0 引言

       肺癌作为全球范围内发病率及死亡率最高的恶性肿瘤^[1]，对公共医疗体系和人类健康均构成重大挑战，尽管近年来医学界在肺癌的早期诊断和治疗方面取得了一定的进展，但在肺癌的早期诊断、肿瘤组织的高度异质性、患者对治疗的反应差异以及缺乏有效的生物标志物等方面仍存在许多困难^{[2, 3]}。

       多参数磁共振成像（multi-parametric magnetic resonance imaging, mpMRI）具有无辐射、良好的软组织对比度和多序列功能成像的优势，能够无创获取病灶灌注、代谢等功能信息^[4]，为肿瘤的早期筛查、分期评估和疗效监测提供更为精准的定量数据。mpMRI已在多种实体瘤中展现出显著的临床价值，不仅在乳腺癌、前列腺癌及直肠癌等肿瘤中得到了广泛的应用^{[5, 6, 7]}，近年来也开始逐步应用于肺癌的诊疗中^[8]。影像组学作为一门新兴的影像分析技术，其核心在于从医学影像中高通量、自动化地提取定量图像特征并将其转化为可挖掘的影像生物标志物^[9]。通过影像组学可系统性地从肿瘤影像中高通量地提取包括形态、纹理、功能及异质性在内的多维度定量特征，从而为肺癌患者个体化治疗策略的制定与优化提供基于影像的定量化决策支持。

       尽管目前已有综述对影像组学在肺癌中的应用进行了总结，但现有文献多集中于技术流程概述或仅纳入CT、PET/CT等成像技术^{[10, 11]}，尚缺乏针对mpMRI影像组学在肺癌诊疗中应用的梳理。因此本文旨在通过回顾现有研究，阐述mpMRI与影像组学结合在肺结节的良恶性鉴别、肺癌的精准分型、治疗决策及预后评估中的应用，并对未来的研究方向进行展望，以期为肺癌的临床诊疗提供新的思路与方法。

1 文献检索

       本文系统检索了中文数据库（中国知网、万方数据知识服务平台等）及英文数据库（PubMed、Web of Science、Embase等），技术方法学文献追溯至该技术提出之初，而肺癌临床诊疗应用研究时限重点聚焦近五年（2021年1月-2026年4月），中文检索式：（“影像组学”OR“放射组学”）AND（“多参数磁共振”OR“磁共振成像”）AND（“肺癌”OR“肺结节”）；英文检索式：（“radiomics” OR “radiomic”） AND （“multi-parametric MRI” OR “multiparametric magnetic resonance imaging” OR “mpMRI” OR “diffusion- weighted” OR “DCE-MRI” OR “IVIM”） AND（“lung cancer” OR “pulmonary nodule” OR “non-small cell lung cancer”）。

       文献纳入标准：（1）研究类型为已正式发表的原创性原始研究及系统性综述/Meta分析；（2）研究对象为经病理或临床确诊的原发性肺癌或肺癌脑转移患者；（3）研究内容明确涉及肺癌的临床诊疗应用，并采用至少一个功能MRI序列[如扩散加权成像（diffusion weighted imaging, DWI）、体素内不相干运动（intravoxel incoherent motion, IVIM）、扩散峰度成像（diffusion kurtosis imaging, DKI）等]，其中将DWI与表观扩散系数（apparent diffusion coefficient, ADC）视为同一序列的不同参数输出；（4）有明确的临床结局指标。排除标准：（1）重复发表的文献（仅保留数据最完整或发表时间最新者）；（2）无法获取全文或数据不完整的文献。共检索到中文文献173篇，英文文献102篇，使用Endnote剔除重复文献后，通过阅读标题与摘要进行初筛，再对剩余89篇文献进行全文复筛，依据主题相关性及研究设计完整性进行评估，排除不符合纳排标准的文献36篇，本文共引用相关文献53篇，其中符合纳入标准的原始研究/Meta分析共26篇。

