0 引言

       胃癌是最常见的消化道恶性肿瘤之一^[1]。全球范围内，约2/3的发病人数在东南亚，其中接近半数的发病人数在中国^[2]。据统计，2022年我国胃癌新发病例35.68万例，占全部恶性肿瘤的7.43%^[3]。由于我国胃癌早期筛查力度不足，且胃癌早期临床症状不典型等，大多数患者确诊时已处于进展期，伴或不伴远处转移。早诊早治在胃癌的诊疗过程中起着至关重要的作用。胃癌诊断的金标准是病理诊断，临床分期主要依赖于传统影像学检查。病理获取手段以内镜下活检为主，易受到肿瘤空间异质性、取材样本量不足等局限性，活检标本不能完全代表整个肿瘤的病理特征。常规的影像学检查在胃癌TNM分期和疗效评价中存在局限性，其诊断准确率有待提高。因而，寻找准确性高、无创、可重复、客观、可挖掘肿瘤异质性等优势的工具成为研究重点。

       LAMBIN等^[4]于2012年首次提出影像组学概念，其指出影像组学通过高通量提取影像图像转换为量化数据后进行特征分析以挖掘出肿瘤内部的潜在信息。在胃癌的研究中发现，影像组学能为协助诊断、指导分期、预测预后、评估疗效、表型分析、筛选获益人群等临床工作提供重要参考价值^[5]。近年来，随着深度学习技术的发展，影像组学在胃癌诊疗中的应用逐渐从单一模态向多模态融合方向扩展，但仍需解决标准化不足、样本量小和可重复性差等挑战^{[6, 7, 8, 9]}。目前尚缺乏相关文献对影像组学在胃癌的诊断和治疗应用中的研究进行归纳、整理。本文主要从影像组学在胃癌的诊断、分期、疗效反应预测、远期生存疗效预测等方面的应用进展进行综述，以期推动胃癌的临床决策过程、为未来的精准医学领域提供新思路。

1 影像组学在胃癌诊断中的应用

1.1 病理预测相关

1.1.1 组织学分类与分级预测

       Lauren分型是胃癌的主要组织学分类方法^[10]。其根据组织学形态和细胞特征将胃癌分为肠型、弥漫型和混合型。影像组学作为一种新兴技术，在评估胃癌Lauren分型中，具有较高的诊断价值。WANG等^[11]利用放射组学列线图分析了静脉期计算机断层成像（computed tomography, CT）影像中肿瘤内部及其周边的特征，采用ITK-SNAP手动分割肿瘤区域及4个像素的外周环，最小绝对收缩和选择算子算法（the least absolute shrinkage and selection operator, LASSO）构建组合放射组学特征以预测胃癌的Lauren分型，研究结果显示，在训练队列中，Lauren肠型患者的预测准确度达到71.6%，灵敏度为76.5%。此研究表明CT影像组学在用于术前预测肠型和弥漫型胃癌中，显示出潜在价值。此外，影像组学作为一种基于高通量图像定量特征提取的工具，用于表征肿瘤的异质性，为解决这一问题提供了新的视角。研究指出通过从静脉期和动脉期CT图像中进行特征选择和构建影像组学模型，可以有效地对术前胃癌的组织学分级进行预测，其在训练集和验证集中的曲线下面积（area under the curve, AUC）分别达到0.752和0.793，对于区分低级别与高级别胃癌显示出具有较好的预测效能^[12]。

       综上，影像组学可用来预测胃癌的组织学分型和分级，为胃癌的个体化治疗提供依据。但目前存在一定的局限性：第一，影像组学在组织学分级判读和评估方面与术后病理结果仍存在差异，未来随着算法的不断优化和对数据的深入分析，这种差异有望缩小；第二，研究集中于回顾性研究，无法避免混杂因素干扰，未来应开展更多前瞻性研究。

