放射组学助力胸腺瘤诊疗：现状、突破与挑战

为提升胸腺瘤诊疗水平，研究人员探究放射组学应用，发现其潜力大但面临挑战，意义重大。

　　在医学的神秘领域中，胸腺瘤作为前纵隔常见肿瘤，虽发病率不算高，却因其复杂多变的生物学特性，给临床诊疗带来诸多难题。传统的诊断方式，像是依靠影像学、组织病理学和临床评估的 “组合拳”，在面对胸腺瘤时，常常力不从心。比如，在区分胸腺瘤亚型和其他纵隔肿物（像胸腺囊肿、淋巴瘤）方面，传统影像学就显得捉襟见肘；在精准判断肿瘤的恶性风险和预后时，也难以给出准确答案。而准确诊断、合理分期以及有效预测胸腺瘤相关重症肌无力（MG）的风险，对于制定个性化治疗方案、改善患者预后至关重要。在这样的背景下，放射组学这一新兴领域，逐渐走进人们的视野，为攻克胸腺瘤诊疗难题带来新希望。

江西省人民医院（南昌医学院第一附属医院）等机构的研究人员，针对胸腺瘤诊疗困境，开展了一项关于放射组学在胸腺瘤（胸腺上皮肿瘤，TETs）中应用的研究，相关成果发表在《BMC Cancer》杂志上。这项研究意义非凡，若放射组学能成功应用于临床，将极大提升胸腺瘤诊疗的精准度，推动个性化医疗发展，改善患者的生存质量和预后。

研究人员在开展研究时，采用了一系列关键技术方法。他们通过 PubMed 和 Web of Science 数据库，全面检索 2012 年以后发表的相关文献，筛选出符合条件的研究。利用多种成像模态（如 CT、MRI、PET/CT）获取影像数据，借助 PyRadiomics、ITK-SNAP 等软件工具进行特征提取，运用逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）等机器学习算法构建模型，并使用放射组学质量评分（RQS）评估研究质量。

下面来看具体的研究结果：

• 胸腺瘤的诊断：与传统成像方法相比，放射组学显著提高了胸腺瘤的诊断准确性。多项研究聚焦于区分胸腺瘤与特定纵隔病变。例如，在区分胸腺囊肿与胸腺瘤方面，有研究开发基于 CT 的放射组学列线图，将 Rad - score 与传统成像特征相结合，在验证队列中获得了 0.992 的曲线下面积（AUC）；还有研究利用深度学习模型结合放射组学，内部和外部验证的 AUC 分别达到 0.965 和 0.959。在区分胸腺癌与胸腺瘤，以及胸腺瘤与淋巴瘤等方面，不同研究也借助放射组学取得了高诊断准确性，AUC 大多超过 0.9。
• 风险亚型的预测：基于放射组学的模型在预测胸腺瘤风险亚型方面表现出色，能为评估肿瘤侵袭性提供有价值信息。众多研究运用不同的成像模态和算法，在区分高风险和低风险胸腺瘤上取得了较高的预测准确率，验证队列中的 AUC 常超过 0.85，部分研究甚至达到 0.9 以上。
• TNM 和 Masaoka - Koga（MK）分期：放射组学在预测 TNM 和 MK 分期上也发挥了有效作用。一些研究使用基于 CT 或 MRI 的放射组学模型，对胸腺瘤进行分期预测，获得了较高的 AUC 值，这表明放射组学能够提供更详细的肿瘤特征，有助于更精准地判断肿瘤分期。
• MG 风险的评估：放射组学模型在评估胸腺瘤患者 MG 风险方面展现出一定潜力，但预测准确性还有提升空间。有研究开发的深度学习模型，内部和外部验证的 AUC 分别为 0.766 和 0.730；也有研究报告其预测准确性为 0.639。

综合研究结论和讨论部分，放射组学在推进胸腺瘤的诊断、风险分层和分期方面具有巨大潜力。然而，目前该技术的临床应用还面临诸多挑战。一方面，现有研究大多是回顾性的，样本量较小且缺乏前瞻性设计，容易产生选择和回忆偏倚，影响研究结果的有效性和推广性。另一方面，研究的方法学存在差异，如分割技术不统一，有的依靠手动绘制，有的采用半自动方法，这导致放射组学特征的可重复性受到影响。此外，大部分研究缺乏外部验证、未进行成本效益分析，对开放科学原则的遵循也不足。

为了克服这些挑战，未来研究应重点开展多中心前瞻性研究，采用标准化成像协议，加强外部验证，整合多模态成像数据，并结合人工智能和分子生物标志物，进一步优化风险评估和个性化治疗策略。只有这样，放射组学才能从实验室走向临床实践，真正成为胸腺瘤诊疗的有力武器，为广大患者带来福音。