0 引言

       脑转移瘤（brainmetastases, BMs）是中枢系统以外实体器官的继发性肿瘤，也是成人最常见的脑肿瘤类型^[1]。BMs起源于原发性肿瘤细胞通过血液（血行播散）进入脑微血管系统，多种假说以解释不同原发性肿瘤独特的转移模式，包括“种子”（或癌细胞）和“土壤”（或接收器官的微环境）因素的重要性^{[1, 2]}。10%~40%的实体瘤患者在临床过程中会发展为BMs，几乎所有原发部位的同步BMs患者的中位生存期均不超过12个月^{[2, 3]}。肺癌是成人BMs最常见的原发肿瘤来源，约占所有BMs病例的50%，且肺癌BMs患者预后差，自然平均生存时间仅为1~2个月^{[4, 5, 6]}。因此，对于肺癌的临床管理而言，BMs的早期精准诊疗对改善患者预后和生活质量至关重要。

       磁共振成像（magnetic resonance imaging, MRI）作为一种非侵入性的首选影像学诊断方法，被当作金标准广泛应用于BMs的诊断及预后评估^[7]。与传统MRI影像学诊断方法提供的较为局限的主观定性视觉评估信息相比，MRI影像组学旨在通过量化MRI特征提供更多关于肿瘤的超出了人类视觉感知范围的异质性信息，为BMs的临床管理提供更有价值的决策支持^[8]。MRI影像组学在肺癌BMs的应用领域面临诸多挑战，且存在必须解决的研究空白。首先是病灶分割的自动化及准确性问题，其次是数据格式标准化问题限制影像组学研究的可重复性、稳健性及临床实效性。因此，本文旨在总结MRI影像组学在肺癌BMs的诊断分类及预后评估方面的研究热点及最新进展，希望为MRI影像组学在肺癌BMs中的临床应用提供启示。

1 肺癌BMs的检测与分割

       通过MRI确定肺癌BMs的位置、数量及病变累及范围与疾病的诊断和治疗密不可分。肿瘤感兴趣区（region of interest, ROI）是从整个肿瘤或肿瘤内的子区域中进行勾画分割形成^[9]。ROI的准确分割是MRI影像组学工作流程中最具有挑战性的关键步骤，与最终模型效能的鲁棒性密切相关。但是，由于脑肿瘤在位置、形状和外观上的个体间差异，肿瘤的精准分割仍是一项具有挑战性的任务。影像组学病灶分割采用了多种方法，从手动标记以及半自动化方法再到最近使用的深度学习（deep learning, DL）方法。与传统影像组学分割方法相比，虽然DL方法能够在一定程度上提高图像的分割效能，但是需要更庞大的数据集进行训练^[10]。因此，将DL与影像组学相结合会有更广阔的应用前景，势必成为今后的研究热点。为了解决许多脑肿瘤在手动评估过程中未被诊断或被临床医生忽视的挑战，有研究^[11]开发了一个基于半自动分割工具的两级分类计算机辅助诊断模型用于脑肿瘤的检测和分级，曲线下面积（area under the curve, AUC）分别达到了0.921和0.806，使临床医生以快速且简单的方式获得患者的预测结果，是脑部疾病智能诊断的重要辅助工具。

