《Current Radiopharmaceuticals》：Synergistic role of multi-omics analysis combined with multimodal imaging in precision diagnosis and treatment of thoracic and abdominal tumors
编辑推荐：
胸腹部肿瘤，如肺癌、乳腺癌、肝癌和结直肠癌，具有高发病率和死亡率，对全球健康构成重大威胁。传统的诊断和治疗方法主要基于组织病理学评估和单模态成像，往往无法完全捕捉肿瘤异质性。在精准医疗时代，多组学技术（基因组学、转录组学、蛋白质组学、代谢组学）与多模态成像（计
胸腹部肿瘤，如肺癌、乳腺癌、肝癌和结直肠癌，具有高发病率和死亡率，对全球健康构成重大威胁。传统的诊断和治疗方法主要基于组织病理学评估和单模态成像，往往无法完全捕捉肿瘤异质性。在精准医疗时代，多组学技术（基因组学、转录组学、蛋白质组学、代谢组学）与多模态成像（计算机断层扫描（CT）、磁共振成像（MRI）、正电子发射断层扫描（PET））的整合已成为一种有前景的策略，用于连接宏观影像表型和微观分子特征。本综述系统探讨了多组学分析与多模态成像在胸腹部肿瘤诊疗中的协同应用。它强调了影像技术（如影像组学、人工智能（AI）辅助解读）和多组学方法（如液体活检和单细胞测序）的进展，以及它们在胸腹部和其他专业（如肝癌和心胸外科）的早期诊断、分子分型、治疗反应评估和预后预测中的临床应用。尽管在数据标准化、算法可解释性和临床转化方面存在挑战，但这一整合框架在推进个性化肿瘤学方面具有巨大潜力。未来方向应侧重于利用下一代技术（如光子计数CT和空间转录组学），从相关性分析转向因果机制研究，并将整合影像-组学模型转化为临床决策支持系统以指导个性化治疗。
癌症对全球健康构成重大威胁，胸腹部肿瘤（如肺癌、乳腺癌、肝癌和结直肠癌）发病率和死亡率持续高企。传统诊断和治疗范式主要基于组织病理学评估和单模态成像，但由于肿瘤固有的异质性，任何单一方法都难以全面捕捉其复杂生物学行为。在精准医疗时代，实现个性化、精准的肿瘤管理已成为临床实践的关键目标。近年来，多组学技术快速发展，通过跨多个层次（包括基因组学、转录组学、蛋白质组学和代谢组学）挖掘分子数据，为肿瘤发生发展机制提供了新见解。然而，大多数组学技术的局限性在于依赖侵入性活检，难以全面反映空间异质性和时间动态。同时，医学影像作为肿瘤学不可或缺的非侵入性诊断工具，正从传统形态学评估向定量和功能表征快速发展。影像组学的出现使得从医学图像中提取高通量定量特征成为可能，从而促进肿瘤异质性的解码。因此，整合多模态成像（如CT和MRI）与多组学数据的研究方法日益突出。这种跨尺度、多维度整合策略旨在打破宏观影像表型与微观分子特征之间的壁垒，为理解肿瘤生物学提供更全面的视角。本文系统综述了整合多组学与多模态成像分析在胸腹部肿瘤诊断和治疗中的当前应用，探讨了其协同机制，分析了现有技术挑战，并概述了未来方向，旨在为推进胸腹部肿瘤精准医疗提供理论指导。此外，以物联网（IoT）为代表的智能互联技术正迅速改变外科实践。物联网手术（IoST）概念已引入医疗保健，通过互联传感器、设备和系统实现实时数据收集和交换，为围手术期管理、远程医疗和精准手术决策提供了新范式。本文探讨了物联网（IoMT）如何与多组学和多模态成像协同作用，推动胸腹部肿瘤诊疗向更动态、个性化的方向发展。
本文是一篇叙述性综述，旨在系统梳理和总结多组学与多模态成像在胸腹部肿瘤精准诊疗中协同应用的进展和发展趋势。为确保文献覆盖的广度和代表性，采用了以下策略进行文献检索和选择：主要检索了PubMed、Web of Science和Scopus等国际主流生物医学和跨学科数据库；时间范围聚焦于2021年至2025年的出版物；检索关键词包括但不限于“multi-omics”、“multimodal imaging”、“radiomics”、“thoracic tumors”、“abdominal tumors”、“precision oncology”、“artificial intelligence”、“liquid biopsy”和“radiogenomics”，并通过组合检索和引文追踪扩展文献范围；优先选择高质量原始研究、权威综述、里程碑式临床研究和前沿进展报告。文献筛选由两名作者独立进行，分歧通过讨论解决。