2 mpMRI影像组学的技术基础

2.1 常用mpMRI序列及其生物学意义

       常用的MRI序列依据其信息属性可分为解剖形态学序列与功能/定量序列，前者包括T1WI、T2WI等序列主要提供组织的形态结构信息，后者包含DWI、IVIM及动态对比增强成像（dynamic contrast enhanced MRI, DCE-MRI）等，主要提供生物学特征。

       DWI序列主要通过观察水分子在组织中的扩散情况来反映细胞密度与细胞膜的完整性。在肿瘤组织中，细胞的高密度及其受限的扩散能力常常导致较低的ADC值，有研究证实肿瘤的组织学分化越差，其ADC值越低^{[12, 13]}。常规单指数DWI难以区分组织内的纯水分子扩散与微循环灌注信息，IVIM通过多b值双指数模型拟合，可将扩散与灌注效应分离，从而更准确地反映肿瘤组织的微观结构复杂性与血流灌注状态^{[14, 15, 16]}。

       DCE-MRI通过静脉注射钆类对比剂并监测其在组织中的动态分布，能够定量评估血流动力学与微血管通透性等关键信息。基于Tofts模型、扩展Tofts模型（Extended Tofts model）等药代动力学模型对时间-信号强度曲线进行拟合，可获得容量转移常数（volume transfer constant, K^trans）、速率常数（efflux rate constant, Kep）、血管外细胞外容积分数（extravascular extracellular volume fraction, Ve）等定量参数，DCE-MRI为肿瘤的血管生成特征提供了量化数据，有助于评判肿瘤的恶性程度和增殖潜能^[17]。然而由于各模型的数学假设、拟合边界条件存在差异，不同药代动力学模型输出的定量参数无法直接横向对比。

2.2 影像组学特征的构成和分类

       影像组学作为一种通过定量分析影像特征的方法，由LAMBIN等^[18]在2012年首次提出概念与流程，并于2016年由GILLIES等^[19]阐述了其核心价值与特征体系。影像组学的标准流程一般包括图像获取与重建、感兴趣区分割、特征提取与筛选以及模型构建与验证等步骤，其特征可分为一阶统计特征、纹理特征和形态特征等多个类别。

       一阶统计特征通过灰度直方图分析影像的强度分布，提取均值、方差及偏度等参数反映组织结构基础信息，为肿瘤类型及分化程度提供初步定量依据^[19]。纹理特征如灰度共生矩阵、灰度游程长度矩阵（gray level run length matrix, GLRLM）以及灰度大小区域矩阵（gray level size zone matrix, GLSZM）等，能够通过分析影像灰度值的空间依赖性反映肿瘤区域及其边缘区域的微观结构和异质性特征^[20]。形态特征着重分析肿瘤或病变区域的几何形态，通过形状、大小、边缘复杂度等参数评估其生长模式与侵袭性^[21]。高阶特征则通过小波变换、拉普拉斯高斯滤波等方法进一步揭示组织的复杂异质性和微结构，为疾病的早期诊断和个性化治疗方案的制定提供更多维的信息^[22]。