       由于肿瘤区域的复杂性，识别肿瘤和非肿瘤区域既烦琐又复杂，因而可靠的自动分割对于脑肿瘤检测分割是更加至关重要的。ALI等^[12]学者提出了一种基于注意力的卷积神经网络（convolutional neural network, CNN）用于脑肿瘤ROI的自动分割方法，成为影像组学在自动化分析方面所需求的一种可靠且自动的分割和检测方法。目前，利用DL对BMs病灶进行亚自动化分割的研究报道是最新的研究热点。最新的研究^[13]基于538名BMs患者（肺癌470例及其他肿瘤68例）的10 338个病灶的增强MRI，利用CNN方法开发的BMs分割系统实现了BMs的自动检测和分割，结果表明在BMs分割系统的辅助下，分割一个病灶的中位时间节省了42%（40%~45%）。DIKICI等^[14]基于增强T1WI数据集开发的三维（three-dimensional, 3D）CNN框架来检测小型BMs病灶（<1 mm），对于解决放射学家和放射肿瘤学家在病灶识别和治疗方面的挑战至关重要，最终将有助于改善患者的临床管理。同时有研究^[15]也进一步证实了基于增强T1 加权成像（T1-weighted imaging, T1WI）的影像组学特征融合DL方法对小型BMs特别是对小于3 mm病灶的检测潜力。这些研究都进一步验证了DL赋能MRI影像组学在BMs精准检测和分割领域的巨大价值。区别于大多数研究集中在改善深度网络的内部结构以提高分割性能而忽略有价值的外部信息（如正常脑部的外观）的研究方法，最新的研究^[16]受放射诊断医生常以正常外观为参考来筛查病变区域的启发，提出了一种创新性的基于DL的多模态脑肿瘤分割框架，即单模态正常脑MRI被用作参考，从中学习正常脑特征，并与肿瘤脑特征进行比较；通过这种方式，与肿瘤相关的特征可以被突出和增强，从而提高分割性能，结果显示该框架在分割准确性方面优于其他先进的方法，具有较高的泛化能力，并且能够提升现有分割网络的性能，为脑肿瘤分割领域提供了新的思路。

       综上可知，肺癌BMs的MRI自动检测和分割势必成为现今医学图像人工智能领域的主要研究趋势。手动分割对肿瘤轮廓勾画精细，却导致病灶检测和分割耗时费力，且易受观察者间变异性的影响；而自动分割法则具有较高的可重复性及高效性，能够实现自动化，排除ROI勾画的人为因素，实现更高的可重复性和达到更高的勾画效率，但是该方法必须保证谁在各种真实数据上测试这些模型，以确保它们能够适应各种应用场景，从而确保模型的临床实用性。

2 肺癌BMs的诊断

2.1 肺癌BMs的鉴别诊断

       MRI影像组学通过从多参数MRI中提取高通量特征来反映肿瘤病变的异质性，有助于肺癌BMs的鉴别诊断，其在常规MRI和功能MRI应用方面都取得了一定的进展，同时通过对肿瘤区和瘤周水肿区的深入分析，可以进一步提高模型鉴别肺癌BMs的效能^{[17, 18, 19]}。ORTIZ-RAMÓN等^[20]使用的影像组学方法已经证实3D纹理特征在肺癌BMs与其他原发肿瘤分类鉴别方面优于2D特征，平均AUC均大于0.9，结果表明影像组学分析为提高肺癌BMs的诊断精确性提供了有力支持。此外，KNIEP等^[21]学者纳入了189例BMs患者的658个病灶[乳腺癌143个、小细胞肺癌（small cell lung cancer, SCLC）151个、非小细胞肺癌（non-small cell lung cancer, NSCLC）225个、胃肠道肿瘤50个和黑色素瘤89个]，基于T1WI、增强T1WI、T2-液体衰减反转恢复（T2-fluid attenuated inversion recovery, T2-FLAIR）进行多参数影像组学特征提取，结果显示常规MRI的定量特征结合机器学习分类器的AUC介于0.64~0.82之间，其预测性能优于放射医师的诊断结果，在预测肺癌BMs肿瘤类型方面表现出较高的鉴别准确性。最新研究^[22]利用3949个BMs病灶应用随机森林（random forest, RF）、支持向量机（support vector machine, SVM）以及DL模型，根据3D位置的空间信息、治疗时年龄和目标体积，观察它们在区分肺癌与其他四种原发肿瘤类型（乳腺癌、黑色素瘤、肾癌和结肠癌）相关的BMs空间分布方面的能力，结果显示SVM模型表现最佳，展示了强大的分类性能，在测试数据上达到了97%的准确率，DL模型效能也达到了96%。由此可见，基于多参数联合临床因素的影像组学分析有效提高了模型鉴别肺癌BMs的效能，揭示了能够根据BMs的空间分布有效区分原发肿瘤亚型，进一步表明随着数据的增多以及机器学习和DL技术优化和整合及新技术的不断涌现，将为进一步挖掘肺癌BMs在MRI中空间分布的细微差异提供一种非常有前景的方法，更为深入探究肺癌BMs的生物学特性以及制订更有效的诊疗策略提供了重要依据。

