0 引言

       结直肠癌（colorectal cancer, CRC）在所有恶性肿瘤中，发病率排名第三，死亡率排名第二，其发病率与死亡率均呈上升趋势，约20%的患者在就诊时已存在转移性疾病，故提升CRC临床诊断、治疗尤为重要^{[1, 2]}。CRC是正常组织上皮逐步进展成癌的结果，在相同TNM分期患者中，病情进展程度却高度不同，这主要因为肿瘤生物学内部高度的异质性，包括坏死、缺氧、血管生成、出血，甚至遗传变异^[3]。近年来，随着基因分型和靶向治疗相关研究的深入，靶向药物联合化疗已经成为CRC的一线治疗方案，可明显改善CRC的无进展生存期和总生存^[4]。其中大鼠肉瘤（rat sarcoma, RAS）及RAS同源物B1（v-raf murine sarcoma viral oncogene homolog B1, BRAF）基因是CRC分子分型的重要组成部分，在CRC的发生、发展机制中起着非常重要的作用^[5]。RAS、BRAF基因是表皮生长因子受体（epidermal growth factor receptor, EGFR）依赖的下游信号转导丝裂原相关蛋白激酶（mitogen-activated protein kinase, MAPK）通路中的重要基因，这些基因突变后会导致下游信号通路的持续激活，导致细胞增殖、分化、血管生成和对细胞凋亡的抵抗，最终导致肿瘤的发生和持续进展。而MAPK通路的激活也将导致适应性治疗耐药，使EGFR抑制剂无效，反而徒增不良反应和治疗费用^[6]。目前组织病理学检测是基因突变诊断的金标准，但其依赖于有创活检，且在肿瘤异质性、动态监测及全病灶评估方面存在局限性。近年来，计算机断层成像（computed tomography, CT）和MRI的无创动态监测技术在肿瘤异质性表征领域展现出显著优势，基于这些技术的影像组学与深度学习（deep learning, DL）无创检测方法取得了显著进展，实现了对肿瘤基因突变状态的全病灶动态评估，避免了重复活检带来的创伤风险，而且特别适用于无法耐受活检或病灶难以获取的患者群体，为个体化治疗方案的制订提供了重要补充依据。在CRC诊疗评估中，影像组学和DL的智能分析方法已取得重要突破，包括周围神经和脉管浸润的术前预测^[7]、淋巴结转移的无创评估^[8]、关键驱动基因突变状态的无创检测^[9]，以及肝转移患者预后的精准预测^[10]等方面。本文汇总了影像组学和DL在CRC相关基因突变预测方面的研究，通过了解不同影像学技术及不同特征提取方式在CRC相关基因突变的预测能力，以促进其在临床中的应用，为CRC患者精准化治疗方案选择提供理论依据。

1 CRC突变相关基因

       基因组学的研究进展表明，体细胞突变在CRC的发生发展、预后评估及治疗反应调控中具有决定性作用^[11]。而RAS和BRAF基因作为关键驱动基因，其突变状态不仅与肿瘤侵袭转移特性相关，更可能通过影响DNA损伤修复通路介导新辅助放疗的敏感性^{[12, 13, 14]}。RAS蛋白作为小三磷酸鸟苷（guanosine triphosphate, GTP）酶超家族成员，包含KRAS、NRAS和HRAS三种同源亚型，通过调控MAPK、PI3K/AKT等信号通路介导细胞增殖、分化及凋亡等生物学过程^{[15, 16, 17]}。从分子机制层面，RAS突变可导致GTP酶活性丧失，引发RAS-RAF-MEK-ERK通路组成性激活，进而通过上调VEGF、GLUT1等因子促进血管生成与瓦伯格效应，最终导致化疗耐药^[18]。KRAS突变状态是抗EGFR单克隆抗体疗效的主要负向预测标志，临床研究证实RAS突变患者的无进展生存期和总生存期显著缩短（P=0.002和0.027）^[19]。值得注意的是，尽管NRAS、HRAS与KRAS突变具有互斥特征，但其临床检测已纳入美国国家综合癌症网络（national comprehensive cancer network, NCCN）推荐，未来独立预后价值仍需进一步验证^[20]。BRAF基因编码的丝氨酸/苏氨酸激酶是MAPK通路的关键效应器，其V600E突变占CRC所有BRAF突变的85%~90%^[21]。BRAF位于RAS信号下游，在RAS野生型肿瘤中，BRAF V600E等热点突变可模拟RAS激活效应，导致抗EGFR治疗耐药^[22]。

