放射转录组学联合影像组学优化甲状腺乳头状癌无创风险分层系统

为解决甲状腺乳头状癌(PTC)过度治疗难题，研究人员通过整合放射组学与转录组学数据，开发了基于超声影像的Cluster 2评分系统。该研究在608例患者队列中鉴定出三种具有显著临床差异的肿瘤亚型，其中Cluster 2组呈现RAS样生物学特征和良好预后（AUC=0.98），可独立预测淋巴结转移(N1b)和治疗反应，为精准实施主动监测(AS)提供了新型无创工具。

　　

甲状腺癌是全球增长最快的恶性肿瘤之一，其中90%为预后良好的甲状腺乳头状癌(PTC)。随着超声(US)技术的普及，大量微小癌被早期检出，但这也带来了过度治疗的困境——尽管5年生存率高达99%，许多患者仍接受不必要的手术和放射性碘治疗。当前临床依赖的美国甲状腺协会(ATA)风险分层系统存在明显局限：无法无创识别具有侵袭性分子特征（如BRAF^V600E合并TERT启动子突变）的肿瘤，对淋巴结转移(LNM)的预测准确性不足，导致低危患者被过度干预而高危患者漏诊。

为突破这一瓶颈，韩国延世癌症中心的研究团队在《SCIENCE ADVANCES》发表创新性研究。他们首次将放射组学与转录组学整合，通过对608例PTC患者（含255例探索队列和353例验证队列）的多维度分析，建立了可指导临床决策的智能化分层系统。研究采用超声影像特征提取、非负矩阵分解(NMF)聚类、LASSO机器学习算法构建风险评分，并通过RNA测序、免疫组化(IHC)和qPCR揭示分子机制。

主要技术方法

研究团队从术前US图像提取730个放射组学特征，经可靠性筛选后保留75个关键特征进行无监督聚类。通过NMF算法鉴定出3个具有显著临床差异的亚型，其中Cluster 2展现独特生物学特征。采用LASSO回归构建Cluster 2特异性评分系统，在内部和外部验证集中评估其预测性能。通过RNA测序分析差异表达基因(DEG)，使用GSEA进行通路富集，并通过TCGA数据库验证预后相关基因。实验验证包括qPCR检测5个关键基因表达，IHC分析PAX5和ATF5蛋白表达。

研究结果

Clinicogenomic characterization of radiomics-based unsupervised clusters

通过NMF聚类将PTC分为三组：Cluster 1具有最大肿瘤尺寸(2.15cm)和最高TERT突变率(20%)；Cluster 3富含BRAF^V600E突变(92.5%)和EMT信号；而Cluster 2显示中间风险特征(72%属ATA中危)，calcification阴性率显著更高(49.5% vs 26.3-34.3%，P=0.0039)。

Developing Cluster 2 specific scoring system using a machine learning algorithm

LASSO算法筛选出23个Cluster 2特征构建评分系统，在预测甲状腺全切术(AUC=0.768)和侧颈淋巴结转移(N1b)(AUC=0.781)方面显著优于传统模型(P<0.05)。

Cluster 2 score independently predicts advanced LNM and therapeutic indications

评分可独立预测治疗决策：高分患者更少接受高剂量放射性碘治疗(>150mCi)(OR=0.985，P=0.044)，且1年随访时甲状腺球蛋白(Tg)<1μg/L的比例更高(P<0.05)。

Integration of transcriptomics analysis identifies distinct biology in Cluster 2

转录组分析揭示Cluster 2高分组富集B细胞活化(PAX5)和免疫应答基因，低分组则高表达线粒体应激相关ATF5。验证实验显示PAX5阳性细胞在高分组达24.2%(vs 5.9%低分)，ATF5阳性细胞在低分组达64.4%(vs 29.9%高分)。

讨论与意义

该研究创新性地将影像特征与分子亚型关联，突破传统TI-RADS仅依赖形态学的局限。Cluster 2评分系统可无创预测：①RAS样生物学特征（与BRAF样Cluster 3形成对比）；②淋巴结转移风险降低40%；③对治疗敏感性强（Tg阴性率提高3倍）。临床价值在于：为主动监测(AS)提供客观标准，避免对62%低危患者的过度治疗；同时通过识别TERT/BRAF共突变高危患者（占11.3%），弥补现有指南盲区。

研究也存在局限性：仅采用ACR TI-RADS标准，未比较其他分类系统；样本量限制需多中心验证。未来可结合深度学习提升模型普适性，并探索将该系统整合至术前决策流程，最终实现PTC的精准管理从"一刀切"到"量体裁衣"的范式转变。