【摘要】 胃癌（gastric cancer，GC）是消化系統(tǒng)最常見的惡性腫瘤之一，發(fā)病率僅次于肺癌和結(jié)直腸癌。早期GC臨床癥狀隱匿，發(fā)現(xiàn)時(shí)腫瘤已發(fā)展至中晚期，患者預(yù)后不佳。因此，術(shù)前預(yù)測(cè)GC淋巴結(jié)轉(zhuǎn)移（lymph node metastasis，LNM）、腫瘤TNM分期及組織學(xué)分級(jí)、分化程度的區(qū)分、GC與相關(guān)腫瘤的鑒別、化療效果及預(yù)后的評(píng)估至關(guān)重要。近年來，影像組學(xué)在GC中的應(yīng)用越來越廣泛。本文首先對(duì)影像組學(xué)進(jìn)行介紹，然后對(duì)影像組學(xué)在GC臨床中的應(yīng)用進(jìn)行一一敘述。

【關(guān)鍵詞】 胃癌 影像組學(xué) 淋巴結(jié)轉(zhuǎn)移 TNM分期

Research Progress of Radiomics in the Clinical Application of Gastric Cancer/LENG Xiaoxuan， XIANG Chunyang， DENG Shan， YANG Weizhen， CAI Shengyan. //Medical Innovation of China， 2024， 21（22）： -178

[Abstract] Gastric cancer （GC） is one of the most common malignant tumors of the digestive system， and its incidence is second only to lung cancer and colorectal cancer. The clinical symptoms of early GC are insidious， and the tumor has developed to the middle and late stage when it is found， and the prognosis of patients is poor. Therefore， preoperative prediction of lymph node metastasis （LNM）， tumor TNM stage and histological grade， differentiation of differentiation degree， differentiation of GC and related tumors， chemotherapy efficacy and prognosis evaluation are very important.In recent years， radiomics has been widely used in GC. This paper first introduces radiomics， and then describes the application of radiomics in the clinical practice of GC.

[Key words] Gastric cancer Radiomics Lymph node metastasis TNM staging

First-author's address： Department of Radiology， Hongqi Hospital Affiliated to Mudanjiang Medical University， Mudanjiang 157011， China

doi：10.3969/j.issn.1674-4985.2024.22.039

胃癌（gastric cancer，GC）是消化系統(tǒng)最常見的惡性腫瘤之一，據(jù)估計(jì)2022年我國確診癌癥中GC居于第三位，僅次于肺癌和結(jié)直腸癌，死亡原因位于前五位。雖然近年來在中國GC的發(fā)病率和死亡率逐漸下降，但GC預(yù)計(jì)死亡人數(shù)將達(dá)到40萬[1]。早期GC因其癥狀隱匿，發(fā)現(xiàn)時(shí)已發(fā)展至中晚期，出現(xiàn)淋巴結(jié)轉(zhuǎn)移（lymph node metastasis，LNM）及遠(yuǎn)處轉(zhuǎn)移，患者預(yù)后不佳。因此，早期發(fā)現(xiàn)并接受診斷及治療對(duì)改善GC患者的預(yù)后至關(guān)重要。在臨床上，通常情況下，影像科醫(yī)師通過傳統(tǒng)的影像學(xué)檢查對(duì)GC進(jìn)行術(shù)前TNM分期，例如他們利用CT觀察淋巴結(jié)轉(zhuǎn)移范圍判斷N分期，然而反應(yīng)性或炎癥性淋巴結(jié)在惡性腫瘤中占相當(dāng)大的比例，一定比例的患者存在臨床結(jié)節(jié)分期不準(zhǔn)確的情況，這給臨床工作帶來極大的挑戰(zhàn)。另外，胃鏡活檢是早期診斷GC常用的術(shù)前檢測(cè)方法，但腫瘤具有異質(zhì)性，從而使活檢時(shí)選取部位的腫瘤信息不能完全反映腫瘤的全部特征，這直接影響了活檢結(jié)果的準(zhǔn)確性。

因此，急需一種針對(duì)早期GC全面精確的診斷手段。近年來，影像組學(xué)作為一種新興的研究領(lǐng)域，在GC的分期及分級(jí)、淋巴結(jié)轉(zhuǎn)移預(yù)測(cè)及新輔助化療預(yù)后評(píng)價(jià)等方面取得了突破性進(jìn)展，本文就影像組學(xué)的概念及其在GC臨床方面的應(yīng)用進(jìn)行闡述。

1 影像組學(xué)的概述

影像組學(xué)是基于腫瘤的異質(zhì)性，通過提取醫(yī)學(xué)圖像無法被肉眼識(shí)別的微觀特征，分析影像組學(xué)特征與臨床數(shù)據(jù)的相關(guān)性，為臨床治療提供決策支持的一種多學(xué)科交叉的新手段。目前，將影像組學(xué)的處理流程分為5個(gè)方面，如下。