       目前，CRC临床常用基因检测技术主要包括聚合酶链反应（polymerase chain reaction, PCR）和Sanger测序等方法^{[23, 24]}。其中，基于PCR平台的技术凭借操作简便、检测快速且成本低廉等优势，已成为NCCN和《中国临床肿瘤学会结直肠癌诊疗指南》推荐的关键驱动基因突变一线筛查工具，但其检测通量有限，难以实现多基因同步分析^{[20, 25]}。Sanger测序可同时检测已知/未知变异并提供直接序列证据，其敏感度和特异度显著优于常规PCR方法，但受限于单次反应仅能检测1~2个基因的局限性，且检测成本较高，限制了其在基层医院的普及^[26]。

2 影像组学的基本概念及在CRC相关基因突变的研究

2.1 影像组学原理和流程

       影像组学已广泛应用于肿瘤学研究，并已被证明是一种很有前途的研究方法，它以非侵入性方式提取有关空间和时间异质性的定量信息，为肿瘤学的诊断、分类和预后预测提供无风险且有效的方法。其主要通过常规影像学图片高通量提取影像学特征，挖掘超过人类肉眼辨别范围之外的更深层次特征，如灰度直方图、病变形状、小波和纹理等低维和高维特征，进而建立机器学习模型对临床、病理特征定量分析病情进展、免疫组化、基因突变等信息^[27]。

       影像组学主要包含四个步骤。（1）高质量标准化影像采集和预处理：收集患者多维数据，包括医学图像、临床及病理等多元化数据集；其中医学图像质量是影响影像组学分析中最重要的因素，需执行一系列关键预处理步骤，如图像去噪、信号强度标准化和归一化、图像配准等预处理以此提高图像质量、增加图像特征稳定性、确保不同患者之间数据的可比性及通用性。（2）感兴趣区分割：感兴趣区是指在图像分析中一个或多个层面特别标注的图像区域，这些区域是研究中的核心焦点，分割区域决定了影像中被分析的体素。（3）影像组学特征提取和处理：影像组学特征的提取是影像组学分析的关键步骤，影像组学特征大致包括一阶统计特征、空间几何特征、纹理特征和变换特征。然而，若一个模型中包含特征数量过多，无疑会导致过拟合，因此需淘汰那些对变量表现不够稳定以及特征间高度相关的项，同时，结合降维技术筛选出那些重复性高、信息丰富且无冗余的特征。（4）模型的构建及评估：通过分类算法构建影像组学模型，例如逻辑回归、随机森林、支持向量机等。模型的分析包括模型的性能评估[受试者工作特征曲线（receiver operating characteristic, ROC）及曲线下面积（area under the curve, AUC）]、校准曲线和决策曲线分析等；最后使用影像组学质量评分（radiomics quality score, RQS）对影像组学研究的方法、可复性和临床适用性进行评估^{[28, 29]}。模型建立后必须进行内部验证，理想情况下，还应进行外部验证。

2.2 影像组学在CRC相关基因突变中的研究

       CT是临床应用中检查CRC的首选影像学方式。近年来，影像组学在癌症领域发展迅速。YANG等^[30]研究发现，当使用支持向量机模型预测CRC的KRAS、NRAS、BRAF基因突变状态，肿瘤内部的异质性主要表现为影像学纹理之间的差异，训练队列中AUC为0.869，验证队列中AUC为0.829，这从侧面证实CT纹理特征与基因突变状态之间存在关联。虽然该研究显示诊断效能较高，但纳入样本量较小，其临床价值有待进一步验证。近期，林礼波等^[31]利用门脉期CT图像构建了基于Logistic回归的分类模型，以预测CRC患者中KRAS基因的突变状态，最后模型训练组和验证组中的AUC分别为0.755和0.724。这与YANG等研究结果效能相比有所下降，这可能是由于样本单位及数量、模型构建、最终研究目标有所不同。

