影像组学联合液体活检在实体瘤基因组变异预测中的应用：一项多中心回顾性研究

本研究创新性地整合影像组学(Radiomics)与液体活检(LB)技术，通过XGBoost算法建立预测模型，在418例实体瘤患者中成功预测KRAS(AUC=0.97)、EGFR(AUC=0.74)等关键基因变异，为无创分子分型提供新范式，推动精准肿瘤学发展。

　　

在精准医学时代，肿瘤异质性和动态演化特性给传统组织活检带来巨大挑战。组织活检不仅具有侵入性，且仅能反映取样时刻的局部基因特征，难以捕捉肿瘤全貌。与此同时，影像组学(Radiomics)和液体活检(Liquid Biopsy, LB)作为两大无创检测技术，前者能从医学影像中提取上千个定量特征，后者通过检测循环肿瘤DNA(circulating tumor DNA, ctDNA)反映全身肿瘤负荷。如何整合这两种技术的优势，实现"影像-基因组学"的深度融合，成为突破肿瘤精准诊疗瓶颈的关键科学问题。

法国古斯塔夫·鲁西研究所(Gustave Roussy)的研究团队在《European Journal of Obstetrics》发表的重要研究，从STING临床试验(NCT04932525)中纳入418例转移性实体瘤患者，创新性地将CT影像组学特征与LB检测的基因组数据相结合，采用XGBoost机器学习算法构建预测模型。研究通过多中心回顾性分析，系统评估了该整合策略在肺癌、结直肠癌、胰腺癌和前列腺癌中的临床应用价值。

关键技术方法包括：1)从593例STING试验患者中筛选418例LB阳性病例；2)使用标准化流程提取CT影像的形态学、纹理特征；3)通过ddPCR和NGS检测血浆ctDNA中KRAS/EGFR/BRAF/AR等驱动基因变异；4)采用XGBoost算法构建预测模型，通过5折交叉验证评估性能。

研究结果方面：

1. 患者特征：队列包括肺癌(39.7%)、结直肠癌(24.6%)、前列腺癌(23.4%)和胰腺癌(12.2%)，平均年龄64.5岁，男性占67.2%。
2. 模型性能：胰腺癌KRAS突变预测表现最佳(AUC=0.97)，肺癌EGFR突变鉴别力中等(AUC=0.74)，BRAF突变在肺癌(AUC=0.79)和结直肠癌(AUC=0.76)中均显示良好区分度，前列腺癌AR突变预测能力有限(AUC=0.63)。
3. 特征关联：发现特定影像特征与分子亚型显著相关，如EGFR突变肺癌呈现更小的肿瘤体积和更少的转移灶(P<0.01)。

讨论与结论部分指出，该研究首次系统证实了影像组学与LB整合在实体瘤分子分型中的可行性。相较于传统方法，这种"双无创"策略具有三大优势：1)克服肿瘤时空异质性，2)实现治疗过程中的动态监测，3)为无法获取组织的患者提供替代方案。特别是在胰腺癌KRAS突变预测中的卓越表现(AUC=0.97)，为这个"活检困难"癌种提供了新思路。研究同时指出当前模型在AR突变预测等场景仍需优化，强调需要通过前瞻性研究进一步验证。这项工作的临床转化将显著推动个体化肿瘤治疗决策，标志着影像基因组学向临床实践迈出关键一步。