       虽然MRI影像组学在肺癌BMs的鉴别诊断方面取得了重要进展，但是大多研究都存在样本量有限且缺乏外部验证，主要由于肺癌起源的BMs占比过大，除肺癌以外的其他肿瘤来源BMs数量较少，尤其是黑色素瘤等疾病，因发病率太低导致这方面的研究数据过于偏态，造成这种不平衡分类任务的泛化性较低，使得除肺癌以外的多分类影像组学模型缺乏足够的数据进行训练验证。在今后的研究中，还需要对影像组学推断组织学类型的能力进行全面评估和深度挖掘。多中心标准化大规模数据集的共享、多模态（常规MRI、功能性MRI及临床特征）的应用和自动化ROI分割方法（瘤内亚区域及瘤周区域）的进一步完善将成为下一步研究的新方向，进一步提升影像组学模型临床转化的实效性。

2.2 肺癌BMs的病理分类

       肺癌作为BMs的主要起源，BMs最常见的肺癌组织学类型是NSCLC，约占90%，主要的组织学亚型是腺癌（adenocarcinoma, AD）和鳞状细胞癌（squamous cell carcinoma, SCC）^[23]。虽然脑增强计算机断层扫描（computed tomography, CT）可作为初始筛查成像方式，但因其检测敏感性明显低于MRI，应仅限于有MRI禁忌证的患者^[24]。由于大多数BMs是通过MRI诊断的，通过BMs的MRI表现推断出肺癌的病理类型具有重要的临床意义。研究^[25]表明不同病理分型的肺癌BMs的MRI影像组学特征存在单纯视觉评估无法捕捉的差异，证实了影像组学通过BMs的MRI特征推断原发性肺癌病理类型的可行性，可为BMs的个体化治疗提供支持。吴鹏等^[26]整合T1WI、增强T1WI及T2WI的影像组学特征建立的多参数分类器在鉴别SCLC和NSCLC方面取得良好效果（AUC为0.94）。李瑞等^[27]基于127个BMs病灶的增强T1WI、T2-FLAIR及表观扩散系数的全肿瘤区域（包括肿瘤区域及周围水肿）进行影像组学分析，鉴别肺癌BMs病理类型，结果显示，单独及联合序列构建模型的AUC分别为0.81、0.64、0.87及0.89，结果表明联合多序列分类模型的预测性能最好。也有研究^[28]基于144例肺癌BMs患者的302个病灶构建影像组学模型，以及结合影像组学特征、年龄及性别的联合模型区分AD和SCC，结果显示结合临床信息有助于提高模型性能（AUC为0.828），表明在影像组学模型中添加临床特征对于临床决策有重要的补充价值且不会增加额外成本。

