从影像组学到影像基因组学:解码肾细胞癌生物学用于精准医学——一篇叙述性综述
本文综述影像组学和影像基因组学在肾细胞癌诊断、预测及辅助治疗中的作用。影像组学可从医学图像提取高通量特征,在肾细胞癌亚型分类、预后预测和疾病进展预测方面显示潜力;影像基因组学进一步将影像特征与基因突变和肿瘤微环境关联,实现无创评估肾细胞癌生物学行为。
要点
- 影像组学可无创提取肿瘤高通量特征,用于肾细胞癌亚型分类、预后和进展预测。
- 影像基因组学将影像特征与基因突变、分子亚型和肿瘤微环境关联,辅助无创评估肿瘤生物学。
- 影像基因组学目前仍缺乏完整的多组学整合,尽管数据量在增长。
核心结论
- 影像组学在肾细胞癌亚型分类、患者预后预测和疾病进展预测方面已显示潜力。
- 影像基因组学进一步将影像特征与基因突变和肿瘤微环境关联,实现无创评估肾细胞癌生物学并为诊断和治疗提供新途径。
- 影像基因组学尽管数据增长,仍缺乏完整的多组学整合。
研究设计与样本
- 本文为叙述性综述,总结了影像组学和影像基因组学在肾细胞癌诊断、预测和辅助治疗中应用的最新文献,并涵盖肾细胞癌影像基因组学的遗传和微环境基础。
诊断标准与关键数值
- Kocak等将定量CT纹理分析与机器学习分类器结合应用于皮髓质期图像,外部验证区分ccRCC与非ccRCC的准确率为84.6%,但区分三种主要RCC亚型表现欠佳。
- Wang等在三个MRI序列(T2WI、EN-T1WI CMP和EN-T1WI NP)上发现ccRCC、pRCC和chRCC间影像组学特征存在显著差异,线性判别分析联合序列准确率为71.4%。
- Mahmud等整合CT影像与临床元数据的机器学习和深度学习模型在RCC亚型分类中准确率为85.66%,多模态数据显著提升模型性能。
- Chen等整合六种分类器的集成模型预测VHL、PBRM1和BAP1基因突变的AUC值均大于0.85,显著优于单个分类器。
- Yu等分析TCGA/TCIA数据库发现基于DNA甲基化的RCC亚型具有不同CT表型:M1(预后最差)多表现为长轴≥70 mm伴坏死,M2常呈结节状强化无坏死,M3多体积较小伴坏死。
局限性
- 影像组学区分三种主要RCC亚型的性能仍欠佳。
- 不同影像模态及其强化模式的优势及与临床参数的整合尚需进一步评估。
- 识别其他肾癌亚型仍需进一步研究。
- Malone等预测纳武利尤单抗应答的模型判别能力差,缺乏显著预测价值。
- 影像组学特征对免疫治疗应答的预测价值需更多研究进一步验证。
全文中译19 节 · 点击展开
引言
肾细胞癌(RCC)是全球第14位最常见的恶性肿瘤,也是男性中第三常见的泌尿系统恶性肿瘤,仅次于前列腺癌和膀胱癌。它占所有恶性肿瘤的3%–5%,2022年全球报告约430,000例新诊断和150,000例死亡。欧洲和北美发病率尤其高,对公共卫生构成相当大的危害[1, 2]。根据世界卫生组织(WHO)2022年男性生殖器官恶性肿瘤分类,RCC可分类为至少六种不同的组织学亚型,其中透明细胞RCC(ccRCC)、乳头状RCC(pRCC)和嫌色细胞RCC(chRCC)最为常见,罕见亚型包括集合管RCC和髓样RCC[3]。由于RCC具有高度分子异质性及其复杂的肿瘤微环境(TME),传统影像学无法准确评估其生物学特征,限制了个性化治疗策略。
影像学对RCC的诊断和治疗至关重要。超声、CT和MRI等医学影像模式常用于肾脏肿瘤的诊断和评估,因为它们无创且在临床环境中易于获得。然而,传统影像学严重依赖医生的主观判断,可能导致偏倚。在多达20–30%的病例中,影像学导致恶性病变的假阳性诊断[4–6]。此外,影像学无法反映肿瘤内部的异质性。随着高通量基因组学的进展,癌症治疗的范式已发生重大变化[7, 8]。然而,基因组学依赖于通过侵入性手段(如手术或活检)获得的肿瘤样本,这种方法存在仅反映肿瘤局部特征的缺点,不适合动态监测。放射组学近年来已成为一个快速发展的研究领域。它已被广泛使用,特别是在癌症研究中,通过高效地从医学图像中提取大量特征、量化这些特征,并探索它们与疾病进展和患者结局的关系。放射组学的优势在于能够完全且无创地表征肿瘤的整体 landscape。然而,由于高度分子异质性和复杂的TME,放射组学无法准确评估其生物学特征,限制了定制治疗策略。放射基因组学是一项新的、更全面的技术,旨在互补基因组学和放射组学的优势,并作为疾病放射组学特征与微观特征之间的桥梁,进一步阐明放射组学特征的生物学解释。这将提供更多相关信息并提高预测的准确性[9]。