       此外，HU等^[32]通过平扫期、动脉期和静脉期构建单期相与多期相影像组学模型进一步对比预测KRAS基因突变的机器分类器性能，发现动脉期模型在预测KRAS基因突变状态方面表现最佳，AUC达到0.811，这可能是由于其更能反映肿瘤组织的血液灌注和微环境。而结合动脉期和静脉期的模型进一步提升了预测性能（AUC=0.826），尽管平扫期、静脉期和动脉期三者结合模型在测试队列中没有显著提升AUC，但其在敏感性、特异性、准确性方面表现最优。这些研究表明，不同相位CT图像可以为预测KRAS突变提供互补信息，通过整合不同CT图像相位的影像组学特征，可以显著提高KRAS基因突变状态的预测能力。在¹⁸F-氟代脱氧葡萄糖（fluorodeoxyglucose, FDG）正电子发射断层成像（positron emission tomography, PET）扫描中，ZHAO等^[33]利用生境方式提取影像组学特征构建对KRAS、NRAS、BRAF突变的预测模型，将肿瘤分成高代谢区域及低代谢区域，并增加瘤周2 mm区域进一步研究瘤周环境与基因相关性，最后结果显示，瘤周生境和高代谢生境对模型预测的影响最大。这与TANG等^[34]研究较为一致，瘤周区域越接近肿瘤内区域，它包含的信息量就越大。

       对于BRAF基因，LI等^[35]开发了基于CT的放射组学列线图以预测其突变状态。结果显示，该模型对BRAF的状态具有良好的诊断意义，训练集、内部验证和外部验证集AUC分别为0.86、0.82和0.82；此外，列线图的性能显著优于临床模型（P<0.05）；影像组学列线图预测BRAF突变高危组的总生存期比低风险组差（P<0.001）。而XUE等^[36]发现小依赖性体素区域分布的程度（small dependence emphasis, SDE）是预测CRC患者BRAF基因突变中最有价值的参数，反映了图像灰度值的不均匀性和分布差异，即图像纹理异质性，结果显示BRAF突变型SDE值显著低于野生型（P<0.05），且基于SDE的预测模型AUC为0.93，这意味着纹理异质性较低的肿瘤可能比纹理异质性较高的肿瘤表现出更高的BRAF基因突变风险。这些结果的原因可能是BRAF突变赋予肿瘤细胞更具侵袭性的表型，促进更多的肿瘤新血管生成并增加肿瘤血管通透性，使对比剂在血管间隙内和血管外间隙均匀分布，从而转化为更均匀的增强静脉期质地。

       MRI因较CT具有卓越的软组织对比分辨率及空间分辨率，在CRC的诊断途径中显得尤为重要，能够对CRC进行分期，评估壁外肿瘤扩散程度及疗效反应^[37]。一项基于T2WI影像组学特征的双中心研究，使用三个分类器（决策树、支持向量机和逻辑回归）训练以预测患者的KRAS突变，并在内部队列和外部队列中进行了验证，结果显示支持向量机效能最佳，在训练数据集中AUC=0.722，内部验证集中AUC=0.682，外部验证集中AUC=0.714^[38]。同样，ZHANG等^[39]使用T2WI开发了放射组学模型，AUC达到了0.703。不同成像平台和方法的AUC值验证了研究结果的稳健性。另外ALSHUHRI等^[40]利用多参数MRI扫描的放射组学特征来预测CRC患者的KRAS突变状态，在区分KRAS突变组和KRAS野生组时，使用ADC和T2WI图像特征训练的机器学习模型表现出强大的性能，神经网络模型在训练集中准确率达到73%，AUC为0.71，测试集中准确率为62.5%，AUC为0.68。XU等^[41]发现，与KRAS野生型组相比，KRAS突变组中的6种纹理特征（平均值、方差、偏度、熵、灰度级不均匀性、运行长度不均匀性）的平均值更高（P<0.001）。与KRAS野生组相比，KRAS突变组具有更高的熵值（P <0.001）。换言之，KRAS突变型比KRAS野生型癌症具有更高的内在异质性，影像中显示为KRAS突变的直肠癌ADC值更低，较低的ADC值可能反映出坏死较少、细胞密度较高和血管形成较高，表明肿瘤特征更具有侵袭性。