1.1 影像數(shù)據(jù)的獲取

影像數(shù)據(jù)是分析流程的前提，目前主要通過CT、MRI、超聲、PET/CT等媒介來獲取。但是，包括輻射劑量、掃描協(xié)議等在內(nèi)的圖像采集參數(shù)在臨床實(shí)踐中差異很大，基于以往研究發(fā)現(xiàn)體素大小對(duì)圖像特征的可重復(fù)性影響顯著，尤其是層厚[2]。因此，影像組學(xué)對(duì)圖像的質(zhì)量及標(biāo)準(zhǔn)化、統(tǒng)一化提出了更高的要求。

1.2 圖像分割

分割是影像組學(xué)流程中的關(guān)鍵步驟，即在腫瘤或瘤周相關(guān)區(qū)域勾畫出特定的感興趣區(qū)（region of interest，ROI），精準(zhǔn)分割是特征參數(shù)提取的先決條件。在大多數(shù)研究中，分割有手動(dòng)分割、半自動(dòng)分割和全自動(dòng)分割3種方式。三種相比，全自動(dòng)分割耗時(shí)短，工作量小，但針對(duì)邊界模糊的病變不如半自動(dòng)分割效果好[3]。目前，研究人員已經(jīng)開發(fā)出多種可供使用的分割工具，如3D Slicer、ITK-SNAP、MIM及MaZda等軟件。這些程序大多數(shù)都提供了手動(dòng)或半自動(dòng)分割選擇。但部分軟件在自動(dòng)勾畫選擇上存在誤差，需要人工再次檢查并進(jìn)行更改。

1.3 特征提取

影像組學(xué)特征可以分為形態(tài)特征、一階和二階直方圖和影像高階特征，不同的研究內(nèi)容需要的圖像處理方式多樣，需要根據(jù)自身需求進(jìn)行影像組學(xué)特征的選擇。

1.4 特征選擇

在提取到的大量影像組學(xué)特征中，并非都是有用的，因此需要對(duì)特征進(jìn)行降維篩選以獲取最優(yōu)特征子集。常用的特征選擇包括監(jiān)督、半監(jiān)督、無監(jiān)督3種。其中，最小絕對(duì)收斂和選擇算子（least absolute shrinkage and selection operator，LASSO）[4]、主成分分析（principal components analysis，PCA）是常用的方法。

1.5 建立模型

模型的建立和數(shù)據(jù)分析是影像組學(xué)流程的最后一步。其中，分類模型包括對(duì)疾病二分類的邏輯回歸和利用多個(gè)決策樹分類的隨機(jī)森林（radom forest，RF）等。此外，深度學(xué)習(xí)也是常用的方法之一，如卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）。隨著研究的不斷深入，研究人員也可自行設(shè)計(jì)CNN，對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整。

模型建立后，還需要對(duì)模型的性能進(jìn)行驗(yàn)證，從而得到高精度、高效率的模型。常用方法包括受試者操作特征（receiver operating characteristic，ROC）曲線和曲線下面積（area under curve，AUC）等。也可以通過繪制kaplan-meier（KM）生存曲線，通過對(duì)數(shù)秩檢測(cè)（log-rank test）等方法進(jìn)行評(píng)估[5]。

2 影像組學(xué)在GC中的臨床應(yīng)用

2.1 預(yù)測(cè)GC轉(zhuǎn)移

2.1.1 預(yù)測(cè)LNM LNM是GC最常見的轉(zhuǎn)移方式，也是影響患者預(yù)后的關(guān)鍵因素[6]。Wang等[7]基于能譜CT不同能級(jí)（40、65、100 keV）的影像組學(xué)模型預(yù)測(cè)LNM情況。研究表明組學(xué)特征在40 keV水平的動(dòng)脈期和65 keV水平的靜脈期對(duì)LNM的預(yù)測(cè)有顯著意義，且組學(xué)標(biāo)簽、能譜CT參數(shù)和CT評(píng)估指標(biāo)三者結(jié)合的聯(lián)合模型的預(yù)測(cè)性能最高。另外國內(nèi)學(xué)者采用基于雙能CT（dual-energy CT，DECT）構(gòu)建了RF模型，該影像組學(xué)模型在預(yù)測(cè)GC LNM具有良好的診斷效能，聯(lián)合多參數(shù)的Nomogram圖的預(yù)測(cè)能力最佳[8]。

腫瘤細(xì)胞可以將葡萄糖轉(zhuǎn)化為乳酸，生成三磷酸腺苷（adenosine triphosphate，ATP）供給能量，這種異常的能量代謝可以通過18F-FDG PET/CT來定量評(píng)估。Xue等[9]采ac790fa097cbf7e3a684b9526e606fcd用18F-FDG PET/CT放射組學(xué)特征預(yù)測(cè)LNM，結(jié)果三個(gè)隊(duì)列的AUC值分別為0.792、0.803和0.762，這說明利用18F-FDGPET/CT圖像的放射組學(xué)特征對(duì)LNM具有一定的預(yù)測(cè)價(jià)值。