与既往研究[10–12]不同,本综述总结了最新文献,重点关注放射组学和放射基因组学在RCC中的诊断、预测和治疗应用,同时涵盖RCC中放射基因组学的遗传和微环境基础。它将RCC的关键驱动因素与放射基因组学生物标志物联系起来。此外,我们分析了当前的挑战并提出了针对性的解决方案。
肾细胞癌的关键驱动因素:放射基因组学的分子和微环境基础
基因突变
随着基因组研究的深入,研究发现基因突变在肾细胞癌(RCC)的进展中起关键作用,既通过直接影响细胞增殖、代谢和死亡,也通过破坏关键信号通路,进而促进耐药现象,如肿瘤侵袭和细胞抗死亡能力。一项系统分析鉴定出24个与RCC发生、进展和治疗密切相关的高频突变基因。在比较其在不同RCC亚型中的分布后,发现VHL基因突变在ccRCC中的发生频率显著高于pRCC和chRCC [13]。一项全基因组关联研究表明,VHL缺失是ccRCC发生的关键驱动因素 [14]。相比之下,pRCC的核心驱动因素因肿瘤分级而异:低级别pRCC表现为MET原癌基因突变,而高级别pRCC常涉及NRF2-ARE通路激活和CDKN2A/TP53改变 [15]。chRCC的关键驱动事件涉及TERT启动子重排 [16]。其他基因突变也参与RCC的形成:PBRM1可能与肿瘤免疫逃逸相关;BAP1和SETD2参与DNA修复调控;MTOR调控关键的PI3K/AKT/mTOR信号通路 [17–19]。此类研究为RCC的发病机制提供了关键见解,同时也提供了可供更详细放射基因组学分析使用的在线数据库。
信号通路
VHL-HIF轴是RCC中最重要的异常信号通路 [20]。VHL失活削弱HIF-α降解,使其能够进入细胞核并与缺氧诱导元件结合。这在肿瘤细胞中激活下游靶点,如VEGF和PDGF,驱动肿瘤血管生成 [21]。靶向VHL-HIF通路的药物(如舒尼替尼和贝伐珠单抗)通过抑制血管生成及其他机制,显著延长了RCC患者的生存期 [22]。
PI3K/AKT/mTOR通路在RCC中也发挥关键作用。PIK3CA突变促进PIP2转化为PIP3 [23],而PTEN突变导致其去磷酸化PIP3的能力丧失,最终激活AKT/mTOR通路 [24]。作为核心下游效应器,mTOR通过mTORC1/2复合物调控肿瘤生长和存活 [25],是RCC的关键治疗靶点,mTOR抑制剂(如依维莫司)已进入临床使用。近年来,新型双重PI3K/mTOR抑制剂显示出实现更全面信号阻断的前景,但其安全性特征仍需进一步研究 [26]。
肿瘤微环境
RCC对常规治疗的耐药不仅受基因突变影响,还显著受肿瘤微环境(TME)影响,TME是一个主要由癌细胞、免疫细胞、成纤维细胞、内皮细胞和细胞外基质(ECM)组成的复杂系统。因此,更好地理解TME可能有助于我们开发用于RCC治疗的新疗法。
高血管生成特征
肾细胞癌(RCC)是一种富血管肿瘤[27],主要由于突变基因VHL失活,导致HIF-1/2α异常蓄积,并启动血管生成程序,使VEGF水平升高。过去针对转移性RCC(mRCC)的治疗主要靶向VEGF信号通路,但部分患者出现了耐药。免疫检查点抑制剂帕博利珠单抗与VEGF受体酪氨酸激酶抑制剂(TKI)阿昔替尼的联合治疗在RCC患者的生存结局方面显示出显著改善。与传统治疗相比,这种双重方案提供了更优的临床结局[28]。
免疫浸润异质性