多模态成像技术通过利用不同成像模态的互补优势，显著增强了胸腹部肿瘤的诊断能力。CT、MRI和PET是评估这些肿瘤最常用的技术，其融合构成了精准肿瘤学的基石。
CT成像技术是评估胸腹部肿瘤最广泛使用和快速的技术，在肿瘤筛查、诊断和分期中发挥着不可替代的作用。近期CT技术进展主要体现在以下方面：首先是改进的检测能力，现代多层螺旋CT实现亚毫米空间分辨率和各向同性成像，提供更精细的解剖细节。对于肺癌筛查，低剂量CT（LDCT）已成为高风险人群的标准手段，研究表明结合LDCT与人工智能（AI）辅助图像解读可降低肺癌死亡率。在乳腺癌中，增强胸部CT在评估MRI发现的其他可疑病灶方面显示出显著价值，CT识别的增强病灶恶性潜能更高。其次是定量分析的进展，除了形态学评估，CT影像组学能够从图像中提取大量定量特征，包括纹理、直方图参数和反映肿瘤异质性的形态特征，研究表明CT衍生的影像组学特征可预测非小细胞肺癌的复发风险，从而指导个性化治疗策略。
MRI因其卓越的软组织对比分辨率和无电离辐射，在评估胸腹部肿瘤中具有独特优势，是涉及腹部实质器官（如肝脏、胰腺）和盆腔恶性肿瘤的首选影像模式。现代MRI技术不仅提供高分辨率解剖信息，还通过功能序列（如扩散加权成像（DWI）、动态对比增强成像（DCE）和磁共振波谱（MRS））提供生理和代谢见解。例如，表观扩散系数（ADC）值的变化可作为化疗反应的早期预测因子，实现治疗方案的及时调整。MRI在诊断原发灶不明的癌症中表现出特别价值，其优异的软组织分辨率能有效检测隐匿性乳腺癌、头颈部原发肿瘤和疑似腹盆腔肿瘤。对于乳腺癌患者，术前乳腺MRI可识别其他方法遗漏的额外可疑病灶，其中约39.6%的病灶被证实为恶性。
多模态图像融合技术，如PET-CT和PET-MRI，无缝整合了解剖与功能代谢成像，对精确肿瘤分期和诊断至关重要。研究表明，基于PET-MRI的肿瘤淋巴结转移分期模型在预测结直肠癌淋巴结转移方面达到了0.921的曲线下面积（AUC）。氟脱氧葡萄糖（FDG）-PET/CT在检测原发肿瘤方面能力各异，但通过识别其他模态遗漏的病灶或转移灶增加了价值，对确认局部治疗策略至关重要。需注意的是，多模态成像技术的选择应根据具体临床场景定制。几项针对晚期非小细胞肺癌患者的前瞻性研究发现，全身MRI（WB-MRI）结合18F-FDG-PET/CT并未在原发肿瘤或远处转移方面提供超出单独PET/CT的额外诊断价值，这表明当现有PET/CT足以满足诊断需求时，无需追求更新、更昂贵的PET/MRI设备，从而实现更精准和经济有效的成像策略选择。
物联网（IoT），特别是物联网医疗（IoMT）和物联网手术（IoST），通过互联手术器械、可植入设备、可穿戴传感器和监测系统，创建智能围手术期生态系统。在胸外科领域，其主要功能体现在以下方面：首先是围手术期连续监测和预后预测，整合多模态数字设备（如融合心率、血氧饱和度和活动水平的传感器）对肺癌术后患者进行连续监测，能更早发现并发症迹象，机器学习模型可预测患者生存并促进风险分层。大规模多国研究项目已证明，基于物联网的远程监测能促进胸外科患者的稳步康复。其次是远程康复和评估，非接触式物联网技术（如基于摄像头的呼吸成像系统）能对胸外科患者呼吸功能进行无缝、连续的评估，为康复训练提供智能反馈。最后是增强手术精度和可及性，物联网手术的核心应用包括远程手术和远程指导，使高级外科专家能克服地理限制指导或直接参与手术，缩短手术时间，提高手术安全性，并增强医疗资源可及性。尽管存在数据安全和系统集成等挑战，物联网医疗/物联网手术已成为精准手术不可或缺的组成部分。其产生的海量连续生理数据，与反映宏观结构的成像数据和揭示微观机制的组学数据共同构成了精准癌症诊疗的新框架，即影像、组学和生理学的三位一体。