2.1.2 預(yù)測(cè)血管淋巴管侵襲（LVI）及遠(yuǎn)處轉(zhuǎn)移 LVI是腫瘤細(xì)胞擴(kuò)散的重要步驟，具有顯著的區(qū)域淋巴結(jié)轉(zhuǎn)移風(fēng)險(xiǎn)。范曉東等[10]基于CT影像組學(xué)評(píng)分（Rad-score）和TNM分期共同建造列線圖，來預(yù)測(cè)GC的脈管浸潤。結(jié)果顯示LVI陽性組的Rad-score高于陰性組，且基于T分期、N分期、AJCC分期和Rad-score的臨床影像聯(lián)合模型預(yù)測(cè)LVI的AUC值、準(zhǔn)確度和特異度較單獨(dú)影像組學(xué)模型均有所提升，這與Chen等[11]的研究結(jié)果相似。另有研究者利用4種影像組學(xué)模型分別對(duì)GC LVI進(jìn)行對(duì)比分析，研究結(jié)果顯示logistic回歸模型的診斷效果最好[12]。

腹膜轉(zhuǎn)移是GC最常見的轉(zhuǎn)移方式之一。GC一旦出現(xiàn)腹膜轉(zhuǎn)移，患者預(yù)后不佳。因此，早期識(shí)別GC腹膜轉(zhuǎn)移對(duì)患者預(yù)后至關(guān)重要。有學(xué)者基于增強(qiáng)CT動(dòng)脈期圖像建立放射組學(xué)模型預(yù)測(cè)GC大網(wǎng)膜轉(zhuǎn)移[13]。最終，影像組學(xué)評(píng)分+臨床特征的組合預(yù)測(cè)模型在訓(xùn)練組和測(cè)試組中的診斷效能均為最佳，這說明該模型對(duì)大網(wǎng)膜的轉(zhuǎn)移具有良好的預(yù)測(cè)能力。

遠(yuǎn)處轉(zhuǎn)移是導(dǎo)致GC高死亡率的主要因素之一。其中，卵巢轉(zhuǎn)移是女性GC中一種獨(dú)特的遠(yuǎn)處轉(zhuǎn)移，在GC中并不少見。既往研究表明，GC患者卵巢轉(zhuǎn)移（ovarian metastasis，OM）預(yù)后差，生存期短[14]。Zhang等[15]研究結(jié)果顯示，在訓(xùn)練和驗(yàn)證隊(duì)列中，結(jié)合年齡和Rad-score的Nomogram圖AUC值最高，說明該聯(lián)合模型可用于檢測(cè)女性GC患者的SOM。

2.2 區(qū)分GC TNM分期和組織學(xué)分級(jí)

對(duì)于局部晚期疾病的患者，通常在手術(shù)的同時(shí)進(jìn)行輔助或新輔助治療（NAC）。中國臨床腫瘤學(xué)會(huì)推薦T3期及以上的患者使用NAC，而T2期患者則不建議使用NAC[16]。因此，準(zhǔn)確評(píng)估疾病分期對(duì)于選擇合適的NAC治療患者尤為重要。Wang等[17]研究表明CT放射組學(xué)能很好地鑒別GC T2、T3和T4期。另有國內(nèi)學(xué)者在上述研究的基礎(chǔ)上，結(jié)合了臨床特征構(gòu)建影像組學(xué)諾模圖，結(jié)果表明此模型可以更好地區(qū)分T1、T2和T3、T4期GC[18]，這與劉婧娟等[19]的研究結(jié)果相似，均體現(xiàn)了Nomogram圖在術(shù)前預(yù)測(cè)GC分期中的診斷價(jià)值。

第八版腫瘤淋巴結(jié)轉(zhuǎn)移（TNM）分期體系將T4b期GC定義為腫瘤浸潤漿膜，侵犯鄰近結(jié)構(gòu)和器官，其預(yù)后遠(yuǎn)低于其他分期。在臨床中，對(duì)腫瘤分期的過高估計(jì)從而直接進(jìn)行擴(kuò)大切除術(shù)，只有42%～66%的cT4b患者具有相同的病理分期[20]。因此，準(zhǔn)確識(shí)別T4b分期對(duì)患者精準(zhǔn)治療是必要的。Liu等[21]研究說明Nomogram聯(lián)合三期放射組學(xué)Rad-score及臨床特征預(yù)測(cè)效果最佳，可為cT4 GC患者提供個(gè)性化的臨床決策支持。

