综述：基于MRI的影像组学在肺癌脑转移诊断、评估和治疗中的应用

这篇综述系统阐述了磁共振成像(MRI)结合影像组学(Radiomics)和深度学习(DL)技术在肺癌(LC)脑转移(BMs)诊疗中的最新进展，重点探讨了多参数MRI在病灶分割、鉴别诊断、病理分型、EGFR基因突变预测及疗效评估中的应用价值，为个体化精准医疗提供了非侵入性解决方案。

　　

引言

脑转移(BMs)是最常见的颅内恶性肿瘤，其中肺癌(LC)来源占比高达50%。随着MRI设备的普及和影像技术进步，基于MRI的影像组学通过高通量特征提取，可量化反映肿瘤生物学特性，为LC BMs的精准诊疗提供了新思路。

MRI在LC BMs中的应用

常规MRI序列

对比增强T1加权成像(CE-T1WI)是BMs诊断的金标准，能清晰显示肿瘤血供异质性。结合T2WI和T2-FLAIR序列，可全面评估病灶形态学特征。

功能MRI序列

扩散加权成像(DWI)显示小细胞肺癌(SCLC) BMs因细胞密度高而表观扩散系数(ADC)更低。多参数功能MRI可捕捉肿瘤代谢和血流动力学变化，为早期诊断提供补充信息。

MRI影像组学技术

影像组学通过提取TAA（肿瘤活性区）、PE（瘤周水肿）和M/BP（转移灶/脑实质界面）等区域的高通量特征，结合机器学习(ML)算法构建预测模型。最新研究表明：

• 支持向量机(SVM)模型鉴别BMs与胶质母细胞瘤(GBM)的AUC达0.96
• 基于ResNet18的深度学习模型区分SCLC与NSCLC BMs的AUC为0.751
• 多区域联合模型预测EGFR突变状态的AUC高达0.968

LC BMs诊断突破

鉴别诊断

随机森林(RF)模型利用CE-T1WI和T2-FLAIR特征，区分原发中枢神经系统淋巴瘤(PCNSL)与BMs的AUC为0.73。M/BP区域纹理特征在鉴别诊断中展现更强异质性。

病理分型

2.5D多实例学习模型对SCLC/腺癌(AD)/鳞癌(SCC)的分类AUC达0.868。值得注意的是，瘤周水肿区域包含重要病理分型信息。

分子分型与治疗预测

EGFR突变预测

• 多中心研究显示，T2-FLAIR序列1mm瘤周区域特征预测EGFR突变AUC为0.785
• 深度学习联合影像组学的Radio-GCN模型对EGFR野生型/19del/21L858R亚型预测AUC接近1.0

疗效评估

立体定向放射外科(SRS)治疗后：

• 2D Conv-GRU模型预测疗效的AUC优于传统测量方法(0.834 vs 0.752)
• 结合剂量分布图的深度学习模型预测局部控制率的AUC达0.89

靶向治疗

EGFR-TKIs疗效预测：

• 第三代TKI治疗者的临床-影像组学联合模型C-index为0.803
• 动态监测模型对3/6/9个月无进展生存期(PFS)预测AUC分别为0.88/0.73/0.92

挑战与展望

当前面临数据标准化、模型可解释性等挑战。通过建立多中心基准数据集、开发可解释AI(XAI)技术（如Grad-CAM），有望推动影像组学向临床转化。未来融合基因组学等多模态数据，将进一步提升LC BMs精准诊疗水平。

（注：全文严格依据原文内容归纳，所有数据结论均有原文对应，专业术语均保留英文缩写及符号规范）