3 mpMRI影像组学在肺癌诊断及鉴别诊断中的应用

3.1 肺结节的良恶性鉴别

       肺癌的早期诊断常依赖于对肺结节的良恶性鉴别^[23]。常规CT在肺结节的形态学评估中具有基础价值，而高分辨率CT（high-resolution computed tomography, HRCT）可提供更精细的结构信息^[24]，但二者本质上难以充分揭示肿瘤的生物学特性。mpMRI通过联合应用多序列影像获取反映组织灌注、水分子扩散及细胞增殖等多维度的功能学参数，部分参数在良恶性鉴别中的效能优于CT的形态学指标^[25]，在此基础上，引入影像组学分析方法能够对mpMRI图像提取高通量、定量化的特征，更全面地捕捉肿瘤异质性信息，从而进一步提升鉴别诊断的准确性与稳健性^[26]。KOO等^[27]在T1WI、对比增强T1加权成像（contrast-enhanced T1-weighted imaging, T1CEWI）、T2WI和多b值DWI图像上提取特征并将其与组织病理学和传统定量影像值进行比较，最终得出结论，显著MRI影像组学特征在区分良恶性结节方面的效能优于最大标准化摄取值（maximum standardized uptake value, SUVmax）、平均CT值、ADC等传统影像参数，并且极端梯度提升（extreme gradient boosting, XGBoost）机器学习模型在结节分类中表现最出色（AUC=0.83）。XIE等^[28]在针对145例肺结节患者的回顾性研究中发现，基于多序列MRI（T1WI、T2WI和ADC）构建预测恶性结节的影像组学模型表现出最佳诊断效能，在训练集及验证集中AUC分别为0.858和0.774，显著优于单个序列模型。ZHOU等^[29]先通过重复扫描评估筛选出DWI及ADC图像中的稳定特征（一致性相关系数及动态范围≥0.85），随后纳入139例孤立性肺结节患者，按7∶3分为训练集和测试集分别构建临床模型、ADC值模型、ADC影像组学模型及DWI影像组学模型，并建立联合列线图模型，结果显示列线图的表现最佳（AUC=0.923），决策曲线表明其临床净收益也显著优于单一组学或临床模型。

       以上研究均证明基于mpMRI的影像组学在肺结节良恶性的诊断中准确率显著优于单一序列成像，并辅以机器学习[如支持向量机（support vector machine, SVM）、逻辑回归等]建模，可显著提升鉴别效能与自动化程度。然而mpMRI的临床转化仍存在瓶颈，CT作为肺结节基线筛查的首选手段，其诊断价值已得到充分验证，而mpMRI的补充优势如高软组织分辨率尚需更多临床证据支持，且扫描流程复杂、设备成本高等因素限制了其应用推广。

3.2 肺癌病理亚型的鉴别

       不同的肺癌亚型具有不同的生物学特性和临床表现，准确的病理亚型分类对患者治疗方案的选择和预后评估至关重要。mpMRI在肺癌病理亚型的预测中显示出了巨大的潜力，尤其是在区分不同类型的非小细胞肺癌（non-small cell lung cancer, NSCLC）方面。王曼曼等^[30]回顾性纳入114例NSCLC患者，在T1WI、T2WI和DWI上提取影像组学特征，并通过构建SVM模型区分腺癌和鳞癌，其在验证集的AUC均在0.88以上，结合了mpMRI影像组学特征与临床风险因素的列线图模型在训练集及验证集中的AUC分别达到了0.96、0.94。TANG等^[31]分析了经病理确诊的148名NSCLC患者，基于T2WI、DWI和ADC序列提取影像组学特征，并融合关键临床因素构建影像组学-临床列线图，其在腺癌与鳞癌的区分中表现出良好的分型效能，在训练集和验证集的AUC分别为0.814、0.767。

       mpMRI影像组学不仅能在肺癌原发灶上预测其不同亚型，还能借助转移灶的影像信息鉴别肺癌的具体病理类型。SUN等^[32]纳入了161例肺癌脑转移患者，从脑转移灶T2液体衰减反转恢复序列（fluid attenuated inversion recovery, T2-FLAIR）、DWI、T1CEWI和对比增强磁敏感加权成像（contrast-enhanced susceptibility weighted imaging, CE-SWI）四个序列中提取了960个影像组学特征，并加入临床特征分别构建单一组学和组学临床联合的机器学习模型，结果表明使用XGBoost的最佳模型中常规MRI序列（T2-FLAIR、DWI和T1CEWI）与CE-SWI的组合模型比单一序列模型具有更好的分类性能，预测肺癌脑转移瘤病理亚型的AUC达0.906。SUI等^[33]基于T1CEWI、T2-FLAIR和DWI序列，在276例肺癌脑转移患者图像上提取影像组学特征，发现基于三序列联合的影像组学模型不仅在区分小细胞肺癌与NSCLC的AUC在训练集和测试集分别为0.765和0.762，在鉴别腺癌与非腺癌方面展现的预测效能更优，训练集和测试集的AUC分别为0.861和0.851。