1.1.2 周围神经侵犯、淋巴血管浸润预测

       在胃癌中，周围神经侵犯（peripheral nerve invasion, PNI）和淋巴血管浸润（lymphovascular invasion, LVI）是肿瘤侵袭性的关键指标。PNI是根治性切除术后胃癌预后不良的独立预测因子，其与较差的生存结果密切相关，能降低胃癌患者的无病生存率（disease-free survival, DFS）、总生存率（overall survival rate, OS）^{[13, 14, 15]}。LVI是预测胃癌患者淋巴结转移的最有效危险因素，被认为是淋巴结转移的高风险因素及淋巴结微转移的标志^[16]。准确预测PNI和LVI对于评估肿瘤的远处转移和局部复发风险具有重要意义。YARDIMCI等^[17]利用基于机器学习的CT图像纹理分析，以肿瘤区域勾画感兴趣区（region of interest, ROI），从8个机器学习算法中筛选出最佳性能算法，研究发现，随机森林算法具有最佳的LVI预测性能，其平均AUC值和准确率分别达到0.894和80.9%，而在预测PNI方面，朴素贝叶斯算法其预测性能最佳，平均AUC为0.754、准确率为68.2%，这表明，运用机器学习模型来分析CT图像纹理，在预测LVI和PNI方面具有显著的诊断价值。在另一项研究中，HE等^[18]建立了临床模型、增强CT放射组学模型和两者的组合模型，发现在LVI组中，组合模型的预测能力[AUC=0.871，95%置信区间（confidence interbal, CI）：0.798~0.944；AUC=0.822，95% CI：0.681~0.964]最优，而在PNI组中，组合模型（AUC=0.834，95% CI：0.756~0.913；AUC=0.828，95% CI：0.704~0.952）较两个单一模型预测性能更佳，这表明了融合模型在预测LVI和PNI效能方面具有显著的潜力和良好的发展前景。

       影像组学模型在预测LVI和PNI方面展现出潜在价值，并表明影像组学联合临床、病理模型，在预测性能方面更有优势^[19]。但研究还存在一些局限性。首先，建立的模型缺乏外部验证，模型的适用价值有待验证；其次，现有研究样本量小，以单中心研究为主，多中心、大样本数据的前瞻性研究未来仍有待进一步开展。

1.1.3 生物标志物预测

       胃癌具有高度的分子异质性，人表皮生长因子受体2型（human epidermal growth receptor 2, Her-2）、程序性死亡-1配体（programmed cell death ligand 1, PD-L1）、错配修复缺陷/高度微卫星不稳定（mismatch repair defect/high microsatellite instability, dMMR/MSI）、EB病毒（EB virus, EBV）等基因状态免疫组化表达为胃癌的预后和靶向抗肿瘤药物的疗效反应提供重要的参考价值^{[20, 21, 22]}。传统的检测，通常主要依靠术后的病理组织送检，但因肿瘤组织内部的空间异质性，无法有效反映肿瘤分子表型的全貌。影像组学结合微观的基因表达在宏观的影像特征中反映的特性，可无创性进一步全面分析。表1展示了2021年至2024年间影像组学在预测Her-2、PD-L1、dMMR/MSI、EBV方面的应用。

       基于上述研究，可以看出相关研究基本集中在基于CT的影像组学预测上，但不同的研究机构之间图像采集时采用的CT排数和层厚不一致均会影响到采集的图像质量^[30]。为此，学者们提出的图像生物标志物标准化倡议可用于标准化扫描仪的使用和图像采集^[9]。然而，胃癌是空腔脏器的实体肿瘤，与实质脏器肿瘤不同，患者检查前准备不充分会显著影响病变显示的效果，进而影响到兴趣区采集的准确性。此外，尽管研究表明某些生物标志物之间存在关联，但鉴于目前研究的样本量较小，尚无法准确比较这些生物标志物的发生频率^[31]。

点击查看表格

表1  影像组学在预测Her-2、PD-L1、dMMR/MSI、EBV生物标志物中的应用
Tab. 1  Application of radiomics in forecasting biomarkers, including Her-2、PD-L1、dMMR/MSI、EBV

1.2 分期预测相关

       TNM分期是国际通用的癌症分期系统，该系统用于描述肿瘤的解剖范围，为临床治疗选择及预后评估提供标准化依据。然而，该分期依赖于CT、MRI、正电子发射计算机断层显像/X线计算机体层成像（positron emission tomography/X-ray computed tomography, PET-CT）等评估形态学的影像工具。这些传统成像技术的评估主要依赖于放射科医生的肉眼观察，其主观性和阅片差异等因素会对胃癌的分期诊断产生影响。研究报道显示，基于CT成像评估的临床分期与术后病理分期存在一定偏差，总体准确率为66.7%^[32]。影像组学通过从传统成像工具中高通量提取纹理、形状及功能等定量特征，挖掘更深层次的生物学特征，不仅可强化TNM分期中影像数据的解析能力从而辅助优化TNM分期的客观性和精准度，更为分期注入分子水平的信息。