       综上，CT与MRI影像组学能有效预测CRC关键驱动基因突变状态。值得注意的是，MRI凭借其高软组织分辨率及多序列成像能力，可精准解析肿瘤内坏死区、间质纤维化及微血管异质性，而CT因部分容积效应及软组织分辨率限制，在早期识别微环境驱动突变方面敏感性略显不足。当前研究多聚焦于宏观影像组学特征提取，对肿瘤内动态异质性微环境（如免疫浸润梯度、缺氧亚区）的空间映射研究仍存在空白。未来需进一步开发生境分析技术，通过融合空间代谢组学（如酰胺质子转移成像）与深度特征聚类，以突破现有影像基因组学框架的精度瓶颈。

3 DL的基本概念及在CRC相关基因突变的研究

3.1 DL原理和流程

       DL是机器学习中另外一个重要分支，其作为一类多层神经网络学习算法，通过深层非线性网络结构有效地学习特征，将数据的低级别特征组合并转换成更高级别、更复杂的抽象特征，以完成复杂任务的学习，实现复杂函数逼近，从而可以学习到数据集的本质特征^[42]。

       在图像分类任务中，DL算法主要包括卷积神经网络（convolutional neural network, CNN）、基于自编码器的深度网络以及基于受限玻尔兹曼机的深度网络^[43]。其中，CNN因其独特的结构和功能，更适用于图像分类和视觉识别任务，它主要依靠感受野的变化，可以有效利用数据的全局与局部信息，这使得CNN在处理复杂医学影像时展现出了优越的性能^[44]。

       DL在医学数据中实现端到端的预测或分类结果，克服了传统机器学习方法需要手动定义病灶的局限性，具有稳定、高效和可重复性的优势。此外，DL的特征提取能力使得它能够自动化特征学习，显著减少人工干预的影响。它不仅能提取临床结果相关的特征，还能在特征提取、选择和分类这三个核心步骤中实现最优化，从而提高分类或预测的准确性和效率。

3.2 DL在CRC相关基因突变中的研究

       在过去的几年中，由于计算能力的提高和硬件成本的降低，以及大量新数据集的创建，DL引起了极大的关注。LIU等^[45]开发了一种结合T2WI和临床因素的无创联合DL模型以评估直肠癌患者的KRAS突变状态，其利用MobileNetV2网络作为DL模型的骨干结构，使用迁移学习方法来提高DL模型的稳健性和泛化性，构建了临床模型、影像模型、临床-影像联合模型，AUC分别为0.668、0.765和0.841。联合模型在独立测试队列中展现了卓越的AUC、敏感性和阴性预测值，同时在校准曲线和临床实用性方面也表现优异，预示着其在个体化治疗中的潜在价值。另外HE等^[46]使用了一种ResNet模型，该模型基于静脉期CT图像从横断位、冠状面和矢状面三个方向的最大肿瘤面积进行分析。为了进一步验证其方法的有效性，他们还引入了随机森林影像组学模型进行对比。结果显示，随机森林模型在训练集上的AUC为0.945，敏感度与特异度分别为75%和94%，在测试集上的表现也相当出色，AUC为0.818，敏感度与特异度分别为70%和85%。而ResNet模型在预测能力上更为突出，其AUC值攀升至0.93，由此可见，DL在判断基因突变状态方面展现出了一定的优势，能够有效提升诊断率。

       最近有研究团队探讨了三种先进的CNN（ResNet18、ResNet50和Inception v3）在组织病理学图像分析KRAS、NRAS和BRAF基因的突变状态，并且采用了多种机器学习分类器，包括逻辑回归、随机森林、极端梯度提升、轻量级梯度提升机等算法构建预测模型^[47]。其中Inception v3模型在训练和测试数据集上均展现了卓越的泛化能力，其关键性能指标如AUC、敏感度、特异度、阳性预测值和阴性预测值均达到了高水平，显著优于ResNet50和ResNet18，这体现了Inception v3在图像分类和识别任务中的强大性能，这也提示在模型方面未来或许还有进步空间。此外，极端梯度提升模型在训练队列中的AUC为0.962，而在测试队列中达到了0.822。值得注意的是，组合模型同样取得了显著的成效，其训练队列和验证队列的AUC分别为0.964和0.825。校准曲线和决策曲线分析均表明了其高度的一致性和优越性。MA等^[48]提出了一种分割引导的Transformer U-Net（SG-Transunet）模型用于CRC中KRAS基因突变状态的鉴定。SG-Transunet整合了CNN和Transformer的优势，为病变分割和KRAS突变状态识别提供了一种独特的方法。最后结果表明，SG-Transunet在区分KRAS基因突变状态方面优于ResNet、SF-DBAM、SB-SRA和CAAM模型，证实了SG-Transunet准确识别KRAS基因突变状态方面的有效性。此外，该项研究还对比了Transunet、SB-MSA、AME-EPN和SB-SRA之间的分割性能，结果均优于另外三项模型。