       精准高效区分肺癌BMs的病理分型在临床上是一项具有挑战性的任务，通过肉眼难以单独解决^[29]。与之前的机器学习研究不同，研究^[30]表明基于MRI的脑肿瘤分类任务中，DL模型的总体性能优于机器学习，使用DL方法的四个数据集的平均准确率提高了10.12%。因此，DL赋能影像组学分析有望通过提供一种无创的肿瘤分类方法来改进当前模型的稳健性。KANAVATI等^[31]展示了一个用于肺癌病理分类的DL模型，AUC达到了0.988。GROSSMAN等^[32]基于69例BMs患者的增强T1WI、T2-FLAIR及T2WI，使用DL方法区分SCLC与NSCLC的平均总体准确率为90%±4%，平均AUC为0.90±0.05，而单一增强T1WI序列的平均AUC为0.85±0.07，低于该研究中T2-FLAIR和T2WI的表现。最新研究^[33]发现基于BMs的T1WI、T2WI、T2-FLAIR、DWI和增强T1WI开发的CNN模型在区分SCLC与NSCLC和AD与SCC方面都表现出了良好的性能，AUC分别为0.751和0.738，融合五种MRI序列的模型比单一模型在分类任务中表现出了更高的特异性。虽然最近的研究已经证明基于DL的计算机辅助诊断系统在医学疾病诊断中具较好的稳定性和较高的准确性，然而与影像组学相比，DL因主要由数据驱动而导致模型缺乏预测背后的明确推理，致使最终模型的可解释性较差，这是DL模型在临床转化过程中面临的一个重大障碍，通常归因于与潜在病理生物学的脱节^[34]。

       综上所述，DL也在肺癌BMs的病理分型鉴别方面展现出巨大的潜力，影像组学与DL的联合应用将成为此方面研究的重要趋势。多种序列联合提取的MRI影像组学特征可为鉴别肺癌BMs的病理类型提供更多有价值的互补信息，同时不仅局限于BMs肿瘤区域的影像组学特征的提取，包括周围水肿区域的特征也有助于更好地区分的组织学亚型，这些都将促进肺癌BMs患者在临床决策中受益。以上研究普遍存在数据量较小且地域性偏倚的问题。基于BMs的多发性特点，相比于对整个病例进行研究，从病灶层面进行研究可以在一定程度上解决研究样本量不足的问题，但是同一患者的不同病灶存在一定的相似性。因此，基于多中心、广地域的数据共享，将DL技术整合到影像组学分析中，同时联合临床变量发挥其潜在的互补价值，成为MRI影像组学在肺癌BMs病理分型研究领域的新态势。

3 肺癌BMs的分子分型

3.1 肺癌BMs的MRI影像基因组学

       肿瘤个体化诊疗逐步转向基因分子水平，将分子基因改变纳入BMs的诊断标准不仅增加了临床诊断的客观性，还对实现个体化精准医学至关重要^[35]。对于肺癌BMs而言，影像组学最常联合表皮生长因子受体（epidermal growth factor receptor, EGFR）进行MRI影像基因组学研究，作为探究分子遗传学水平的一种有潜力的手段，能更好地研究个体差异，为个体化治疗及预后监测提供了重要辅助^[4]。超过60%的NSCLC存在EGFR基因突变，是EGFR酪氨酸激酶抑制剂（EGFR tyrosine kinase inhibitors, EGFR-TKIs）治疗的可靠且敏感的生物标志物^[6]。EGFR酪氨酸激酶结构域突变主要发生在第18~21外显子，最常见的突变亚型是外显子19框内缺失突变（19 deletion, 19 del）和外显子21单点突变（L858R），分别约占EGFR突变的45%和40%^[6]。相较于EGFR野生型或未知突变状态的患者，EGFR突变型患者对EGFR-TKIs的反应率高达70%~91%，因此，EGFR-TKIs已被推荐为EGFR突变晚期NSCLC患者的一线治疗方法^[36]。研究^[36]表明有BMs的NSCLC中，EGFR突变的频率高于没有BMs的NSCLC，且EGFR突变型NSCLC患者比野生型患者更易发BMs。NSCLC BMs患者由于多处于肿瘤晚期，活检及手术治疗效果有限，且患者大多难以耐受，很难获得足够的组织进行分子检测，也无法进行实时监测EGFR突变状态，而影像组学作为一种可行且无创的补充方案备受关注。AHN等^[37]基于61例肺AD BMs患者治疗前的增强T1WI构建影像组学模型来预测EGFR突变状态，结果显示RF预测模型诊断效能最好（AUC达86.81%），研究证实了基于增强T1WI的影像组学可以高度准确地预测肺癌BMs的EGFR突变状态。WANG等^[38]利用53例肺AD BMs患者进行多参数（增强T1WI、T2-FLAIR、T2WI和DWI）影像组学分析来预测EGFR突变状态，结果显示测试集中AUC可达0.987，在独立验证集中AUC也达到0.871；在进一步区分EGFR突变亚型的亚组分析中，基于四个序列区分19 del和21L858R的AUC分别为0.529、0.580、0.645和0.406，分类性能的不理想可能是由于数据集过小所致。因此，为了进一步开发出一种可用于广泛临床实践的可靠工具，有必要基于来自不同社区、不同中心的更大规模样本群体进行研究。李保勋等^[39]基于T2WI及增强T1WI的影像组学模型，在术前无创预测肺癌BMs患者EGFR突变状态，利用多中心的103例患者构建影像组学模型，其预测效能在测试集中AUC值为0.783，表现出较高的预测效能。应用MRI影像基因组学可以开发出一种能够准确反映肿瘤内异质性、以无创定量的方法识别EGFR突变状态的新型成像生物标志物，并以此为基础进一步向分子亚型分层深入研究，为个体化精准治疗及复发监测提供了实时辅助手段。