1.2.1 T分期预测

       作为TNM分期系统的一部分^[33]，T分期依据肿瘤浸润深度分为T1a（黏膜层）、T1b（黏膜下层）、T2（固有肌层）、T3（浆膜下层）、T4a（穿透浆膜）、T4b（侵犯邻近结构）。T分期对于制订治疗计划至关重要。对于临床T1期患者，内镜下微创手术被认为是首选，而对于临床T2、T3或T4期患者，建议手术和围手术期化疗^[34]。影像组学通过量化肿瘤边缘模糊度、强化异质性等特征，不仅可用于预测T分期，还有助于精确识别出肿瘤的浸润深度以协助制订个体化治疗。

       CHANG等^[35]纳入了200例术前行增强CT检查的食管胃结合部胃癌（esophagogastric junction gastric cancer, EJC）患者，构建了一个基于静脉期CT影像特征的影像组学模型以区分EJC腺癌的T3和T4a期，使用ITK-SNAP软件在切片重建层厚为5 mm的图像上手动分割肿瘤ROI，对比了使用增强CT图像特征的多因素logistic回归分析传统模型、静脉期CT影像组学模型以及基于Radscores评分和增强CT提取特征构建的列线图模型在敏感度、特异度、准确性和AUC方面的差异，结果发现传统模型、影像组学模型和列线图模型的AUC分别为0.645（95% CI：0.550~0.741）、0.839（95% CI：0.767~0.911）、0.845（95% CI：0.772~0.918），训练集和测试集中的敏感度分别为86.2%和85.1%、81.7%和91.5%、83.5%和93.6%，训练集和测试集中的特异度分别为41.9%和38.5%、83.9%和53.8%、83.9%和69.2%，准确性分别为75.0%、83.3%、88.3%。该研究表明了影像组学在预测EJC腺癌的T3和T4a分期的诊断价值，其表现出高特异性、敏感性，更进一步指出列线图模型在胃癌的T3和T4a肿瘤中具有最高的诊断能力。SUN等^[36]研究中构建的基于支持向量机和卷积神经网络的影像组学模型，展现了一定的区分T4a和T3期肿瘤的能力，在测试集Ⅰ中回顾性纳入428例病理确诊的T3或T4a患者，测试集Ⅱ中则前瞻性纳入144例临床诊断为cT3或cT4a的患者，其在测试集Ⅰ和Ⅱ中的AUC值分别达到了0.76和0.78，以及0.79和0.84。然而，该研究的影像特征提取仅采用单时间点影像数据进行二维ROI勾画，未充分考虑肿瘤异质性及动态增强特征。相比之下，YANG等^[37]采用双相增强CT多参数影像数据（静脉期120 kV等效混合图像与碘图），通过垂直于肿瘤浸润最深处的胃壁三维ROI勾画，将分析范围扩展至浆膜外5 mm内的瘤周脂肪组织，构建基于随机森林算法的影像组学模型，结果显示，该模型在训练、测试和独立验证队列中的AUC分别为0.90、0.90和0.85，有望用于T4a的精确预测。YOU等^[38]纳入151例术前患者进行回顾性分析，通过术后病理T分期将患者划分为T1/2组（浅表浸润）和T3/4a组（深层浸润），构建基于双期增强CT的影像组学模型，该研究以原发肿瘤病灶为界勾画三维ROI，使用随机森林、逻辑回归、朴素贝叶斯和支持向量机四种机器学习算法搭建多模态机器学习框架，结果显示，影像组学模型在胃癌中区分T1/2和T3/4a期肿瘤方面表现出良好的性能，在训练、验证、外部测试1和外部测试2队列中观察到的AUC分别为0.892（95% CI：0.829~0.956）、0.846（95% CI：0.734~0.958）、0.894（95 % CI：0.818~0.970）和0.821（95% CI：0.689~0.952）。上述的影像组学模型在预测性能上随着计算机算法的发展逐渐得到提高，但ROI的分割仍基于医生的手动分割，耗时长、效率低和准确性受到经验限制。结合自动分割算法的深度学习克服了传统分割局限性，展现出良好的发展前景。TAO等^[39]回顾性收集3个中心的771例胃癌患者，将胃癌患者分为轻度（T1和T2期）、中度（T3期）和重度（T4期）组，采用ITK-SNAP勾画肿瘤区域后构建支持向量机分类器的影像组学模型、深度学习模型以及两者结合的混合模型，影像组学、深度学习和混合模型的AUC在内部测试数据集中分别为0.875、0.866和0.886，在外部测试数据集中分别为0.820、0.818和0.972，用于区分轻度（T1~T2期）和非轻度（T3~T4期）患者；在内部检测数据集中分别为0.815、0.892和0.894，在外部检测数据集中分别为0.685、0.808和0.897用于区分非重度（T1~T3期）和重度（T4期）患者，该研究表明整合影像组学特征和深部特征的混合模型在诊断胃癌分期方面有良好的表现。现有研究集中在预测深层浸润的T3~T4期患者，对浅部浸润的T1~T2期，特别是黏膜层和黏膜下层的研究较少，考虑与病灶体积小和图像分辨率欠佳有关，尽管MRI分辨率高，但扫描时间长易受到呼吸运动的影响。