       目前研究表明，mpMRI影像组学并与机器学习相结合能够无创通过原发灶及转移灶鉴别肺癌的病理亚型，但其研究仍处于早期阶段：样本量较小且多为单中心，不同个体或设备引入的临床数据也存在一定异质性，要实现广泛的临床应用还需开展多中心验证并建立标准化的数据采集与预处理流程，以确保研究结论的普适性。

4 mpMRI影像组学在肺癌分期与分子分型中的应用

4.1 淋巴结转移评估

       在肺癌的分期中，转移尤其是淋巴结转移是评估病情和指导治疗方案的关键因素。传统影像学方法如CT在区分转移性淋巴结与炎性或反应性淋巴结时可能出现假阴性和假阳性^[34]，mpMRI所能提供的形态与功能学信息为突破这一局限提供了新的方向。WEI等^[35]纳入92例NSCLC患者并联合应用¹⁸F-FDG PET/MRI代谢参数及IVIM多弥散参数评估纵隔淋巴结转移，结果显示淋巴结转移阳性组中代谢肿瘤体积（metabolic tumor volume, MTV）、总病灶糖酵解（total lesion glycolysis, TLG）及SUVmax显著升高，而ADC、真实扩散系数（D）及弥散分布系数（distributed diffusion coefficient, DDC）显著降低，且联合了MTV与DDC的预测模型的诊断效能显著优于任一单一PET或IVIM定量参数（AUC=0.821）。MENG等^[36]探讨基于限制性频谱成像、酰胺质子转移加权成像、DWI与PET构建的¹⁸F-FDG PET/MRI模型在淋巴结转移评估中的价值，结果表明单一序列中酰胺质子转移加权成像模型的预测效能最佳（AUC=0.832），而整合了多参数的联合模型的预测效能更加优异（AUC=0.978），敏感度达95.35%。LI等^[37]纳入220例病理确诊的NSCLC患者，联合T1WI、T2WI和T1 mapping三个序列各提取1598个影像组学特征，经筛选后整合肿瘤最大直径及癌胚抗原水平等临床独立预测因子构建列线图模型，结果显示模型在训练集及验证集中预测淋巴结转移的AUC分别为0.922和0.847，显著优于临床模型（AUC=0.710）及单独的影像组学模型（AUC=0.802）。

       上述研究表明，肺癌淋巴结转移的影像预测正从常规定量参数和多序列联合参数向高通量影像组学特征逐步深化，需指出的是，WEI等^[35]与MENG等^[36]的研究属于多参数定量成像分析范畴，基于PET/MRI功能参数构建的预测模型验证了多序列功能信息互补对提升诊断效能的可行性，而LI等^[37]则进一步通过影像组学特征挖掘常规MRI序列中蕴含的深层异质性信息。尽管上述研究在方法学上存在一定差异，但整体呈现了从参数驱动向数据驱动演进的技术逻辑，为mpMRI影像组学在淋巴结转移预测中的应用奠定了前期基础。