       综上可知，单中心且较小的数据集限制了MRI影像基因组学在预测EGFR突变状态的应用，尤其是在进一步区分具体突变亚型方面。此外，EGFG突变状态可能通过多步骤转移进展而改变，这可能是受微环境和治疗效果的影响，导致模型的泛化性较低。因此，以多中心数据为基础提高数据的质量，联合包括功能MRI在内的多序列与临床特征，应用更为精准全面的病灶分割方法来预测EGFR的具体亚型成为今后研究的趋势。

3.2 肺癌BMs的多区域MRI影像基因组学

       目前，多区域影像组学成像是一种通过将肿瘤划分为不同子区域来表征肿瘤的新技术，具有广阔的应用前景^[40]，每个子区域代表一组具有相似性质的组织，可以为影像组学特征的生物学意义提供更深入的见解，有助于制订更好的临床决策，且不会增加额外成本。CAO等^[41]通过对188例NSCLC BMs患者术前的增强T1WI和T2WI进行影像组学分析，基于整个肿瘤、肿瘤活动区、瘤周水肿区及多区域组合的影像组学模型分别预测EGFR突变状态，结果显示多区域组合模型在内部测试集和外部验证集中均表现出最佳的预测性能，AUC分别达到0.901和0.900。因此，基于病灶环境的MRI影像组学模型能够准确检测原发性肺AD BMs患者的EGFR突变状态，为术前个性化治疗方案的制订提供了重要依据，具有潜在的临床应用价值，值得进一步研究。FAN等^[42]对两个中心的310例NSCLC BMs患者治疗前的增强T1WI和T2WI进行影像组学分析，基于肿瘤活动区、肿瘤周围水肿区、转移/脑实质区域及多区域融合，分别构建逻辑回归模型来预测EGFR突变状态，结果表明基于肿瘤/脑界面区域模型效能始终优于肿瘤周围水肿区域模型，且开发的融合多区域模型在外部验证集取得了最佳性能（AUC为0.895）。该研究进一步证实了亚区域影像组学分析是一种用于预测EGFR突变状态与分层的非侵入性新方法，并能使预测模型取得最佳效能。BMs的肿瘤活动区域及周围水肿区域是具有互补价值的，可以从中提取更为丰富的影像组学表型来提高模型的鲁棒性。最新的研究^[43]利用来自多中心的293例NSCLC BMs患者的CE-T1WI、T2WI中的TAA和PE区域进行影像组学分析，结果显示水肿区域的影像组学签名在预测EGFR突变状态和区分突变亚型方面均优于肿瘤区域，组合区域模型性能最佳（AUC达0.812-0.955），研究表明开发的多区域联合影像组学签名可能具有作为非侵入性生物标志物来指导个性化治疗的潜在价值，因其多中心的外部验证更加证实了模型的可靠性及泛化性。此外，LI等^[44]基于399名NSCLC BMs患者的T2-FLAIR、T2WI、DWI和CE-T1WI进行特征提取，首次构建了一种结合影像组学方法与DL技术的多分类模型，该模型能够同时预测EGFR突变、19del缺失和21L858R突变，在独立测试集中表现出色（AUC值接近1.0）；该研究结果也表明特征标准化和特征融合显著提高了模型性能，并证实了多序列MRI模型在预测NSCLC伴BMs患者的EGFR突变状态和亚型方面优于单序列模型，然而为了使该算法更广泛地应用于临床，还需要多中心大型数据库进行系统地验证。因此，将DL技术整合到影像组学分析中，能为实现术前有效预测EGFR突变亚型提供补充依据。综上，基于BMs的多区域影像组学能够实现术前预测EGFR突变亚型。通过整合肺癌BMs的多区域生境影像组学分析作为影像组学分析的新蓝海，不仅进一步提高了对EGFR突变状态预测的准确性及可靠性，而且为NSCLC BMs患者的个性化治疗提供了新思路。因此，基于多中心、多序列、多区域联合的DL技术成为MRI影像基因组学在肺癌BMs分子水平研究领域的新方向。