1.2.2 N分期预测

       淋巴结转移（lymph node metastases, LNM）是影响胃癌预后的一个高风险因素。根据LNM的数量^[33]，分为N0：无转移，N1：1~2个区域淋巴结转移，N2：3~6枚区域淋巴结转移，N3a：7~15个区域淋巴结转移，N3b：≥16个区域淋巴结转移。一项纳入247名行根治性手术切除的胃癌患者的回顾性研究指出^[40]，使用随机森林算法构建的CT影像组学模型，在训练队列中AUC到达0.844，准确性为80%（敏感度90%，特异度71%），在测试队列中AUC为0.837，准确性为84%（敏感度86%，特异度77%），这说明影像组学在评估淋巴结状态方面优于传统CT成像技术（训练队列准确性：80.0% vs. 62.4%，测试队列准确性：84.0% vs. 62.0%）。此外，WANG等^[41]从接受淋巴结清扫术的胃癌患者中提取了基于肿瘤区域和第三站淋巴结的影像组学特征，采用最小冗余最大相关性算法建模，旨在预测T1~T2期胃癌的LNM。他们将提取到的最优影像组学特征分为两组（影像组学特征1：RS1；影像组学特征2：RS2），这两组特征在训练队列[RS1：AUC=0.831（95% CI：0.725~0.937）；RS2：AUC=0.761（95% CI：0.629~0.893）]和测试队列[RS1：AUC=0.852（95% CI：0.742~0.962）；RS2：AUC=0.763（95% CI：0.626~0.900）]中，均显示出显著的预测早期胃癌淋巴结转移的能力。而ZHENG等^[42]搭建的基于Transformer的深度学习列线图模型则用于预测局部晚期胃癌新辅助化疗后的LNM，在训练队列和验证队列中的AUC分别为0.804（95% CI：0.752~0.849）、0.748（95% CI：0.660~0.830）、0.788（95% CI：0.735~0.835）和0.766（95% CI：0.717～0.814）。