RCC属于免疫细胞浸润最为广泛的实体瘤之一,而这是免疫治疗耐药的关键因素。在TME内,T细胞(主要为CD4⁺和CD8⁺亚群)是主要的免疫细胞群体[29]。尽管作为主要抗肿瘤效应细胞的CD8⁺ T细胞浸润丰富,但由于免疫抑制,其功能受损。肿瘤相关巨噬细胞(TAM)、调节性T细胞(Treg)和髓源性抑制细胞(MDSC)通过PD-1、CTLA-4和TIM-3受体激活抑制CD8⁺ T细胞功能,导致T细胞耗竭和功能受损[30]。肿瘤快速增殖导致缺氧微环境。研究表明,缺氧风险评分高的患者会形成免疫抑制性肿瘤环境,其特征是免疫抑制细胞(如Treg)显著升高,同时有效的免疫效应细胞(如单核细胞和M1巨噬细胞)受到抑制,最终促进肿瘤免疫逃逸[31]。
细胞外基质重塑
癌相关成纤维细胞(CAF)是TME的关键组成部分。在生理条件下,成纤维细胞作为结缔组织ECM的主要成分,维持ECM稳态,并在组织损伤时启动修复功能[32]。成纤维细胞对癌症进展具有关键影响。这些细胞在病理状态下发生永久性活化并转化为CAF,而CAF是TME的关键基质成分。CAF通过重塑结缔组织促进癌细胞迁移和转移,并分泌多种因子驱动肿瘤进展、血管生成和治疗耐药[33](图1)。
基于影像组学的肾细胞癌诊断
肾细胞癌(RCC)包括多种组织学亚型。鉴于精准治疗和免疫治疗的广泛应用,不同亚型之间的治疗效果差异显著。因此,准确的RCC分类将有助于优化治疗策略[34]。Kocak等人将定量CT纹理分析与机器学习分类器相结合应用于皮髓质期图像,开发了一个模型,在外部队列验证中以84.6%的准确率区分ccRCC与非ccRCC。然而,其在区分三种主要RCC亚型方面的性能仍不理想[35]。在其他影像模态方面,Wang等人发现ccRCC、pRCC和chRCC在三种MRI序列(T2WI、EN-T1WI CMP和EN-T1WI NP)之间存在显著的影像组学特征差异。线性判别分析显示联合序列的准确率为71.4%[36]。Mahmud等人率先提出了一种整合CT影像和临床元数据的机器学习和深度学习模型,在RCC亚型分类中达到85.66%的准确率。多模态数据显著提升了其性能。特征分析强调肿瘤大小和癌期是手术决策的关键决定因素,临床数据的整合大幅提高了模型效能[37]。总体而言,影像组学可以通过机器学习提取影像组学特征来反映不同RCC亚型的影像学特征。然而,不同影像模态及其增强模式的优势,以及它们与临床参数的整合,仍需进一步评估。
目前,与预测RCC亚型相关的研究主要集中于ccRCC、chRCC和pRCC。其他肾癌亚型在恶性程度和药物敏感性方面存在显著差异;因此,鉴别RCC的不同亚型需要进一步研究。
基于影像组学的肾细胞癌预测
治疗反应
在免疫检查点抑制剂作为晚期RCC常用治疗方法的背景下,仅通过肿瘤体积变化来评估治疗效果是不全面的[38]。影像组学作为预测治疗反应的有前景的生物标志物已受到关注。为预测纳武利尤单抗的应答者和非应答者,Malone等人利用基于机器学习的影像组学分析治疗前后CT扫描,开发了一个预测模型。然而,该模型的判别能力较差,缺乏显著的预测价值[39]。Rossi等人分析了从晚期RCC患者提取的影像组学特征与免疫治疗反应之间的关联,发现特定肿瘤区域内某些高密度和异质性特征(F_stat.var和F_stat.max)的较高值可能与进展风险增加相关[40]。影像组学特征对免疫治疗反应的预测价值需要通过更多研究进一步验证。未来研究应将深度学习与大型多中心数据集相结合,以优化患者分层并降低治疗失败的风险。
免疫治疗已被广泛用于mRCC的治疗。进一步预测其治疗效果对于改善患者生存时间和减轻治疗相关负担将至关重要。未来的深度学习模型应能预测免疫治疗的有效性。
转移