4.2 分子分型预测

       在肺癌治疗中，靶向治疗和免疫治疗的应用日益广泛，分子生物标志物的预测发挥着至关重要的作用。例如，EGFR、ALK、ROS1等基因突变的检测，能够为肿瘤患者实现精准分子分型，为靶向治疗方案的制订提供关键依据；同时，在特定遗传性高危人群中，该检测也可用于症状前风险预警。唐兴等^[38]分别在T2WI、DWI和ADC图上勾画肺部原发肿瘤作为感兴趣区并提取特征并筛选出最优的16个特征并建立预测模型，采用10折交叉验证法对模型进行训练和验证，其平均符合率达到75.7%（AUC=0.826），联合了性别因素构建的联合模型预测EGFR表达的符合率进一步提高到78.9%。WANG等^[39]回顾性收集了92名病理确诊肺腺癌患者资料，基于T2WI、DWI和ADC序列构建影像组学模型并预测治疗前EGFR状态，结果表明单序列中ADC模型表现最佳，多序列模型的性能较单序列预测效能更高，训练集AUC为0.888，进一步构建包含组学评分、性别和吸烟史的列线图模型，训练集与验证集AUC分别为0.925和0.727，且训练集与验证集中EGFR突变概率的校准曲线显示预测结果与观察结果良好一致。以上研究证明加入ADC与DWI的模型预测效能优于单一T2WI模型，原因可能是肿瘤细胞密集区ADC与DWI存在的图像信号对比度更能反映肿瘤内部的异质性。

       如今免疫检查点抑制剂（如PD-1/PD-L1抑制剂）在临床治疗中成为一线核心治疗药物^[40]，其疗效预测标志物PD-L1的评估亦成为热点，然而与EGFR等相对静态的驱动基因不同，PD-L1的表达受肿瘤微环境中缺氧、代谢及免疫浸润等因素动态调控^[41]，这使得无创影像评估更具挑战性。ROBUSTELLI等^[42]建立了基于IVIM和T1-VIBE成像序列的影像组学与深度学习融合模型，在43例NSCLC患者的MRI图像上共提取了1171个影像组学特征和512个深度学习特征，采用逻辑回归的联合模型在预测PD-L1表达水平的AUC在所有特征集中范围为0.78~0.92，提示mpMRI影像组学在免疫治疗标志物的无创评估中具备可观的应用前景。然而该研究领域现有研究结果尚不一致。HAN等^[43]基于T1 mapping和IVIM定量参数预测23名晚期肺癌患者的PD-L1表达水平，结果表明T1、ADC、灌注分数（f）、D、和伪扩散系数（D^*）值在高低表达组间差异均不具有统计学意义（P>0.05）。BORTOLOTTO等^[44]基于T1及T2 mapping双序列定量参数与PD-L1表达之间的关联，亦发现在18名PD-L1表达≥1%的阳性组与12名PD-L1表达<1%的阴性组间的参数无统计学显著相关性。上述阴性结果表明，常规MRI定量参数难以直接线性反映PD-L1表达所依赖的复杂肿瘤生物学异质性，引入影像组学虽有望通过高通量特征挖掘突破这一局限，但其预测效能的可重复性及泛化能力仍需大规模、多中心的前瞻性研究进一步验证。

5 mpMRI影像组学在肺癌疗效评估及预后中的应用

5.1 治疗后疗效评估

       在治疗后特别是接受新辅助治疗的患者中，及时检测肿瘤的治疗反应以及准确评估肿瘤退缩情况对后续治疗至关重要。mpMRI影像组学能够通过多模态影像提供关于肿瘤对于治疗反应情况的重要信息。