多组学分析技术为在多个分子层面解码肿瘤生物学提供了前所未有的机会，从而阐明肿瘤发生机制、识别新治疗靶点和发现生物标志物。随着测序技术和生物信息学的快速进步，多组学研究已成为精准肿瘤学的核心驱动力。基因组学和转录组学关注肿瘤的遗传背景和基因表达调控，为分子分型、预后评估和治疗选择提供基础信息。下一代测序（NGS）彻底改变了肿瘤遗传变异研究，实现了全面的突变谱分析。对胸腹部肿瘤样本的大规模基因组测序已识别出众多驱动基因突变，如肺癌中的表皮生长因子受体（EGFR）、间变性淋巴瘤激酶和ROS原癌基因1突变，乳腺癌中的乳腺癌易感基因1/2突变，以及结直肠癌中的Kirsten鼠肉瘤病毒癌基因同源物和NRAS原癌基因突变。这些突变信息不仅是重要的预后指标，也是选择靶向治疗的基础。单细胞RNA测序（scRNA-seq）等新技术克服了批量分析的局限性，揭示了肿瘤微环境中不同细胞亚群的转录组特征，并识别出与治疗耐药性和进展相关的稀有细胞群。例如，在乳腺癌中，单细胞多组学分析已成功识别出与内分泌治疗耐药相关的稀有细胞亚群，为克服治疗障碍提供了新策略。
蛋白质组学和代谢组学在功能水平反映肿瘤生物学特征，提供对肿瘤当前状态和活性的更直接表征。蛋白质作为基因功能的执行者，通过其表达水平和修饰状态更直接地反映细胞生理状态。质谱技术的进步实现了对数千种蛋白质的同步定量分析，包括其表达水平和翻译后修饰。研究揭示，蛋白质组学数据可揭示仅通过基因组学无法辨别的肿瘤特征，如信号通路活性和免疫微环境特征。代谢组学系统研究肿瘤内的小分子代谢物，揭示代谢重编程——癌细胞的一个标志特征。在胸腹部肿瘤中，代谢组学分析已发现多种与诊断和预后评估相关的生物标志物。液体活检作为一种非侵入性检测方法，通过分析血液中的循环肿瘤DNA（ctDNA）、循环肿瘤细胞和外泌体，实现动态肿瘤监测，在胸腹部肿瘤管理中显示出显著价值。基于血液的ctDNA分析允许非侵入性追踪肿瘤突变负荷和特定基因突变，指导个性化治疗策略。例如，在晚期非小细胞肺癌患者中，连续ctDNA监测可比影像更早发现疾病进展，为及时治疗调整提供机会。因此，成像定位肿瘤病灶，液体活检提供实时分子表征，这种整合方法特别适用于评估治疗反应和监测药物耐药性的出现。
多组学与多模态成像整合构成了精准肿瘤学的强大框架。该框架通常从解决特定临床问题（如早期诊断、预后预测）开始。获取各种成像模态（CT、MRI、PET）和多组学层面（基因组、转录组、蛋白质组、代谢组）的数据。通过影像组学特征提取、基因组测序和生物信息学分析等过程，生成高维数据。然后，采用先进的AI和统计模型融合这些异构数据集，识别跨尺度关联，并构建预测或诊断模型。输出最终指导临床决策，形成从数据到知识再到应用的闭环。这种整合策略通过将影像表型（形状、纹理、强化）与潜在的分子机制（基因突变、通路活性、代谢谱）联系起来，实现对肿瘤的全面理解。
在胸部肿瘤学中，整合多组学与多模态成像取得了显著进展。对于肺癌——全球癌症相关死亡的主要原因，早期诊断和精确分期对改善结果至关重要。多模态成像（LDCT和MRI）与血清miRNA表达数据的整合为早期肺癌诊断提供了新方法。研究表明，血清miRNAs作为稳定的循环生物标志物，具有作为非侵入性诊断工具的潜力。例如，一项研究开发了名为Serum-MiR-CanPred的深度学习框架，在来自12种癌症类型和健康对照的20,271个样本的血清miRNA表达数据上训练多层感知器（MLP），该模型实现了稳健的泛癌分类性能，AUC为96.87%，准确率为96%。关键的是，应用SHapley加法解释（SHAP）分析增强了模型的可解释性，揭示了hsa-miR-5100作为一种关键失调的生物标志物，存在于包括肺癌、膀胱癌和胃癌在内的多种癌症中。这不仅验证了模型的决策过程，还为后续研究提供了可操作的生物学见解。除了诊断价值，肿瘤微环境中的分子网络异质性深刻影响治疗反应。例如，在非小细胞肺癌中，特定的microRNAs（如miR-21和miR-155）通过调控程序性死亡配体1和磷酸酶及张力蛋白同源物等关键基因的表达，塑造免疫抑制微环境，从而影响免疫检查点抑制剂的疗效。整合影像组学特征（如CT图像上的肿瘤纹理异质性）与这些miRNA表达谱，能够无创预测肿瘤免疫表型和免疫治疗敏感性，实现影像-组学-功能整合解读。最近的研究表明，基于AI的多组学整合模型，通过关联影像表型、miRNA调控网络和临床预后数据，能更准确地对非小细胞肺癌患者进行风险分层并支持治疗决策。
