25、放射组学与人工智能在肿瘤药物研发中的应用与挑战

放射组学与人工智能在肿瘤药物研发中的应用与挑战

1. 放射组学特征用于预测治疗反应

肿瘤患者的医学图像包含了肿瘤及其周围微环境的表型信息，如基因特征、蛋白质表达和肿瘤内异质性等。利用人工智能从医学图像中挖掘的放射组学特征，正越来越多地用于预测患者对治疗的反应。

1.1 蛋白激酶抑制剂治疗

传统的影像学反应评估标准（RECIST）是现代肿瘤学实践的基石，但在一些靶向治疗中存在局限性，如多靶点酪氨酸激酶抑制剂（TKIs）治疗。以舒尼替尼、索拉非尼和帕唑帕尼等TKIs为例，传统RECIST定义的反应率低于实现疾病控制的患者比例。这是因为抗血管效应可能导致肿瘤大量坏死，使肿瘤衰减发生变化，但总体大小变化不大，而RECIST标准未考虑肿瘤形态的这种异质性。

放射组学特征可用于预测多种肿瘤类型对TKIs治疗方案的反应。例如：
- 应用MRI放射组学预测接受抗血管生成治疗的胶质母细胞瘤的风险分层。
- 利用PET/MRI放射组学表征转移性肾细胞癌患者对舒尼替尼治疗的早期反应。

此外，基于放射组学的反应评估工具可改善对TKIs敏感和耐药患者群体的分层。表皮生长因子受体（EGFR）表达失调是许多癌症的标志，放射组学特征能够识别EGFR - TKI反应表型，并区分基线时有无EGFR敏感突变的肿瘤，以及在随访中这些放射组学特征的定量变化。

1.2 化疗/放化疗

肿瘤学领域一直希望确定哪些患者能从化疗/放化疗中获益，但能预测患者反应的分子生物标志物仍难以捉摸。为填补这一空白，从医学图像中提取的放射组学特征正被用于预测多种肿瘤类型对化疗/放化疗方案的反应。

具体应用包括：