       LIU等^[45] 基于86例接受放疗的Ⅲ期NSCLC患者治疗前的胸部MRI数据，提取并整合了来自T1WI、T2WI和DWI的3045个影像组学特征用于构建影像组学模型，在对比多种机器学习方法后发现，多序列联合模型在预测肿瘤对放疗的治疗反应中展现出最佳效能（AUC=0.888），且逻辑回归算法在预测准确率以及稳定性上显著优于SVM、K近邻（K-nearest neighbor, KNN）算法及随机森林算法。YANG等^[46]纳入43例肺癌微波消融术后患者，根据疗效分为有效组与无效组评估DCE-MRI定量参数和影像组学对早期疗效的预测价值，结果显示无效组多项灌注参数如Vp（血浆容积分数）、Fp（血浆血流量）的偏度及峰度显著高于有效组，且Ve、Vp的能量及熵在组间差异有统计学意义（P<0.05），影像组学方面，基于T1WI、T1CEWI构建的联合组学模型在训练集及验证集的AUC分别达0.965和0.850，相较于单一模型表现更佳，研究表明DCE-MRI定量分析和多序列MRI影像组学有助于早期预测肺癌微波消融术的疗效反应。JIANG等^[47]则为了预测肺癌脑转移患者伽马刀手术治疗后的反应，基于T1WI、T2WI、T2-FLAIR、T1CEWI、ADC map、脑血容量图（cerebral blood volume map, CBV map）六种常规成像方式并加入3D T1磁化制备快速梯度回波序列（T1-MPRAGE）提取脑部转移灶的影像组学特征并建立组学模型，根据瘤内核心区和瘤周水肿区分别评估其预测性能，最终发现瘤内（T2WI、T2-FLAIR、CBV map、T1-MPRAGE）联合瘤周（T1WI、ADC map、CBV map）的mpMRI影像组学模型在预测脑转移瘤患者接受伽马刀手术后的疗效反应方面取得了良好的区分效能（AUC=0.93）。

       mpMRI影像组学在评估肺癌治疗疗效方面有显著的效果，并证实了多序列以及多区域模型相较于单序列模型性能得到了较明显提升，但放疗后放射性肺炎与免疫治疗后假性进展在mpMRI上呈现的强化及扩散特征与真性进展高度相似，现有影像组学模型难以有效鉴别，未来研究需开发治疗特异性模型或引入纵向变化特征来区分真实的肿瘤生长与治疗诱导出的炎症反应。

5.2 远期疗效预测

       无进展生存期（progression-free survival, PFS）及无病生存期（disease-free survival, DFS）是评估肺癌治疗效果和患者预后的关键指标，但其获取往往依赖长期随访，存在时间滞后性，因此如何在治疗前无创预测患者预后成为临床决策的关键。HEIDT等^[48] 前瞻性纳入144名接受酪氨酸激酶抑制剂或化疗治疗肺腺癌患者，在治疗前以及治疗后一天、一周及两周进行DWI扫描，时间性对比患者在不同治疗节点的组学特征变化，多个影像组学特征与RECIST疗效反应以及PFS显著相关，其中以ADC图中的纹理特征变化相关性最显著。KIM等^[49] 通过构建cN0肺腺癌患者的基于T1WI、T2WI和DWI序列的影像组学模型，实现对微乳头/实性成分、气腔内播散及低分化的术前预测，AUC为0.751~0.886，加入临床变量后构建的列线图模型预测效能进一步提升AUC分别达到0.860和0.907，该模型提取的高风险影像特征可独立提示淋巴结转移及血管侵犯风险，并且与4年DFS缩短显著相关。QI等^[50]回顾性纳入194例接受EGFR-TKI治疗的肺腺癌伴脑转移患者，基于脑部T1WI、T2WI、T2-FLAIR、DWI序列提取影像组学特征，并联合临床特征构建列线图模型，该模型预测颅内PFS的一致性指数（concordance index, C-index）在训练集和验证集分别为0.901和0.753，校准曲线和DCA均显示良好效能，且能显著区分高危及低危患者，为临床强化随访或调整治疗策略提供依据。

       然而mpMRI在实际临床应用中仍面临部分局限，常规MRI的空间分辨率不及CT，对于微小浸润或胸膜侵犯等早期征象往往难以清晰辨别，且mpMRI检查费用高且扫描时间较长导致随访成本较高，目前mpMRI影像组学在肺癌生存与复发预测中的研究还较少，未来需探索更高效的扫描流程或与其他成本较低的影像学手段进行联合。

