放射组学新突破：多转移灶分析策略助力精准肿瘤诊疗

《BMC Cancer》：Radiomic-based approaches in the multi-metastatic setting: a quantitative review

为解决多转移灶中放射组学特征组合无统一方法的问题，研究人员开展多转移灶放射组学分析研究，发现不同方法在不同数据集各有优劣，为该领域研究提供了重要参考。

　　

多转移灶放射组学研究：突破困境，开启精准诊疗新篇

在现代医学的宏大版图中，癌症的诊断与治疗始终是关键议题。放射组学作为新兴领域，旨在将医学影像转化为可挖掘的数据，从而为癌症诊疗提供更精准的依据。传统放射组学常聚焦于单个病灶分析，试图从中提取肿瘤特征，帮助医生了解肿瘤特性。然而，在多转移患者群体中，这种 “单点聚焦” 的模式就像管中窥豹，无法全面展现肿瘤的复杂全貌，尤其是肿瘤内部和不同病灶之间的异质性（指肿瘤细胞在形态、功能、基因表达等方面存在的差异）。

目前，多转移灶患者的放射组学特征组合缺乏公认的 “最优解”，这使得研究人员们各自探索，形成了多种各具优劣的方法。部分研究还存在透明度低、可重复性差的问题，代码和方法不公开，极大地阻碍了科研的进步。在这样的背景下，一项发表于《BMC Cancer》的研究横空出世，为多转移灶放射组学研究带来了新的曙光。

来自加拿大的研究团队，包括 Caryn Geady、Hemangini Patel 等，针对多转移灶放射组学的难题展开了深入研究。他们的研究目标明确：全面评估现有多转移灶放射组学分析方法，探究其适用性与有效性，为后续研究奠定基础，助力建立该领域的最佳实践方案。

为实现这一目标，研究人员采用了一系列关键技术方法。首先，他们运用双数据库检索策略，在 Scopus 和 PubMed 数据库中进行全面系统的文献搜索，筛选出符合要求的研究方法。接着，利用三个独特的数据集开展研究，包括 TCIA—RADCURE（头颈部癌数据集，包含 3188 例患者的 CT 影像及临床数据）、TCIA—CRLM（结直肠癌肝转移数据集，有 197 例患者的相关数据）和 SARC021（软组织肉瘤数据集，涉及 545 例患者）。针对每个数据集，研究人员使用 PyRadiomics 库提取放射组学特征，并运用 10 种不同技术进行分析，这些技术主要分为病变选择方法、整合选定病变信息的方法以及整合所有病变信息的方法三大类。最后，通过 Cox 比例风险模型评估模型性能，以总肿瘤体积的单变量分析作为基准进行对比。

研究结果可谓亮点纷呈：

• 文献筛选结果：在筛选的 263 篇文章中，仅有 11% 符合研究标准。详细审查的 38 种方法里，最终仅 26% 被纳入分析，多数被排除的方法要么聚焦于原发性肿瘤分析，要么针对单个病灶预测治疗反应。
• 不同数据集的模型性能：在 TCIA—RADCURE 数据集中，所有患者中选择原发性肿瘤并使用 10 个特征的方法表现最佳，但在不同亚组中，原发性肿瘤作为最大病灶的比例不同，导致模型性能存在差异，且没有一种放射组学方法始终优于总肿瘤体积的单变量分析。在 TCIA—CRLM 数据集中，许多放射组学方法优于总肿瘤体积分析，随着病灶数量增加，模型性能显著提升，其中 VWA 方法在三个及以上病灶亚组中表现最佳，不过样本量减少时模型性能分布变宽，存在过拟合风险。SARC021 数据集中，整体结果呈现混合模式，在三个及以上病灶亚组中，除两种模型外，其他模型的中位性能均有所提升，串联（Concatenation）方法表现最佳。

研究结论与讨论部分意义重大。研究表明，放射组学特征在多转移患者中的分析策略因转移情况而异，不同数据集下各方法表现不同，这凸显了疾病阶段、部位、肿瘤负荷和病灶异质性等因素对特征聚合策略的影响。同时，研究还指出未来应探索自适应方法，根据临床和影像特征优化特征聚合策略。此外，虽然研究存在一定局限性，如样本量和特征选择方法可能影响结果的普适性，部分方法代码获取困难影响可重复性，但研究人员公开了代码，为后续研究提供了重要资源，推动了开放科学在放射组学领域的发展。

这项研究为多转移灶放射组学研究指明了方向，填补了该领域的关键空白，其成果将助力科研人员更深入地探索癌症的奥秘，有望推动肿瘤精准诊疗迈向新的高度，为广大癌症患者带来新的希望。