王雷等[22]基于增強(qiáng)CT動(dòng)、靜脈期聯(lián)合模型預(yù)測(cè)GC的病理分級(jí)，結(jié)果發(fā)現(xiàn)靜脈期模型預(yù)測(cè)效能高于動(dòng)脈期。該研究表明相鄰灰度差矩陣特征中的忙碌度、一階特征中的能量以及灰度共生矩陣特征中的方差有病理分期相關(guān)。在先前研究中同樣發(fā)現(xiàn)NGTDM特征中的忙碌度可以作為腫瘤預(yù)后不良的潛在標(biāo)記物[23]。

其他學(xué)者則是基于碘基物質(zhì)分解（IMD）圖像的放射組學(xué)模型來預(yù)測(cè)GC患者的組織學(xué)分級(jí)[24]。結(jié)果表明該放射組學(xué)模型能有效區(qū)分低分化和高分化GC。Huang等[25]開發(fā)了一種結(jié)合腫瘤位置和放射組學(xué)特征的放射組學(xué)圖來區(qū)分GC組織學(xué)分級(jí)。以上研究均說明影像組學(xué)可用于術(shù)前GC組織學(xué)分級(jí)的預(yù)測(cè)。

2.3 預(yù)測(cè)GC組織學(xué)分型

越來越多的研究發(fā)現(xiàn)，不同的組織學(xué)分化類型與GC的預(yù)后密切相關(guān)。根據(jù)日本GC分類法和勞倫分類法，GC在組織學(xué)上分為分化型、擴(kuò)張型或腸型和未分化型或彌漫型。其中，未分化型GC的淋巴結(jié)轉(zhuǎn)移率高于分化型GC，預(yù)后較差。因此，組織學(xué)分化類型已被視為評(píng)估GC患者腫瘤進(jìn)展、治療方案和預(yù)測(cè)預(yù)后的關(guān)鍵因素。

陳建等[26]研究表明CT影像組學(xué)在術(shù)前無創(chuàng)預(yù)測(cè)GC組織學(xué)分型方面具有一定潛力。其他學(xué)者分析結(jié)果示，影像組學(xué)模型表現(xiàn)優(yōu)于其他模型[27]，這說明該模型可以實(shí)現(xiàn)對(duì)Lauren分型的個(gè)性化預(yù)測(cè)。

除此之外，Li等[28]基于雙能CT（DECT）建立了能夠預(yù)測(cè)GC Lauren分型的模型，結(jié)果顯示靜脈期碘圖（IM）與120 kVp等效混合圖像（MIX）相結(jié)合的R-COMB模型的診斷效能最佳（AUC=0.855）。另有學(xué)者基于放射組學(xué)分析的GC形態(tài)圖來鑒別GC不同組織學(xué)分型[29]，結(jié)果表明灰度大小區(qū)域矩陣（gray-level size zone matrix，GLSZM）和灰度依賴矩陣（gray-level dependence matrix，GLDM）的值與圖像的灰度相關(guān)性呈正相關(guān)。在分化型GC中灰度相關(guān)性高于未分化GC，GLSZM和GLDM值較大，這說明該模型能夠區(qū)分分化型GC和未分化型GC，對(duì)個(gè)性化方案的制定具有指導(dǎo)作用。

2.4 GC的鑒別診斷

GC與原發(fā)性胃淋巴瘤（primary gastric lymphoma，PGL）在臨床及影像學(xué)表現(xiàn)極為相似，所以在臨床上不易鑒別。并且兩種腫瘤的臨床治療方案完全不同，GC的最佳治療手段為手術(shù)切除，而PGL則通過放、化療控制。因此，兩種腫瘤的準(zhǔn)確鑒別對(duì)于患者預(yù)后及治療方案的選擇至關(guān)重要。Deng等[30]基于靜脈期CT圖像VOI提取及三維影像組學(xué)特征構(gòu)建模型來鑒別Borrmann Ⅳ型和PGL。研究得出結(jié)論，影像組學(xué)標(biāo)簽的診斷能力優(yōu)于CT征象診斷模型。陳欽賢等[31]得出了相似的結(jié)論，即靜脈期反映腫瘤異質(zhì)性的能力更強(qiáng)。

此外，胃神經(jīng)內(nèi)分泌癌（gastric neuroendocrine carcinomas，NECs）也常被誤診為胃腺癌（ADC），而NECs預(yù)后較胃腺癌差，兩種腫瘤在治療方案上差異較大，所以尚需一種方法來鑒別NECs和ADC，從而為臨床提供診療措施。有學(xué)者研究表明放射組學(xué)Nomogram圖顯示出了鑒別胃神經(jīng)內(nèi)分泌癌和胃腺癌最佳的診斷性能，其中胃NECs的CT圖像灰度分布（GLCM_Energy值較高）比ADC更不均勻[32]，這與Dong等[33]的研究結(jié)果相似。此外在本研究中，胃NECs的偏度、熵和相關(guān)性也具有有限的價(jià)值。