在乳腺癌中，影像组学与多组学的整合为分子分型和预测治疗反应提供了强大工具。一项研究采用影像组学对三阴性乳腺癌进行精细分型，结合转录组学和代谢组学数据，识别出与免疫抑制和脂肪酸合成上调相关的特定影像组学特征，为影像表型提供了潜在的生物学解释。此外，从动态对比增强乳腺MRI中提取的影像组学特征，在整合基因组数据后，可预测乳腺癌对新辅助化疗（NACT）的病理完全反应，从而指导个性化治疗决策。在冠状动脉CT血管造影（CCTA）中，影像组学分析不仅评估冠状动脉斑块的形态特征，还通过与基因组数据关联，可能揭示斑块稳定性的分子基础。易损斑块的典型特征，如点状钙化、正性重构、低密度斑块和“餐巾环”征，可能与炎症相关基因的表达水平相关。最近的研究还探讨了机器学习衍生的CT-血流储备分数（FFR）与使用传统血流动力学原理计算值的一致性，结果表明，通过机器学习算法提取血流动力学相关形态特征，显著减少了处理时间，且不牺牲准确性。
腹部肿瘤因其解剖复杂性和组织学多样性，长期以来一直是整合多组学与多模态成像研究的重点。在结直肠癌中，结合双能CT影像组学与基因组学的整合研究显示出前景。一项研究建立并验证了基于双层光谱探测器CT（DLSCT）生成的40 KeV虚拟单能图像得出的列线图，用于术前预测同步远处转移。该模型结合了影像组学特征、光谱参数和临床特征，在训练队列中AUC为0.938，外部验证队列中为0.930，显著优于单参数模型，证明了多参数整合模型的优越性。结直肠癌的肿瘤微环境和代谢异质性也提供了新的治疗靶点。铁死亡是一种铁依赖性调节细胞死亡形式，其信号通路异常（如谷胱甘肽过氧化物酶4和长链脂酰辅酶A合成酶家族成员4基因）与结直肠癌进展、化疗耐药和预后密切相关。研究表明，诱导铁死亡可增强结直肠癌对常规化疗和靶向治疗的敏感性。多组学分析（转录组、代谢组）识别肿瘤中铁死亡相关分子亚型，并将其与多模态成像特征（如MRI T2信号、扩散受限模式）相关联，有望无创识别可能受益于铁死亡诱导剂的患者群体，为开发联合治疗策略提供基础。这展示了整合分析在连接基础生物学发现与临床靶向治疗开发中的桥梁作用。对于肝细胞癌等肿瘤，整合多模态MRI（包括T1加权、T2加权、扩散加权成像和动态对比增强序列）与转录组学和蛋白质组学数据，为肝细胞癌分级、预测微血管侵犯和评估预后提供了全面信息。通过测量肝癌的外显子组、转录组、蛋白质组和磷酸化蛋白质组数据，研究人员获得了大规模多组学图谱。将这些图谱与增强CT或MRI影像特征相关联，有望建立肝细胞癌的非侵入性分子分型方法。对于卵巢癌等妇科肿瘤，基于MRI的影像组学结合临床参数（如碳水化合物抗原125和人附睾蛋白4水平）在预测腹膜转移、淋巴结转移和治疗反应方面显示出价值，表明整合影像组学、深度学习和临床数据的联合模型具有最高的预测AUC。
整合多组学与多模态成像在评估肿瘤治疗反应和预测预后方面也展现出显著潜力。例如，在卵巢癌中，化疗反应评分评估对NACT的反应，但需要治疗后组织采样。相比之下，基于CT的影像组学模型可通过预测肿瘤体积变化，实现对NACT反应的早期、无创预测，可能避免不必要的手术。纳入化疗前影像组学信息可增强预测性能。一项研究整合了临床、影像组学和血清生物标志物数据（包括肿瘤体积、ctDNA、肿瘤蛋白53（TP53）状态），建立了评估高级别浆液性卵巢癌NACT反应的机器学习模型。该模型与实体瘤反应评估标准（RECIST 1.1）显示出强相关性。联合影像组学模型AUC为0.78，显著优于临床模型（AUC = 0.47）。另一项研究从卵巢癌图像中提取了1373个影像特征，支持向量机（SVM）模型实现了0.806的AUC和83.3%的总准确率，在预测NACT结果方面表现出高准确性。还有一项研究关注瘤周影像组学特征，揭示2毫米瘤周区域在评估上皮性卵巢癌化疗反应时提供了最佳性能，有效补充了总肿瘤体积评估。
整合多组学与多模态成像面临多重技术挑战。