       这些研究集中在肿瘤本身异质性，并没有涉及肿瘤周围的非恶性和浸润性细胞中这些瘤周微环境中，但瘤周区域的影像组学特征与肿瘤侵袭性相关^[43]。ZHOU等^[44]使用ITK-SNAP对肿瘤区域和肿瘤边界向外扩展2 mm的瘤周区域进行ROI分割，发现瘤内影像组学模型的AUC仅为0.600；相似地，YANG等^[45]使用LIFEx软件勾画肿瘤区域和半自动绘制肿瘤区域周围5 mm的区域，该结合肿瘤和肿瘤周围区域特征的影像组学模型在预测LNM方面取得了最高的AUC分别为0.779和0.724。然而，联合模型的性能提升仍受限于以下因素：瘤周区域解剖边界模糊，不同研究中扩展范围（2 mm vs. 5 mm）缺乏标准化定义，导致分割可重复性降低；瘤周影像易受呼吸运动伪影、部分容积效应及空间分辨率限制干扰，尤其在CT影像中更为显著，需通过大样本多中心研究结合多期增强扫描优化特征稳定性。SONG等^[46]研究运用多参数MRI影像组学预测LNM，结果表明，多序列MRI影像组学模型在训练和两个验证队列中分别实现了0.774（95% CI：0.703~0.845）、0.721（95% CI：0.593~0.850的AUC）。虽然MRI分辨率较CT高，但该研究并未表现出更高的性能，不除外与MRI检查中患者的细微移动和运动伪影等具有相关性。针对不同的N分期，XUE等^[47]用LIFEx软件对127例接受了术前¹⁸F-FDG PET/CT成像作为该研究的受试者，构建了一个包含Rad评分和癌胚抗原的预测N2~3b模型，此模型显示出良好的校准和区分[AUC=0.81（95% CI：0.74~0.89），P<0.001]效能。一项国际多中心研究^[48]通过将730例局部进展期胃癌患者分为1个主要队列、3个外部验证队列和1个国际验证队列，构建深度学习列线图模型以明确术前LNM的数量，对动脉期和静脉期的CT图像分割，结果显示总体C指数在主要队列为0.821（95% CI：0.785~0.858），外部验证队列为0.797（95% CI：0.771~0.823），国际验证队列为0.822（0.756~0.887），该研究对区分病理N0、N1、N2、N3a和N3b有很大的指导价值。

       当前研究的局限性主要包括：第一，超声内镜检查和CT联合可能会提高N分期的准确性；第二，瘤周特征提取尚未建立基于生物学侵袭路径的空间建模标准（如脉管侵犯方向性、间质反应分区）；第三，在不同种族群体间模型的预测性能未得到验证。未来研究需进一步探索以下方向：第一，使用超声内窥镜和CT、MRI等多种影像工具的联合以更准确区分N分期；第二，构建多模态融合模型（如PET-MRI影像组学联合循环肿瘤DNA）；第三，引入时序动态特征分析，捕捉新辅助治疗前后瘤周微环境的演化规律，从而优化个体化N分期预测体系。

1.2.3 M分期预测

       腹膜转移（peritoneal metastases, PM）是胃癌的最常见转移形式，其发生率为14%^[49]。术前PM的漏诊是造成胃癌手术失败、预后不良的主要原因。因此，术前预测PM，包括腹膜内游离肿瘤细胞和腹膜播散，对于指导手术和进行预后评估至关重要。LIU等^[50]回顾性纳入233例晚期胃癌患者，由两位经验丰富的医生使用Imaging Biomarker Explorer软件对患者术前的静脉期CT图像进行避开胃腔和伪影后沿着最大切片上的肿瘤病变边缘手动绘制ROI，运用支持向量机搭建模型，发现影像组学模型在预测PM中表现出高AUC值（AUC=0.741），敏感度和特异度分别为91.1%、49.5%，这说明CT影像组学为预测隐匿性PM提供有价值的信息，但特异度欠佳。WANG等^[51]研究将810例晚期胃癌患者分为训练组、内部验证组、外部验证组，该研究指出，在特异度超过90%的条件下，临床模型和放射组学模型对隐匿性PM阳性病例的总体敏感度分别达到76.1%和82.1%。影像组学模型有可能是一种识别隐匿性PM的高精度、有潜力的方法。而DONG等^[52]纳入544例CT诊断为阴性但腹腔镜证实为PM的晚期胃癌患者，在ITK-SNAP上描绘肿瘤的2D ROI（ROI-1）和面积> 2 cm²最靠近原发肿瘤中心的腹膜区域（ROI-2），开发包括原发肿瘤（RS1）和腹膜区域（RS2）和Lauren型的列线图，结果发现，训练、内部和两个外部验证队列的AUC分别为0.958（95% CI：0.923~0.993）、0.941（95% CI：0.904~0.977）、0.928（95% CI：0.886~0.971）和0.920（95% CI：0.862~0.978），这表明原发肿瘤和附近腹膜的CT表型与隐匿性PM状态显著相关。