2.5 評(píng)估GC生物學(xué)標(biāo)志物水平

目前，臨床上發(fā)現(xiàn)Ki-67陽性表達(dá)率的高低與GC的分化程度、淋巴結(jié)轉(zhuǎn)移及預(yù)后密切相關(guān)。董夢(mèng)藝等[34]采用支持向量機(jī)（support vector machine，SVM）構(gòu)建影像-臨床聯(lián)合模型預(yù)測(cè)Ki-67表達(dá)水平，結(jié)果表明Rad-score與GC組織Ki-67高表達(dá)呈正相關(guān)。另有學(xué)者回顧性收集121例胃腺癌患者，最終篩選出7個(gè)影像組學(xué)特征，其預(yù)測(cè)Ki-67高表達(dá)水平的AUC值為0.838[35]。在此基礎(chǔ)上與CT癌灶T分期（rT）、動(dòng)脈期強(qiáng)化率構(gòu)建聯(lián)合模型列線圖進(jìn)一步提高預(yù)測(cè)效能，AUC值為0.870，這說明列線圖能更好地預(yù)測(cè)Ki-67水平高低。

隨著臨床試驗(yàn)的不斷進(jìn)展，靶向藥物進(jìn)入醫(yī)療領(lǐng)域，人表皮生長受體2（human epidermal growth factor receptor 2，HER2）成為GC靶向給藥的重要靶點(diǎn)之一[36]。黃文鵬等[37]采用基于RF的增強(qiáng)CT門脈期影像組學(xué)預(yù)測(cè)HER-2弱陽性GC患者基因擴(kuò)增。Zhao等[38]開發(fā)建立的模型在訓(xùn)練和驗(yàn)證隊(duì)列中具有穩(wěn)定的預(yù)測(cè)能力，Nomogram圖在量化個(gè)體HER2過表達(dá)陽性狀態(tài)的風(fēng)險(xiǎn)方面具有一定的臨床應(yīng)用潛力。其他學(xué)者采用基于18F-FDG PET/CT放射組學(xué)模型來預(yù)測(cè)GC患者HER2的表達(dá)和預(yù)后[39]，結(jié)果顯示該模型可以在IVC中區(qū)分HER2陽性和陰性表達(dá)。這說明18F-FDG PET/CT放射組學(xué)能夠區(qū)分不同的HER2表達(dá)和不同的預(yù)后預(yù)測(cè)。

2.6 評(píng)估GC NAC療效及預(yù)后

隨著研究的不斷深入，NAC成為治療進(jìn)展期GC的又一有效手段。然而對(duì)接受NAC治療的患者中，僅有不到一半具有良好反應(yīng)。因此，若能在治療前預(yù)測(cè)NAC的療效，對(duì)臨床制定個(gè)性化方案提供重要幫助。

有國內(nèi)學(xué)者提出采用多層螺旋CT（multi-slice spiral CT，MSCT）三維圖像來評(píng)價(jià)GC NAC療效[40]，結(jié)果發(fā)現(xiàn)腫瘤體積減小率和腫塊最大厚度減小率均可以在一定程度上評(píng)估化療療效。李清婉等[41]基于CT影像組學(xué)構(gòu)建模型來預(yù)測(cè)術(shù)前GC NAC的療效，結(jié)果發(fā)現(xiàn)模型在訓(xùn)練集和測(cè)試集的AUC值分別為0.786和0.759，這說明影像組學(xué)可作為預(yù)測(cè)GC NAC療效的一種新技術(shù)。Cui等[42]基于增強(qiáng)CT圖像和臨床特征聯(lián)合的深度學(xué)習(xí)放射組學(xué)圖（DLRN），預(yù)測(cè)局部晚期GC患者對(duì)新輔助化療的反應(yīng)，結(jié)果顯示DLRN在預(yù)測(cè)GC晚期患者對(duì)NAC的反應(yīng)方面具有顯著的區(qū)分能力。

Hao等[43]評(píng)估了各種臨床變量和定量CECT成像的組合對(duì)GC患者總體生存的預(yù)測(cè)，結(jié)果表明深度學(xué)習(xí)Nomogram圖對(duì)GC患者生存的預(yù)測(cè)效果最佳。另有學(xué)者基于增強(qiáng)CT開發(fā)了一種放射組學(xué)模型來預(yù)測(cè)接受GC根治術(shù)后患者的預(yù)后情況[44]。以上研究結(jié)果均表明影像組學(xué)模型在預(yù)測(cè)患者生存方面具有臨床指導(dǎo)價(jià)值。

