编辑推荐：
骨肉瘤（OS）是常见原发性骨恶性肿瘤，新辅助化疗（NAC）可提高生存率，但 OS 的异质性导致疗效差异大。本文通过系统评价与荟萃分析，评估基于影像组学的机器学习模型预测 OS 中 NAC 疗效的准确性和可靠性，为临床提供参考。
引言
骨肉瘤（OS）是最为常见的原发性骨恶性肿瘤，发病高峰集中在青春期以及 60 岁以上的成年人，在所有原发性恶性骨肿瘤中占比超过 44%。以往，OS 的治疗局限于对原发性肿瘤进行局部手术切除，患者生存率较低，仅为 20 - 30% 。20 世纪 70 年代，全身化疗的出现，随后发展为新辅助化疗（NAC），这是治疗策略上的重大进步。这种术前化疗联合手术切除的综合策略显著改善了患者的预后，将五年生存率提升至 60 - 70% 。
然而，OS 具有高度的异质性，使得不同患者对 NAC 的治疗反应存在差异。准确评估 OS 患者对 NAC 的组织学反应，对于预测预后和优化治疗策略至关重要。目前，评估 OS 治疗反应的金标准是通过病理检查确定活检标本中存活肿瘤细胞的百分比，即坏死率。但该方法是在术后进行，无法应用于术前诊断阶段，不利于个性化治疗方案的制定。此外，活检属于有创操作，会增加早期治疗决策的复杂性。
在 OS 的诊断、分期和随访过程中，X 射线、计算机断层扫描（CT）、磁共振成像（MRI）和正电子发射断层扫描（PET）等影像学检查发挥着重要作用，能为临床决策提供关键信息。多项研究提出了多种基于影像学的预后因素，用于评估 OS 患者对 NAC 的治疗反应，如肿瘤体积、水肿、信号强度和关节积液的变化等。但这些指标受主观因素影响较大，导致结果存在差异。因此，急需一种无创的方法在手术前预测 NAC 的疗效。
影像组学是从医学影像中获取定量指标的方法，可创建影像生物标志物辅助临床决策，在预测癌症预后和 NAC 反应方面展现出良好前景。近年来，人工智能（AI）的发展提升了大数据分析能力，能自动检测和测量医学影像中的放射学模式。机器学习（ML）作为 AI 的分支，通过在结构化数据集上训练算法识别模式和关系。将影像组学特征作为 ML 模型的输入，可整合为单一预测值，在癌症领域应用广泛。本研究旨在系统评估基于 ML 的影像组学在预测 OS 患者 NAC 反应中的应用，分析其准确性、可靠性和临床实用性。
材料和方法
本研究方案已在系统评价前瞻性注册平台注册，注册号为 xxxxx。整个系统评价和荟萃分析严格遵循 PRISMA 指南进行。
在文献检索方面，研究人员共检索到 161 项研究，并将其导入 EndNote 20 进行文献管理。由两名独立的评审人员手动检测并去除重复文献，之后剩余 73 条记录进入下一筛选阶段。两名评审人员先对标题和摘要进行筛选，再对相关研究进行全文筛选，最终有 16 项研究纳入定性合成（系统评价）。
结果
纳入的 16 项研究中，63% 使用 MRI，37% 使用 CT。其中 12 项研究（包含 1639 名参与者）被纳入荟萃分析。训练队列的合并指标显示，曲线下面积（AUC）为 0.93，敏感性为 0.89，特异性为 0.85。验证队列的 AUC 为 0.87，敏感性为 0.81，特异性为 0.82。临床联合模型的表现优于单纯的影像组学模型。影像组学质量评分（RQS）的均值为 9.44 ± 3.41，METRICS 评分的均值为 60.8% ± 17.4%。
讨论
在本次系统评价和荟萃分析中，研究人员深入探讨了基于影像组学的 ML 在预测 OS 患者 NAC 反应中的应用。OS 作为原发性骨恶性肿瘤，因其异质性和治疗反应的差异，给临床治疗带来了很大挑战。现有的临床评估方法，如组织学坏死率和影像学检查，虽然能提供有价值的信息，但存在侵入性和主观性的局限。对 16 项研究的分析……（此处原文未完整阐述分析结果，可根据前文研究内容合理推测，如分析了不同模型、不同影像技术的优劣等，但因原文缺失，具体分析内容不宜过度展开）
结论
本系统评价和荟萃分析表明，基于影像组学的 ML 有望成为预测 OS 患者 NAC 反应的无创工具。影像组学模型，尤其是结合临床指标时，展现出良好的诊断性能。不过，目前仍存在一些限制其临床应用的因素，如缺乏标准化的方法、外部验证不足以及多中心设计的缺失，这些问题降低了模型的通用性。尽管影像组学前景广阔，但要实现临床转化，还需解决上述问题。
