综述：放射组学与病理组学在预测肿瘤新辅助治疗效果中的研究进展

（编辑推荐）本综述系统探讨了放射组学(Radiomics)和病理组学(Pathomics)在预测肿瘤新辅助治疗(NAT)疗效中的价值，强调多组学(Radiopathomics)整合可突破单模态局限，通过宏观影像与微观病理特征融合提升预测性能，同时指出模型可解释性(XAI)和泛化能力是临床转化的关键挑战。

　　

Abstract
新辅助治疗(NAT)是恶性肿瘤综合治疗的核心手段，但其疗效存在显著个体差异。传统评估依赖治疗后病理检查，难以实现早期预测。放射组学通过CT、MRI等影像高通量提取肿瘤宏观特征，病理组学则从数字化切片中量化微观结构，二者分别反映肿瘤空间异性和微环境特性。研究表明，联合多模态数据的放射病理组学(Radiopathomics)模型在乳腺癌和直肠癌的病理完全缓解(pCR)预测中AUC可达0.93，显著优于单模态模型。

Introduction
NAT通过缩小肿瘤、降期提升患者生存率，但约30%患者无法获益。当前临床痛点在于缺乏早期疗效预测工具。放射组学特征如瘤周水肿纹理与免疫浸润相关，病理组学特征如肿瘤-间质比(TSR)可预测化疗敏感性。二者整合能互补时空尺度信息，例如MRI放射组学联合H&E切片病理组学的RAPIDS系统，在直肠癌前瞻性队列中验证AUC达0.812。

Radiomics
成像模态选择
多参数MRI(mpMRI)因高软组织分辨率成为研究热点，DWI序列ADC值与肿瘤细胞密度显著相关。PET-CT功能代谢特征可早于解剖变化预测疗效，但重建参数影响稳定性。跨中心研究显示，CT特征经ComBat校正后重现性最佳(ICC>0.9)。

时序动态分析
Delta放射组学通过治疗前后特征变化评估敏感性。食管癌研究显示，delta模型预测pCR的AUC(0.89)显著高于基线模型(0.72)。瘤周3mm区域特征可反映免疫微环境，胃癌研究中其预测价值独立于瘤内特征(p<0.001)。

Pathomics
深度学习模型已实现自动化核分割和微血管密度(MVD)量化。乳腺癌活检标本的病理组学特征中，肿瘤浸润淋巴细胞(TILs)空间分布与pCR强相关(OR=4.2)。结肠癌H&E切片的深度学习特征可预测微卫星不稳定性(MSI)，与JAK-STAT通路基因表达显著相关(p=1.2×10^-5
)。

Multi-omics Integration
放射病理组学优势
1）跨尺度互补：MRI纹理特征反映血供异质性，病理组学核形态特征提示增殖活性；
2）动态监测：直肠癌新辅助放化疗后间质胶原重构可通过二次活检病理组学量化；
3）成本效益：避免NGS等高通量检测，适合临床推广。

现存挑战
1）黑箱问题：SHAP分析显示18F-FDG SUV_max
对模型贡献度超40%，但生物学机制待阐明；
2）数据异构性：不同扫描仪获取的DICOM数据需标准化预处理；
3）样本失衡：pCR阳性率仅20%时需SMOTE过采样。

Challenges and Prospects
未来方向包括：建立百万级WSI数据库、开发基于注意力机制的多模态融合算法、通过类器官模型验证特征生物学意义。一项涉及15个中心的PROBE研究正在验证放射病理组学对三阴性乳腺癌NAT方案的指导价值。

（注：全文严格基于原文数据，未新增结论；专业术语如DWI、H&E等均按原文格式标注；去除了文献引用标识[1][2]等；特征数值范围、统计学指标均引用原文案例。）