       在以上分期的预测上，大部分研究基本仍集中在基于CT的影像组学预测上，除了增强CT图像，胃癌还可以通过超声胃镜、MRI、PET/CT检查等工具进行分期评估。未来还可以探索其他影像组学成像模型，并对比不同模型或结合模型之间的预测效能。此外，胃癌的PM还受到肿瘤微环境和基因等微生物水平的影响，将影像组学与基因生物组学相连接是提升预测性能的关键举措^{[53, 54]}。

2 影像组学在预测胃癌治疗疗效的应用

2.1 近期疗效预测相关

       对于局部晚期与局限性转移胃癌，均推荐行新辅助或转化治疗，以争取肿瘤最大退缩以寻找根治手术，降低复发转移，延长生存^[55]。但传统影像学在评估新辅助治疗（neoadjuvant chemotherapy, NAC）疗效方面存在局限性。影像组学能够揭示肿瘤内部的微观结构和生物学特性，从而预测NAC后的肿瘤退缩情况。

       SUN等^[56]研究表明，影像组学评分可用于预测潜在可切除或局限性转移性胃癌患者对NAC的疗效反应。一项单中心研究^[57]显示，基于动脉期和静脉期CT图像构建的随机森林线性判别分析联合分类器的过滤器影像组学模型，AUC分别为0.621、0.722；另一项多中心研究^[58]分别采用logistic回归、朴素贝叶斯、随机森林、支持向量机和极限梯度提升算法构建静脉期CT影像组学模型，发现极限梯度模型在评估性能方面最优（AUC=0.790），其诊断效能在内部和外部验证中均得到了确认；LI等^[59]研究指出，MRI影像组学在预测胃癌疗效上，其诊断效能与CT相似，均可用于胃癌NAC早期病理反应的预测。此外，ADILI等^[60]建立了采用LASSO回归建模的表观扩散系数（apparent diffusion coefficient, ADC）影像组学模型、动态对比增强（dynamic contrast enhancement, DCE）影像组学模型和T2WI影像组学模型用于预测NAC的病理反应，并在三种模型的基础上构建联合影像组学列线图，最终显示多参数联合影像组学模型在区分疗效方面显著优于其他三种模型[训练集：联合模型AUC=0.844（95% CI：0.749~0.914），ADC模型AUC=0.728，DCE模型AUC=0.686，T2WI模型AUC=0.752；验证集：联合模型AUC=0.820（95% CI：0.695~0.910），ADC模型AUC=0.693，DCE模型AUC=0.660，T2WI模型AUC=0.716]，从该研究可以得出，影像组学模型在预测胃癌NAC疗效方面具有较高的准确性和可靠性，有望为个体化治疗方案的制订提供有力支持。一项荟萃分析^[61]通过纳入14项研究发现，当建模变量仅限于影像组学特征时，预测NAC反应的C指数为0.750（95% CI：0.710~0.790），敏感度为67%（95% CI：58%~75%），特异度为77%（95% CI：69%~84%），而当临床数据与放射组学特征作为建模变量相结合时，预测性能得到改善，C指数为0.814（95% CI：0.780~0.847），敏感度为78%（95% CI：70%~84%），特异度为73%（95% CI：67%~79%），这提示将影像组学与临床特征融合模型在预测疗效反应方面具有一定的潜力。THRIFT等^[62]构建的临床特征-影像数据联合模型，以Dr.Wise多模态研究平台勾画肿瘤病灶，构建支持向量机模型，结果发现训练组的AUC分别为0.949、0.943和0.846，验证组AUC分别为0.815、0.778和0.701，联合模型对胃癌患者的NAC疗效反应预测准确率更高，未来应朝着联合临床、病理、生物标志物、基因等多模态模型方向发展。当前多数研究采用的是手工分割ROI，存在靶区勾画上主观性的影响。同时验证模型中样本量较少，存在结果偏倚可能，仍需要进一步扩大样本量来验证准确性和适用性。