4 肺癌BMs治疗与预后预测

4.1 肺癌BMs的放射治疗

       立体定向放射外科（stereotactic radiosurgery, SRS）已成为肺癌BMs治疗的重要组成部分^[45]。SRS在控制肺癌BMs的局部生长方面表现出色，能够显著延长患者的无进展生存期（progression free survival, PFS）^[46]。MRI影像组学可通过对肿瘤整个病灶及其周围水肿区域的生物学特征及微环境的异质性进行全面评估，可作为肺癌BMs放射疗效监测和预后评估的有效成像标志物^[47]。肺癌作为发病率最高且最常见的BMs原发肿瘤起源，在MRI影像组学预测BMs放射治疗疗效方面的研究中占据主导地位。有研究^[48]分析了28例接受SRS治疗的BMs患者（肺癌11例、黑色素瘤9例、乳腺癌7例及食管癌1例）的增强T1WI，利用影像组学特征建立逻辑回归模型来预测SRS治疗后局部失败的可能性，结果显示模型的AUC为0.82±0.09，独立验证集的AUC为0.78，研究证明了影像组学在预测SRS治疗后BMs局部控制的可行性，可为肺癌BMs个性化放射治疗管理提供有效信息，并推动影像组学方法在肿瘤治疗领域的应用和发展。及时识别BMs放疗后的局部失败对于调整治疗方案、改善预后至关重要。MRI影像组学能够有助于预测放射治疗效果，对于临床医生和患者来说都是一个有价值的工具。JALALIFAR等^[49]研究结果显示DL特征在预测124例BMs患者的156个病灶（肺癌81个及其他肿瘤75个）SRS治疗结果方面优于临床变量，临床变量模型AUC为0.68，而DL模型AUC为0.72~0.83，结合DL特征和临床变量的模型获得最佳预测性能（AUC达0.86），可视化结果强调了肿瘤/病灶边缘在BMs局部结果预测中的重要性，有助于降低BMs的局部失败率，有利于优化针对个体患者需求和风险状况定制的治疗计划。KANAKARAJAN等^[50]通过对129例BMs患者（肺癌89例及其他肿瘤40例）的临床数据和治疗前脑部增强T1WI进行影像组学特征和DL特征提取，结合临床特征分别构建训练四种模型（临床特征、临床+影像组学特征、临床+DL特征、临床+影像组学+DL特征），AUC分别为0.82、0.88、0.86、0.89，研究表明，结合临床、影像组学和DL特征的模型在预测放疗局部控制方面效能最佳，证实了多模态特征融合能提高预测准确性。有研究^[51]从接受SRS治疗的87例患者的408个BMs病灶的增强T1WI和T2-FLAIR中提取了影像组学特征，来区分放射性坏死与肿瘤进展，结果表明影像组学和临床特征组合模型AUC为0.793，比仅使用临床特征的AUC高出19%，研究进一步证实了影像组学特征的加入提供了比常规临床变量更多的信息，联合预测模型可作为区分放射性坏死与肿瘤进展的先验信息，为临床决策提供证据支持。CHO等^[52]基于194例BMs患者（肺癌144例及其他肿瘤50例）的四次连续MRI扫描和369个目标病灶，分别开发的2D基于门控循环单元（convolutional gated recurrent unit, Conv-GRU）、3D Conv-GRU、最大轴向直径和影像组学的平均AUC分别为0.8341、0.7836、0.7516和0.7779，结果表明2D Conv-GRU模型在预测BMs的SRS治疗后治疗反应方面优于其他所有模型，进一步证实了DL在BMs放射治疗效果监测方面的优势。

