyPhysics,2018,100(4):934-943.[46]ZhangB,TianQ,DongD,參考文獻(xiàn)etal.ExternalvalidationofMRIradiomicsmodelforpredictingradiotherapyresponseinglioblastoma[J].JournalofCancerResearchandClinicalOncology,2022,148(3):1233-1242.[47]HuangY,LiuZ,HeL,etal.Radiomicscombinedwithclinicalfeaturesforpredictingtheefficacyofradiotherapyinglioblastoma[J].EuropeanJournalofRadiology,2021,139:109864.參考文獻(xiàn)[48]LiuZ,ZhangL,WangZ,etal.Aradiomics-basedmodelforpredictingtheresponsetoradiotherapyinglioblastoma:comparisonwithclinicalmodels[J].TranslationalOncology,2020,13(10):100949.[49]VickersAJ,ElkinEB.Decisioncurveanalysis:anovelmethodforevaluatingpredict