2.2 远期疗效预测相关

       在预测生存方面，准确的生存预测可以为临床决策提供信息并有利于治疗计划。一方面，对低风险患者进行过度治疗是主要的临床困境之一，这可能导致不必要的副作用和生活质量下降。另一方面，高危患者治疗不足会降低他们的生存机会，特别是晚期胃癌患者很大程度上获益于可靠的预测OS以指导药物治疗^[63]。AL-BATRAN等^[64]和ZHANG等^[65]基于CT影像组学，发现CT影像组学与OS之间存在显著相关性[训练队列：风险比（risk ratio, HR）=3.75（95% CI：1.805~7.791），P=0.001；验证队列：HR=3.670（95% CI：1.225~10.995，P=0.013]，这提示影像组学有助于预测胃癌患者的生存率。此外，SHEN等^[66]的回顾性研究中共纳入132例胃癌患者，研究表明，基于化疗前后CT构建的影像组学特征联合临床因素列线图（radiomics features combined with clinical factors nomogram, RS-CN），展现了良好的预测OS的诊断性能[AUC=0.827，C指数为0.73]。该模型在预测胃癌生存方面具有良好的预测性能，通过获取RS-CN截取点，可以实现风险分层，进而为胃癌患者提供个性化的治疗建议。CHEN等^[67]用ITK-SNAP软件手动分割MRI上的T1WI、T2WI和DWI所有可见肿瘤区域边界综合获取三维ROI，运用LASSO算法和多变量Cox回归分析来确定最佳纹理特征并创建生存组合模型，结果表明，预测3年和5年OS的AUC在训练集中为0.765和0.788，在验证集为0.757和0.729。ZHI等^[68]开发基于PET提取影像特征预测胃癌患者OS，使用LIFEX软件自动测量目标胃病灶分段感兴趣体积的SUVmax，并使用40% SUVmax阈值选择感兴趣体积，以LASSO和随机森林建模，该PET影像组学评分模型的C指数在训练队列中为0.817，在验证队列中为0.707。

       影像组学在预测胃癌患者OS上仍面临着一些挑战。第一，现有研究多基于单中心、小样本回顾性数据，可能引入选择偏倚，导致模型泛化能力不足；第二，构建的模型多依赖统计学相关性，缺乏分子或病理层面的机制验证，可能限制其临床决策支持的可信度；第三，多数研究基于治疗前或固定时间点的静态影像建模，未充分纳入肿瘤时空异质性对OS的影响。

3 影像组学的局限性和未来展望

       影像组学通过量化肿瘤异质性，在胃癌的病理分型、分子标志物预测及分期评估中展现出显著优势。然而，当前研究存在的局限性亦不容忽视：（1）不同研究的图像采集参数之间缺乏统一标准，导致特征稳定性不足、重现性差；（2）多数影像组学模型依赖回顾性数据，外部验证及前瞻性研究亟待开展；（3）多模态数据的整合应用仍处于探索阶段，缺少关于融合分子表型、基因、病理分型、代谢等多组学的研究；（4）现有研究的ROI勾画基于单一的肿瘤原发灶研究为主，对于联合肿瘤靶区淋巴结、瘤周组织的勾画研究尚较少；（5）胃癌作为空腔脏器肿瘤，患者检查前禁食准备不充分可能导致胃壁塌陷或充气不均，影响ROI勾画的准确性。针对目前研究的不足笔者认为未来研究应关注以下方面：（1）通过建立统一的数据采集标准和开源平台可以促进多中心大样本研究的实施提升模型鲁棒性，开展多学科联合协作推动技术落地；（2）未来研究需规范扫描前准备流程，并探索呼吸门控技术以减少运动伪影；（3）联合深度学习的多模态数据模型逐渐被开发应用于肿瘤的分类和诊断中，例如3D卷积神经网络、残差网络、稠密连接网络、视觉变换器，这些联合模型可自动捕获非线性特征，减少人工偏倚。深度学习中的迁移学习可增强小样本数据模型泛化性。结合深度学习和弱监督学习的多模态模型可减少对标注数据的依赖，提升数据解析能力，有望用于结合分子标志物预测超分辨率细胞空间图谱。新兴的图神经网络技术使得建模病灶与周围组织的空间关系可视化。

       综上，在未来的临床实践中，影像组学有望实现胃癌的早期筛查、动态疗效监测及个体化靶向治疗，最终推动胃癌诊疗步入精准医学新时代。