       为了提高检测KRAS突变的准确性，CAI等^[49]开发了一种多任务全球-局部协作混合网络（CHNet）。该网络包含通道式混合变压器和空间式混合变压器，结合了Transformer和CNN的优势，通过级联混合注意力和卷积捕捉全局和局部信息。最终在T2WI数据集上，CHNet模型AUC最高达0.95，准确率、真阴性率、真阳性率分别为88.93%、90.03%、87.71%。最后分别用标准的Transformer Block、Swin-Transformer Block和LG attention Block替换了CHNet中的CHT（Channel-wise Hybrid Transformer），将获得的三个网络的分类性能与CHNet进行了比较，结果显示CHNet模型均优于使用其他三个基本模块的网络，并且分类性能最佳，这同样证明了CHT可以增强全局分类特征与全局和局部信息的表示能力，从而提高网络的分类性能，从侧面证实了全局信息对分类性能的重要性。此外，与无高级语义分割功能的CHNet相比，高级语义分割特征显著提高了分类性能，表明了其在病灶位置、形状和大小等信息传递中的重要作用。LV等^[50]提出了一种基于解纠缠表示的多模态融合框架（DRMF-PaRa），该框架通过组织引导的Transformer模型提取病理特征，并结合深度放射组学特征，利用解纠缠表示技术实现多模态数据的融合用于CRC患者KRAS突变检测。融合模型准确度达到87.6%，AUC为0.865，显著优于单一模态方法，这一创新性研究有效解决了单一模态特征学习不足的问题，还为CRC中KRAS突变的精准检测提供了新的技术思路，具有重要的临床应用潜力。未来的研究可考虑进一步扩充数据集规模并进行多中心验证，以提升模型的稳定性和泛化能力。

       上述研究反映出DL通过高维特征提取肿瘤微观特征数据，可精准解析肿瘤微环境动态演变规律，展示了对肿瘤生物学行为和相关基因突变优秀的预测效能。但DL较影像组学通常结构更复杂、数据需求更大，这大大限制了模型应用范围。因此开发简单易用的模型和训练方案，降低DL模型门槛提高模型在临床实践中的适用性，有助于推动这一先进技术更广泛地服务于CRC患者的诊疗需求。

4 影像组学及DL在CRC基因型研究中的不足

       目前影像组学及DL已展现出不同程度的潜能与价值，但仍有许多问题尚未解决：（1）CRC在影像组学和DL的研究中多为单模态、小样本，且缺乏影像组学与DL联合创建模型，未来需要融合多序列CT、MRI、病理等进行多模态大样本研究；（2）影像组学和DL算法原理复杂，对CRC发病原理、诊断方案缺乏更客观、更全面的解释^[51]；（3）DL模型的性能高度依赖于大量且多样化的标注数据，在处理异常形态病灶时，模型可能容易过拟合，限制了其泛化能力^[52]；（4）不同研究中心数据来源多样，可能存在成像设备不同、成像参数不同等问题，且扫描过程存在不同外部干扰因素，最终成像可能会出现较大差异，缺乏对数据的标准化统一处理^[53]；（5）目前影像组学和DL多为单中心回顾性研究，还需多中心、大规模的前瞻性队列进一步验证。

5 总结与展望

       伴随着大数据时代的兴起和人工智能的发展，影像组学和DL正突破传统模式引领医学影像领域的变革。通过在影像检查阶段获取患者的分子特征，实现对于CRC相关基因突变状态的便捷、快速预测，为CRC患者的治疗方案选择、病程进展、治疗效果评判提供强有力的指导。此方法不仅显著提升了诊断效率，同时大幅减少了不必要的侵入性检查，有效减轻了患者的负担。尽管影像组学和DL的方案设计研究仍存在些许不足，但更多研究机构的加入、更大规模数据集的构建和标准化研究的深入推动以及新技术的不断发展和模型结构的持续精炼，加之高级影像数据的深入挖掘，这些挑战将被一一克服。影像组学与DL将在CRC的精准治疗与预后评估领域展现出更加卓越的性能，为患者带来更多福音。