過往研究腫瘤微環(huán)境（tumor microenvironment， TME）在疾病進(jìn)展中起著關(guān)鍵作用，是癌癥患者治療反應(yīng)的關(guān)鍵決定因素。Jiang等[45]開發(fā)了一種結(jié)合深度學(xué)習(xí)和放射組學(xué)的模型來評(píng)估GC TME。結(jié)果在化療敏感GC中淋巴細(xì)胞的表達(dá)較高，而在耐藥GC的成纖維細(xì)胞和中性粒細(xì)胞的表達(dá)更高，這說明模型能夠評(píng)估腫瘤內(nèi)部環(huán)境，從而提高對(duì)免疫治療反應(yīng)的預(yù)測(cè)。Huang等[46]表明動(dòng)態(tài)增強(qiáng)磁共振成像（DCE-MRI）的放射組學(xué)特征與AGC中腫瘤浸潤性CD8+和CD4+T細(xì)胞的表達(dá)有關(guān)，該模型可能有助于指導(dǎo)臨床確定免疫治療的受益者。

3 小結(jié)和展望

本綜述主要從影像組學(xué)在GC臨床中的應(yīng)用進(jìn)行了表述。影像組學(xué)作為一種多學(xué)科融合工具，可以挖掘出圖像中肉眼無法觀察的微觀信息。它主要通過提取腫瘤病灶及周圍區(qū)域包括形態(tài)、紋理在內(nèi)的相關(guān)特征，結(jié)合臨床及病理信息建立模型，從而更好地體現(xiàn)出GC的異質(zhì)性，在預(yù)測(cè)LNM、相關(guān)腫瘤的鑒別診斷、腫瘤的分期和分級(jí)的評(píng)估及預(yù)測(cè)NAC療效和預(yù)后等方面均發(fā)揮了一定作用，為臨床實(shí)踐提供了一種無創(chuàng)、安全的新技術(shù)，為患者的早期診斷和治療提供了有力的幫助。

但GC影像組學(xué)仍然面臨著巨大的挑戰(zhàn)。首先是圖像數(shù)據(jù)的標(biāo)準(zhǔn)化，儀器設(shè)備、ROI勾畫設(shè)定及特征選擇均會(huì)影響圖像質(zhì)量；其次，單一的成像方式不足以評(píng)估腫瘤的生物學(xué)特性，研究者們尚需探索結(jié)合更多種功能的成像技術(shù)；另外，由于現(xiàn)在GC的影像組學(xué)研究多采取單中心樣本，選擇偏倚也是不可避免的問題。

隨著人工智能的不斷發(fā)展，醫(yī)工合作逐漸成為醫(yī)療領(lǐng)域的新趨勢(shì)。在未來影像組學(xué)將通過多個(gè)中心合作對(duì)GC的異質(zhì)性進(jìn)一步挖掘，并實(shí)現(xiàn)對(duì)放射組學(xué)特征的標(biāo)準(zhǔn)化處理，它會(huì)有更為廣闊的臨床應(yīng)用前景。

參考文獻(xiàn)

[1] CAO W，CHEN H D，YU Y W，et al.Changing profiles of cancer burden worldwide and in China： a secondary analysis of the global cancer statistics 2020[J].Chin Med J（Engl），2021，134（7）：783-791.

[2]劉鵬，王麗嘉，馬超.影像組學(xué)及分析工具淺談[J].生物醫(yī)學(xué)工程與臨床，2022，26（4）：511-518.

[3] KOCAK B，DURMAZ E S，ATES E，et al.Radiomics with artificial intelligence： a practical guide for beginners[J].Diagnostic and Interventional Radiology，2019，25（6）：485-495.

[4] AVANZO M，WEI L，STANCANELLO J，et al.Machine and deep learning methods for radiomics[J/OL].Med Phys，2020，47（5）：e185-e202.https：//pubmed.ncbi.nlm.nih.gov/32418336/.

[5] ZWANENBURG A.Radiomics in nuclear medicine： robustness，reproducibility23ODiKpld2kjyvLMJrZv1UcPSfhU/bhEp0PN4UPfbOQ=，standardization，and how to avoid data analysis traps and replication crisis[J].Eur J Nucl Med Mol Imaging，2019，46（13）：2638-2655.

[6] KINAMI S.Precision surgical approach with lymph-node dissection in early gastric cancer[J].World Journal of Gastroenterology，2019，25（14）：1640-1782.

[7] WANG R，LI J，F(xiàn)ANG M J，et al.The value of spectral CT-based radiomics in preoperative prediction of lymph node metastasis of advanced gastric cancer[J].Zhonghua Yi Xue Za Zhi，2020，100（21）：1617-1622.

[8]寸紅麗.基于雙能CT影像組學(xué)構(gòu)建胃癌淋巴結(jié)轉(zhuǎn)移預(yù)測(cè)評(píng)估模型[D].昆明：昆明醫(yī)科大學(xué)，2020.

[9] XUE X Q，YU W J，SHI X，et al.18F-FDG PET/CT-based radiomics nomogram for the preoperative prediction of lymph node metastasis in gastric cancer[J].Frontiers in Oncology，2022，12： 911168.