目前,ccRCC是最常见且临床上最具侵袭性的RCC,初诊时18%–30%的患者发生远处转移[41, 42]。研究表明,伴有后续转移的ccRCC患者面临不良结局[43]。传统影像组学在整个肿瘤区域上进行分析,该方法默认肿瘤异质性在肿瘤内均匀且随机分布;然而,事实并非如此。因此,传统的基于全肿瘤的影像组学模型未能充分反映肿瘤异质性[44]。近期研究表明,Habitat成像将肿瘤划分为具有相似特征的亚区域(称为habitats),能更好地反映肿瘤异质性[45]。一项多中心研究基于多期增强CT图像将ccRCC肿瘤分类为不同的habitats,并构建了整合亚区域和体积特征以及超声和临床信息的多模态预测模型,发现特定亚区域(尤其是Habitat3),表现为中高密度伴不均匀强化区,与术后转移密切相关。远处转移与CT_Habitat3密切相关[46]。在另一项研究中,引入了多实例学习框架,将每个肿瘤分为三个亚区域,并通过mi-SVM模型识别最可能驱动同步远处转移的“高风险亚区域”。亚区域2位于肿瘤周围的外周带以及肿瘤内实性和液体成分之间的过渡带,被确定为关键区域[47]。未来大规模前瞻性研究可进一步验证模型的可靠性并预测ccRCC的转移部位。
尽管上述研究使用了不同的算法和数据来源,但它们均证明了肿瘤内异质性区域的预测意义,为ccRCC的术前风险分层、个体化治疗和随访提供了数据支持。
复发
约20%的局限性RCC病例术后复发[48]。KEYNOTE-564研究证明辅助帕博利珠单抗可改善高危患者的生存[49, 50]。然而,广泛使用将增加不良事件风险[51]。因此,本研究旨在准确评估复发风险,以优化患者选择、使患者从辅助免疫治疗中获益。一项回顾性研究分析了453例非mRCC患者,通过Cox建模将术后临床-病理指标与术前CT影像组学特征相结合,比较了临床模型与联合模型的性能。研究结果表明,整合CT影像组学特征可提高预后模型中对非mRCC手术患者复发风险的预测准确性[52]。另一项多中心研究进一步开发了整合影像组学和临床信息的风险分层模型,在高危患者中表现出优于传统分期系统的性能。该模型已通过在线平台实现临床转化[53]。然而,该技术目前的瓶颈在于图像分割仍需人工干预。未来需要开发更多能够整合到整个预测分析工作流程中的模型(如深度学习)。
由于肾细胞癌(RCC)具有显著的异质性,患者预后差异很大。上述研究表明,影像组学改善了RCC患者术后复发风险的评估,并有助于指导辅助治疗决策。
生存终点
预测RCC结局的常规方法主要依赖于美国癌症联合委员会的肿瘤-淋巴结-转移(TNM)分类[54]和组织病理学核分级[55]。由于肿瘤的临床异质性,即使在同一分期、同一类别的患者中,临床结局也可能存在显著差异。影像组学通过预测总生存期(OS)和无病生存期(DFS)来预测RCC患者的结局。Yan等通过将Rad评分与TNM分期等临床指标相结合构建了预测模型,显示出显著高于仅依赖临床指标的模型的准确性。这证实了影像组学为预后评估提供了增量价值[56]。Xu开发了针对局限性ccRCC患者的深度学习预后模型,成功实现了DFS的风险分层。该模型在外部验证中表现出色(C-index:0.754),优于UISS和Leibovich评分等传统模型[57]。总之,基于影像组学的预后评分系统在预测ccRCC生存率方面已显示出有效性。然而,深度学习影像组学在评估晚期和转移性ccRCC的OS方面的潜力有待进一步研究。
与ccRCC表现出的最差5年生存率相比,pRCC和chRCC侵袭性较低[58],因此大多数预测生存结局的研究集中在ccRCC上。对预后较差的晚期患者进行术前风险评估有助于治疗决策。对于生存预后较差的患者,可考虑尽早使用靶向治疗和免疫治疗,及时调整治疗策略。(图2)。
相关性分析
随着基因检测技术的进步,靶向治疗和免疫治疗改变了传统治疗方式。近年来,影像基因组学作为一种无创检测技术,通过探索影像特征与遗传特征之间的联系,为肿瘤精准治疗开辟了新方向[59–62]。Karlo等最初研究了ccRCC中影像特征与基因突变之间的关联。对233例ccRCC患者CT图像的分析显示,VHL基因突变与肿瘤边缘清晰且内部血管丰富的特征显著相关,而BAP1和KDM5C突变与肿瘤侵犯肾静脉相关,这初步提示不同的基因突变可能通过特定的影像特征得以反映[63]。
