综述：预测乳腺癌新辅助化疗疗效的时空放射基因组学：全面综述

这篇综述系统探讨了时空放射基因组学（Spatial-Temporal Radiogenomics）在预测乳腺癌新辅助化疗（NAC）疗效中的前沿进展。文章整合了多模态影像（DCE-MRI/DWI）与基因组数据，揭示了肿瘤时空异质性（Spatial-Temporal Heterogeneity）与PI3K/AKT/mTOR/VEGF等通路的内在关联，为精准医疗提供了新型生物标志物开发框架。

　　

时空维度下的乳腺癌治疗响应解码

在乳腺癌治疗领域，新辅助化疗（NAC）的疗效预测始终是临床决策的关键难点。随着影像组学从单一时间点分析向多时相评估的范式转变，结合基因组数据的时空放射基因组学正为这一难题带来突破性解决方案。

时空异质性：肿瘤演化的双重视角

肿瘤异质性呈现为时空两个维度：时间维度上，治疗前后动态变化的灌注参数（如K_trans）和表观扩散系数（ADC）值，与细胞凋亡状态显著相关；空间维度则表现为瘤内代谢分区差异，通过高斯混合模型可将肿瘤划分为高代谢区、交界区和边缘区等亚区域。这种四维解析为理解肿瘤耐药机制提供了全新视角。

影像组学技术革新：从静态到动态

动态对比增强MRI（DCE-MRI）通过分析造影剂动力学特征，可捕捉传统RECIST标准无法识别的早期治疗响应信号。时间序列分析方法如MultiRocket算法，能高效处理纵向影像数据，其AUC值可达0.901。而图神经网络（GNN）的应用，则使瘤内各亚区间的动态相互作用得以量化建模。

基因组学桥梁：影像特征的生物学诠释

基因组数据为影像特征赋予了分子机制解释：VEGF表达与早期边缘强化显著相关，而B细胞浸润程度与临床-SHR评分呈正相关。单细胞测序技术进一步揭示，EGFR变异的空间分布差异正是影像异质性的遗传基础。这种关联在构建的影像-基因组模型中验证AUC达0.93，显著优于单一模态模型。

临床转化挑战与未来方向

当前研究面临三大瓶颈：配对基因组数据获取成本高昂、手动分割带来的主观偏差、生物学机制阐释不足。数字孪生技术与实时液体活检的结合，或将成为突破这些限制的关键。值得注意的是，基于注意力的可解释深度学习模型，正使"黑箱"预测转变为临床医生可信赖的决策支持工具。

这项技术融合正在重塑乳腺癌治疗评估范式——通过解码时空异质性背后的分子叙事，最终实现从影像表型到基因型的精准映射。随着7T磁共振与空间转录组学等技术的应用，未来有望在单个细胞尺度揭示治疗抵抗的时空演化规律。