[10]范曉東，陳小鳳，廖玉婷，等.基于增強(qiáng)CT影像組學(xué)評(píng)分和臨床分期的列線圖預(yù)測(cè)胃癌脈管浸潤的價(jià)值[J].國際醫(yī)學(xué)放射學(xué)雜志，2021，44（6）：644-648.

[11] CHEN X，YANG Z，YANG J，et al.Radiomics analysis of contrast-enhanced CT predicts lymphovascular invasion and disease outcome in gastric cancer： a preliminary study[J].Cancer Imaging： the Official Publication of the International Cancer Imaging Society，2020，20（1）：24.

[12] HU Z W，LIANG P，LI Z L，et al.Preoperative prediction of vessel invasion in locally advanced gastric cancer based on computed tomography radiomics and machine learning[J].Oncol Lett，2023，26（1）：293.

[13]吳阿豪.利用術(shù)前CT的影像組學(xué)特征和臨床特征構(gòu)建及驗(yàn)證局部進(jìn)展期胃癌大網(wǎng)膜轉(zhuǎn)移預(yù)測(cè)模型[D].南昌：南昌大學(xué)，2022.

[14] ZULFIQAR M，KOEN J，NOUGARET S，et al.Krukenberg tumors： update on imaging and clinical features[J].AJR Am J Roentgenol，2020，215（4）：1020-1029.

[15] ZHANG F，WU G，CHEN N，et al.The predictive value of radiomics-based machine learning for peritoneal metastasis in gastric cancer patients： a systematic review and meta-analysis[J].Front Oncol，2023，13：1196053.

[16] WANG F H，ZHANG X T，LI Y F，et al.The Chinese Society of Clinical Oncology （CSCO）： clinical guidelines for the diagnosis and treatment of gastric cancer， 2021[J].Cancer Commun （Lond），2021，41（8）：747-795.

[17] WANG Y，LIU W，YU Y，et al.Prediction of the depth of tumor invasion in gastric cancer：potential role of CT radiomics[J].Acad Radiol，2020，27（8）：1077-1084.

[18]王芷旋，王霄霄，盧超，等.區(qū)分T1-2與T3-4期胃癌CT影像組學(xué)模型的建立與驗(yàn)證[J].江蘇大學(xué)學(xué)報(bào)，2023，33（3）：245-251.

[19]劉婧娟，劉煒，薛華丹，等.基于增強(qiáng)CT的影像組學(xué)定量特征模型在預(yù)測(cè)胃癌分期中的價(jià)值[J].放射學(xué)實(shí)踐，2022，37（9）：1061-1067.

[20] MITA K，ITO H，KATSUBE T，et al.Prognostic factors affecting survival after multivisceral rese2uqh3B8BaHOKjZdheirz6pFToEk55AZii0PnKzBrtp0=ction in patients with clinical T4b gastric cancer[J].J Gastrointest Surg，2017，21（12）：1993-1999.

[21] LIU B，ZHANG D，WANG H，et al.The predictive potential of contrast-enhanced computed tomography based radiomics in the preoperative staging of cT4 gastric cancer[J].Quant Imaging Med Surg，2022，12（11）：5222-5238.

[22]王雷，吳白龍，王小雷，等.基于增強(qiáng)CT影像組學(xué)在預(yù)測(cè)胃癌術(shù)前病理分級(jí)中的價(jià)值[J].中國CT和MRI雜志，2021，19（12）：147-149，153.

[23] BAIDYA KAYAL E，KANDASAMY D，KHARE K，et al.

Texture analysis for chemotherapy response evaluation in osteosarcoma using MR imaging[J/OL].NMR Biomed，2021，34（2）：e4426.https：//pubmed.ncbi.nlm.nih.gov/33078438/.

[24] SHI C，YU Y，YAN J，et al.The added value of radiomics from dual-energy spectral CT derived iodine-based material decomposition images in predicting histological grade of gastric cancer[J].BMC Med Imaging，2022，22（1）：173.

[25] HUANG J，YAO H，LI Y，et al.Development and validation of a CT-based radiomics nomogram for preoperative prediction of tumor histologic grade in gastric adenocarcinoma[J].Chin J Cancer Res，2021，33（1）：69-78.

[26]陳建，黃海霞，盧超，等.CT影像組學(xué)預(yù)測(cè)胃癌不同預(yù)后組織學(xué)分型的可行性[J].江蘇大學(xué)學(xué)報(bào)，2020，30（4）：351-356.

[27]丁奕，盧超，王霄霄，等.術(shù)前預(yù)測(cè)胃癌Lauren分型的CT影像組學(xué)諾模圖的構(gòu)建和驗(yàn)證[J].江蘇大學(xué)學(xué)報(bào)，2020，30（5）：439-444.