       综上所述，影像组学这种无创、可定量重复的智能方法在预测肺癌BMs的放射治疗疗效方面已显示出极大潜力。基于多参数、多模态并联合DL特征与影像组学特征相融合有助于提高肺癌BMs放射治疗预测的准确性，但是现今研究的单一中心及小数据集缺陷致使研究的泛化性、可重复性、临床可解释性及转化性较低。因此，今后的研究应在多中心共享数据集的基础上，基于多区域的肺癌BMs分析进一步挖掘影像组学特征与放射治疗的生物学联系，提高可解释性，促进临床实效性。

4.2 NSCLC BMs的分子治疗

       全身性癌症的分子治疗旨在缩小肿瘤或减缓其生长，靶向治疗在晚期肺癌治疗中取得了显著进展，癌症死亡率从1991年到2021年持续下降，延长了癌症患者的生存期^[53]。BMs患者的分子治疗是在原发肿瘤全身治疗的基础上进行针对BMs的治疗^[54]。BMs靶向治疗的最新进展也对MRI分析提出了新挑战，而影像基因组学恰恰具备指导BMs精准个性化治疗的潜力。有研究^[42]指出多区域影像组学作为一种新颖非侵入性方法，有助于指导NSCLC BMs患者从EGFR-TKIs个体化治疗策略中获益。然而，该研究在利用MRI影像组学预测EGFR-TKIs治疗疗效方面，仅利用影像组学特征构建模型，而忽视了临床变量的潜在互补价值。因此，QU等^[55]纳入70例接受了一线EGFR-TKIs治疗的NSCLC BMs患者的212病灶，从治疗前增强T1WI的病灶区域提取影像组学特征，并根据所选特征计算影像组学评分，结果显示，基于EGFR 19del、第三代EGFR-TKIs治疗和平均影像组学评分相结合的联合预测模型优于单独使用这三个预测因子构建的模型（P均<0.05），联合模型对NSCLC BMs患者接受EGFR-TKIs治疗后一年内的颅内进展具有良好的预测价值（AUC为0.86）；研究证明结合了三个预测因子的预测模型能够更早地发现疾病进展，并通过指导临床医生对预测模型识别出的高危颅内进展患者进行更密集的MRI随访，从而及时调整治疗方案，使患者从中获益。QI等^[56]纳入接受EGFR-TKIs治疗的117例NSCLC BMs患者，用于预测一代EGFR-TKIs（吉非替尼、厄洛替尼、艾克替尼、阿法替尼和达克替尼）在EGFR突变型NSCLC伴BMs患者中的疗效，从T1WI、T2WI、T2-FLAIR、增强T1WI和DWI中提取影像组学特征，并使用逻辑回归分析和Cox比例风险回归分析筛选临床风险因素，分别构建了临床、影像组学和二者联合的列线图，用来预测短期疗效和颅内PFS，结果显示预测风险与实际结果之间的一致性良好，联合列线图在短期疗效预测模型和PFS预测模型的C指数分别为0.843和0.850。QI等^[57]进一步成功开发基于临床特征和MRI影像组学的列线图，并验证了其用于预测第三代EGFR-TKIs（奥希替尼、阿美替尼和伏美替尼）在EGFR突变型肺AD BMs患者中的短期疗效和颅内PFS，C指数分别为0.803、0.753。研究证实了第一代和第三代EGFR-TKIs在治疗EGFR突变型NSCLC BMs患者中的疗效良好，结合影像组学和临床特征建立的联合列线图预测性能优于单一的影像组学或临床列线图，作为无创预测工具，有助于及时对患者的治疗方案进行个性化调整。将影像组学特性与临床特征相关联是一个新兴领域，增强了影像组学特征与分子特征之间的相关性，这种相关性可能反映了肿瘤内部和肿瘤之间的基因表达差异。对于晚期NSCLC BMs的患者，MRI影像学特征可预测PFS。有研究^[58]整合从增强T1WI、T1WI及T2WI提取的影像组学特征联合预后指数及临床特征建立的DL模型，为接受EGFR-TKI治疗的NSCLC BMs患者提供了可靠的多时间点PFS预测，在预测3个月、6个月、9个月和12个月PFS时的AUC分别为0.88、0.73、0.92和0.90，该模型为进一步指导个性化治疗提供依据。同样有研究^[59]开发的DL影像组学模型在整合了丰富的定量影像组学特征与非线性深度网络特征后，模型性能显著提升。将这两种成像特征相融合，将放射学人工智能分析引入了一个新维度，为患者的精准治疗提供了额外价值。然而，这些发现需要通过未来的前瞻性研究进一步确认，以完善并评估其临床实用性。