6 小结与展望

       mpMRI影像组学在肺癌的诊断与鉴别诊断、分型与分期以及治疗和预后评估中展现了巨大的潜力，近五年基于肺部原发肿瘤及部分肺癌脑转移的mpMRI影像组学研究文献汇总见表1，但mpMRI影像组学在技术和操作上仍存在一定的瓶颈与局限。技术标准化的缺失是当前的主要障碍之一，MRI设备、磁场强度、线圈配置和扫描参数的差异降低了不同研究结果之间的可比性，且目前大多数研究图像分割方式以手动或半自动为主，人工勾画的主观性会降低组学特征的稳定性，不同MRI序列及其衍生参数的组学特征稳定性也存在显著差异。与此同时，MRI在肺部成像中固有的技术局限也制约了mpMRI影像组学的临床转化，MRI图像分辨率不足影响肺小结节的显示能力，且呼吸运动及心脏搏动伪影的存在进一步降低了图像质量的稳定性。从模型构建层面来看，目前大部分研究集中在单中心、小样本数据上，缺乏广泛的多中心、大样本验证，且不同研究所选用的特征提取及筛选方法各不相同，因此模型的泛化能力不足，普遍存在过拟合风险，无法充分适应不同临床环境。上述多重因素相互叠加，共同限制了mpMRI组学的广泛应用。

       更为关键的是，影像组学特征往往缺乏明确的生物学溯源，其内在决策逻辑难以被临床医师直观理解，这种“黑箱”困境严重削弱了模型的临床可信度与接受度。近年来，可解释性人工智能（explainable artificial intelligence, XAI）的兴起为破解这一困局提供了可行路径，通过沙普利加性解释（SHapley Additive exPlanations, SHAP）值归因分析、注意力机制可视化等方法，使模型的决策过程从“不可见”转向“可解读”。SHAP是目前应用较广泛的XAI方法之一，该方法基于合作博弈论中的Shapley值，可量化每个输入特征对模型预测结果的边际贡献，既可在全局层面呈现各特征的整体重要性排序，也可在个体层面解释单例患者预测结果的成因^[51]。基于注意力机制和梯度加权类激活映射等可视化解释技术则通过生成热力图或可学习权重分布，直观呈现深度学习模型的决策依据区域^[52]。但当前XAI在mpMRI影像组学中的应用仍处于探索阶段：不同解释方法的结果一致性缺乏评价标准，且多数解释尚未与肿瘤分子生物学机制建立深层关联。

       mpMRI组学的未来发展方向将集中在技术融合和多模态数据整合两大维度。在技术方面，深度学习与传统影像组学方法的结合，尤其是基于卷积神经网络的端到端特征学习，将极大提升影像特征提取的效率和精度，并推动XAI从“事后解释”向“模型内生可解释”演进。在数据方面，多模态融合将通过整合mpMRI与CT、PET/CT、液体活检（如循环肿瘤DNA、循环肿瘤细胞等）等多源数据，进一步提升肿瘤表型的全面性和临床诊断的准确性^[53]。同时通过跨中心、多模态数据的验证，建立统一的可解释性评估框架，以最终实现mpMRI影像组学临床决策支持系统的可信赖部署。

       综上所述，为了实现mpMRI组学的临床应用，未来需要进行大规模、多中心、前瞻性的临床试验，验证其在不同肺癌亚型和治疗方案中的效果，并克服技术标准化、数据共享和模型泛化等方面的难题，促进mpMRI技术的普及。随着技术的不断进步和跨学科合作的深入，mpMRI影像组学有望成为肺癌精准医疗中的重要辅助工具，为肺癌诊疗和预后评估提供更可靠的数据支持，推动实现肺癌患者个体化医疗的目标。

点击查看表格

表1  近五年基于肺部原发肿瘤及脑转移瘤的mpMRI影像组学研究文献汇总
Tab. 1  Summary of literature on mpMRI-based radiomics studies of primary lung tumors and brain metastases over the last five years