[28] LI M，QIN H，YU X，et al.Preoperative prediction of Lauren classification in gastric cancer： a radiomics model based on dual-energy CT iodine map[J].Insights Imaging，2023，14（1）：125.

[29] HUANG H，XU F，CHEN Q，et al.The value of CT-based radiomics nomogram in differential diagnosis of different histological types of gastric cancer[J].Phys Eng Sci Med，2022，45（4）：1063-1071.

[30] DENG J，TAN Y，GU Q，et al.Application of CT-based radiomics in differentiating primary gastric lymphoma from Borrmann type Ⅳ gastric cancer[J].Zhong Nan Da Xue Xue Bao Yi Xue Ban，2019，44（3）：257-263.

[31]陳欽賢，劉昱，黃列彬，等.MSCT影像組學(xué)對(duì)BorrmannⅣ型胃癌與原發(fā)性胃淋巴瘤的鑒別診斷價(jià)值[J].中山大學(xué)學(xué)報(bào)，2022，43（5）：852-860.

[32] WANG R，LIU H，LIANG P，et al.Radiomics analysis of CT imaging for differentiating gastric neuroendocrine carcinomas from gastric adenocarcinomas[J].Eur J Radiol，2021，138：109662.

[33] DONG D，TANG L，LI Z Y，et al.Development and validation of an individualized nomogram to identify occult peritoneal metastasis in patients with advanced gastric cancer[J].Ann Oncol，2019，30（3）：431-438.

[34]董夢(mèng)藝，趙秉超，李葉興，等.基于CT的影像組學(xué)術(shù)前預(yù)測(cè)胃癌Ki-67表達(dá)水平的研究[J].國際醫(yī)學(xué)放射學(xué)雜志，2020，43（6）：631-638.

[35]周岱磐，姚金龍，董江寧.基于增強(qiáng)CT及影像組學(xué)預(yù)測(cè)胃癌Ki-67表達(dá)的研究[J].影像診斷與介入放射學(xué)，2023，32（1）：18-24.

[36]周巖冰.食管胃結(jié)合部腺癌當(dāng)前臨床研究開展現(xiàn)狀與挑戰(zhàn)[J].中華胃腸外科雜志，2019，22（2）：112-118.

[37]黃文鵬，李林峰，劉晨晨，等.CT影像組學(xué)模型預(yù)測(cè)人表皮生長因子受體-2弱陽性胃癌患者基因擴(kuò)增的價(jià)值[J].中華消化病與影像雜志，2022，12（2）：69-75.

[38] ZHAO H，LIANG P，YONG L，et al.Development and external validation of a radiomics model for assessment of HER2 positivity in men and women presenting with gastric cancer[J].Insights Imaging，2023，14（1）：20.

[39] LIU Q，LI J，XIN B，et al.Preoperative18F-FDG PET/CT radiomics analysis for predicting HER2 expression and prognosis in gastric cancer[J].Quant Imaging Med Surg，2023，13（3）：1537-1549.

[40]趙福坤，董鶴翔，朱祥，等.CT對(duì)于進(jìn)展期胃癌新輔助化療療效的預(yù)測(cè)價(jià)值[J].中國普外基礎(chǔ)與臨床雜志，2023，30（6）：715-720.

[41]李清婉，張治平，高德培，等.CT影像組學(xué)標(biāo)簽預(yù)測(cè)局部進(jìn)展期胃癌新輔助化療療效的多中心分析[J].醫(yī)學(xué)影像雜志，2022，32（4）：619-625.

[42] CUI Y，ZHANG J，LI Z，et al.A CT-based deep learning radiomics nomogram for predicting the response to neoadjuvant chemotherapy in patients with locally advanced gastric cancer： a multicenter cohort study[J].E Clinical Medicine，2022，46：101348.

[43] HAO D，LI Q，F(xiàn)ENG Q X，et al.Identifying prognostic markers from clinical， radiomics， and deep learning imaging features for gastric cancer survival prediction[J].Front Oncol，2021，11：725889.

[44] SHIN J，LIM J S，HUH Y M，et al.A radiomics-based model for predicting prognosis of locally advanced gastric cancer in the preoperative setting[J].Sci Rep，2021，11（1）：1879.

[45] JIANG Y，ZHOU K，SUN Z，et al.Non-invasive tumor microenvironment evaluation and treatment response prediction in gastric cancer using deep learning radiomics[J].Cell Rep Med，2023，4（8）：101146.

[46] HUANG P，ZHOU C，WU F，et al.An improved diagnostic algorithm for subcentimeter hepatocellular carcinoma on gadoxetic acid-enhanced MRI[J].Eur Radiol，2023，33（4）：2735-2745.

（收稿日期：2024-01-02） （本文編輯：馬嬌）

①牡丹江醫(yī)學(xué)院附屬紅旗醫(yī)院放射科 黑龍江 牡丹江 157011

通信作者：蔡勝艷