       综上所述，多参数MRI影像组学联合临床特征可对EGFR突变型NSCLC BMs患者的EGFR-TKIs治疗疗效进行无创智能预测，由于设计病例随访致使研究样本单中心且数量较少，使得研究结果的泛化性及临床实效性不高。今后的研究在多中心数据的基础上，联合临床特征及DL技术的多区域影像组学分析可进一步增强模型的鲁棒性、泛化性，并有助于探索研究的临床转化价值。这种多区域多尺度的分析方法能够更全面地捕捉肿瘤的空间异质性，从而提供更准确的预测结果，结合多区域特征的模型即使在不同的体素空间分辨率下和不同数据源下仍能保持预测效果的一致，表现出良好的稳定性和可靠性。因此，未来的研究可以进一步挖掘更多区域影像组学特征，如肿瘤微环境区域等，以提高预测的准确性和全面性。此外，还可以结合其他影像学模态（如CT）进行多模态分析，以获取更丰富的肿瘤信息。同时，深入分析影像组学特征与肿瘤生物学特性之间的关联也是未来研究的重要方向之一，将有助于更好地理解肿瘤的发病机制和治疗响应机制，为NSCLC BMs的精准治疗提供更有力的支持。

5 小结

       综上所述，在以个体化精准治疗为核心的肿瘤医学背景下，MRI影像组学在肺癌BMs的诊断、治疗和评估中展现出了巨大的潜力。虽然，MRI在肺癌BMs的诊断分类和预后预测方面还面临着诸多挑战，但是，影像组学的兴起对于整合患者临床信息显示出大好前景，以无创高效的方式指导放射科医生诊断和临床医生进行后续治疗。因此，在今后的研究中，应基于多中心、标准化的大数据集整合多模态、多参数、多区域影像组学特征以构建泛化性及可重复性高的影像组学模型，避免数据量过小导致结果偏倚及可信度较差的问题，并联合DL进一步优化ROI分割方法和创新特征提取方法，进一步挖掘数据的可解释性，以提高模型的鲁棒性及可靠性，同时可为克服技术层面的局限性提供一定的帮助，从而更安全地应用于临床实践，有望为临床医生提供更加准确、高效的决策支持，从而有助于改善肺癌BMs患者的治疗效果和生活质量。