放射基因组学不仅对基因突变有反应,还对基因表达水平(mRNA水平)及上游调控(miRNA水平)的异常有反应。传统病理分类目前难以满足个体化治疗的需求,使得基因表达谱成为研究焦点。癌症基因组图谱(TCGA)研究将ccRCC分为四种mRNA亚型(M1–M4),不同亚型具有不同的生物学特征和临床预后[14, 64]。Lan首次研究了ccRCC中CT影像特征与mRNA亚型之间的关系。研究结果表明,M1亚型更倾向于具有清晰的边缘,而M3亚型更倾向于具有不清晰的边缘并侵犯肾静脉[65]。此外,Marigliano等人发现CT纹理参数(熵值)与miRNA表达呈强正相关,包括miR-21-5p[66]。
相关性分析已初步建立影像特征与多水平分子特征之间的相关性,为非侵入性识别分子亚型和通过放射基因组学进行个体化治疗决策奠定了基础。
虚拟活检
随着治疗的不断进步,癌症患者体内不同部位的分子异质性发生变化,传统活检无法对多个部位进行重复采样以准确表征肿瘤异质性[67]。与以往的探索性相关性分析相比,虚拟活检(VB)侧重于模型构建和临床转化。其核心目标包括替代侵入性活检、优化治疗决策以及促进实时动态监测。Jamshidi等人将259基因监督主成分风险评分[68]与四个CT影像特征相结合,构建了放射基因组风险评分。结果表明,该评分具有高准确性,揭示与生存率的关联,并可在临床分期之外独立预测患者生存[69]。集成学习算法也显示出良好前景。Chen等人整合了六种不同的分类器,开发了多分类器多目标放射基因组模型。结果表明,该集成模型在预测VHL、PBRM1和BAP1基因突变方面达到了AUC值> 0.85,显著优于单个分类器[70]。
DNA甲基化可作为诊断和预后生物标志物[71, 72]。一项研究发现,RUNX3甲基化高的患者生存时间较短,特定CT特征(如瘤内血管性)可有效预测甲基化状态。这可能为ccRCC患者提供非侵入性预后评估工具,并为个体化治疗提供依据。然而,该研究样本有限,需要在更广泛的数据集中进一步验证[73]。Yu等人进一步分析TCGA/TCIA数据库,发现基于DNA甲基化的RCC亚型(M1–M3)表现出不同的CT影像表型:M1(预后最差)通常表现为长轴≥ 70 mm并伴有坏死;M2常表现为结节状强化而无坏死;M3通常体积较小并伴有坏死。这表明CT特征可作为非侵入性分类的影像生物标志物[74]。
在基因表达层面,放射基因组学反映了ccRCC特有的“假性缺氧”代谢状态[75–77]。Gao等人基于缺氧调控基因开发了Rad-score,包含13个关键影像特征,能够有效区分缺氧基因表达的高危组和低危组。这证明了影像表型与HIF通路驱动的代谢重编程之间存在定量相关性,为非侵入性评估TME提供了新方法[78]。
VB旨在通过影像基因组学和机器学习构建预测模型来支持精准医学,实现对基因突变、分子亚型或TME特征的非侵入性预测,从而实现“虚拟活检”。
生物学解释
放射基因组学的终极目标不止于预测或分类;更重要的是,它旨在利用影像学发现背后潜在的组织学和分子特征,区分出将从个性化治疗(包括靶向治疗)中获益的患者亚组[62]。尽管大多数患者在发现时处于T1期且可手术切除[79],但约30%的患者术后仍可能发生远处转移[80]。传统TNM分期系统不能完全反映术后转移风险[79–81]。Lee等率先开发了一种基于CT影像特征的放射组学模型,用于预测病理分期T1期肾细胞癌(RCC)患者的术后转移。通过利用RNA-seq将影像特征与基因表达相关联,并利用TCGA-KIRC数据进行验证和生物通路富集分析,发现与每个影像特征相关的基因集富集于PI3K/AKT和Wnt信号通路等特定通路。一项广泛评估还考察了放射组学特征、免疫细胞群和免疫检查点分子表达之间的相关性,结果显示在高风险队列中免疫抑制细胞活性升高并具有免疫逃逸特征。此外,特定影像特征与免疫检查点(如PD-1、LAG3和CTLA4)的表达显著相关[82]。为预测ccRCC患者的OS,Huang等从205例患者中提取了107个影像基因组学特征,发现绿色模块与预后相关影像学特征高度相关。最后,应用随机森林(RF)算法整合影像特征和基因共表达模块,提出了影像-基因组学融合因子。为进一步阐明与预后重要绿色基因模块相关的潜在分子通路,本研究进行了富集分析,结果表明该模块基因可能参与肿瘤血管生成、细胞黏附和细胞外结构组织[83]。Gao等预测了ccRCC患者的无进展生存期,并建立了影像学特征与T细胞活化、免疫突触和趋化因子活性方面之间的显著相关性,提示影像学特征可作为免疫肿瘤学特征的无创预测指标,并可能有助于癌症患者的治疗和预后管理[84]。Zhao等构建了基于CT影像组学的转移评分,用于预测局限性ccRCC发生远处转移的能力,并揭示了与预测性放射组学特征相关的关键生物学通路。与既往研究不同,该研究采用放射组学-转录组学-转移共分析方法来预测ccRCC转移放射组学特征的生物学基础,而非仅构建预测结局的放射组学模型。研究还使用WGCNA识别出与放射组学特征预测相关的四条显著富集通路:ECM-受体相互作用促进肿瘤细胞迁移和转移;PI3K-Akt通路调控细胞增殖和存活;参与ECM信号的黏着斑作为驱动转移的核心机制[85]。
从图像预测结果出发,生物学解释利用多组学技术(如转录组学、代谢组学、空间基因组学)分析影像特征与临床结局之间的生物学机制,并挖掘其背后的分子机制,从而实现“影像-器官组学-临床”概念的闭环验证。
当前挑战
尽管放射组学和放射基因组学在肾细胞癌(RCC)管理中取得了显著成功,但在实现临床转化方面仍存在多重挑战。核心问题源于影像基因组学工作流程多个环节中的变异:随机效应(如患者体位差异、扫描仪噪声)和系统性偏倚(如跨扫描仪差异、观察者间分割不一致)共同导致缺乏稳定的放射组学特征[86]。此外,放射基因组学仍面临与其他多组学方法整合不足的挑战。尽管基因组学、转录组学和蛋白质组学数据不断积累,但放射组学与这些多组学方法的整合仍处于早期阶段。近年来,全球分子和影像公共数据库的快速建立为放射基因组学提供了有效支持,其中包括TCGA和TCIA数据库的结合[87]。TCIA是一个大规模癌症医学影像数据库,包含CT、MRI、PET-CT和病理图像数据,同时还提供相应的组学数据(如基因组学、转录组学和蛋白质组学数据)。此外,放射组学和放射基因组学的临床转化受到深度学习算法“黑箱”特性的限制,这主要归因于缺乏可解释人工智能(XAI),为此已提出三类非可视化XAI方法:基于案例的、文本的和辅助性的解释。这些措施可以使基于携带生物学信息的特征所构建的模型具有高度可解释性[88]。最后,目前大多数结果基于小样本回顾性研究,容易导致数据偏倚并使模型可重复性降低。因此需要大样本前瞻性研究来进一步验证模型的可重复性和稳定性。
结论
从放射组学到放射基因组学的演变已在RCC的诊断和治疗中展现出变革性潜力。通过利用高通量影像特征进行准确诊断和预测,并将这些特征与基因突变和TME特征相关联,放射基因组学不仅揭示了影像表型背后的生物学机制,还指导临床决策以优化RCC的靶向治疗和免疫治疗。尽管肿瘤异质性带来了挑战,但多组学技术与深度学习的整合有望在RCC的诊断和治疗中开创精准医学时代。
引用
- He Z, Huang L. From Radiomics to Radiogenomics: Decoding Renal Cell Carcinoma Biology for Precision Medicine-a narrative review. Insights Imaging. 2025. PMID: 41405787. doi:10.1186/s13244-025-02164-6
- 全文:PMC12711618(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12711618/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。