《Journal of Genetics and Genomics》：Beyond radiogenomics: advancing imaging integration and multi-omics horizons in cancer precision medicine
编辑推荐：
陈玉明|李慧琴|陈思露|季洪生|辛俊毅|杜慕龙摘要癌症仍是全球主要的死亡原因，其复杂的异质性给精准医疗带来了巨大挑战。放射基因组学作为一种将定量影像数据与基因组信息相结合的方法，为分析肿瘤异质性和癌症进展提供了有力的框架。本文总结了放射基因组学在两种关键融合方法中的应用：特征级融
陈玉明|李慧琴|陈思露|季洪生|辛俊毅|杜慕龙
摘要
癌症仍是全球主要的死亡原因，其复杂的异质性给精准医疗带来了巨大挑战。放射基因组学作为一种将定量影像数据与基因组信息相结合的方法，为分析肿瘤异质性和癌症进展提供了有力的框架。本文总结了放射基因组学在两种关键融合方法中的应用：特征级融合和决策级融合。特征级融合通过将多模态数据整合为丰富的特征集，提升模型的预测能力；而决策级融合则通过整合多个独立模型的决策结果，提高模型的稳健性和可靠性。此外，我们还探讨了放射组学与转录组学、代谢组学和蛋白质组学等各种组学技术的整合应用，这种整合有助于更深入地理解肿瘤微环境的动态变化、代谢紊乱以及癌症进展机制。最后，我们详细介绍了与放射基因组学研究相关的公开数据集，如癌症影像档案库、cBioPortal、英国生物银行以及人类连接组计划，并说明了各数据集中的不同类型组学数据及样本特征，以帮助读者更好地了解相关内容。总体而言，本综述通过推进放射组学和多组学的发展，为癌症精准医疗的创新指明了方向。
引言
癌症是重大的公共卫生问题，全球发病率从2012年的1410万上升至2022年的约2000万。其危害程度仅低于缺血性心脏病（Sung等人，2021；Mao等人，2022；Siegel等人，2025）。由于基因变化以及肿瘤环境的不同，肿瘤存在异质性，这使得准确诊断和有效治疗变得十分复杂（Eloyan等人，2020；Tong等人，2020；Dentro等人，2021；Ponomarev等人，2022；Ottaiano等人，2023）。
放射组学最初由Lambin等人于2012年提出，指的是从医学图像中高通量提取定量特征的技术，它能够揭示超出视觉评估范围的疾病特征。Gillies等人（2016）进一步指出，放射组学可将医学图像转化为定量数据，这些数据可与临床变量和分子特征相结合，为精准肿瘤学提供更多信息（Zhang等人，2022；Chaddad等人，2023；Tabassum等人，2023）。不过，如何对放射组学特征进行生物学解读仍是一项挑战（Tomaszewski和Gillies，2021；Li和Zhou，2022）。像癌症基因组图谱这样的大型项目则系统地研究了基因组的结构与变异，有助于解释肿瘤的异质性和演化过程（Xu等人，2020；Chatrath等人，2021；Ostroverkhova等人，2023；Tang，2023；Hanafi等人，2024）。基因组分析能够识别出推动肿瘤进展的体细胞突变，比如TP53和EGFR基因的变异，同时也能检测与癌症易感性相关的遗传变异。但大多数传统基因组分析依赖于组织采样，这种做法具有侵入性，且可能存在与操作相关的风险（Semenkovich等人，2023；Vitiello等人，2025）。
在精准医疗时代，放射基因组学将这两个领域有机结合在一起。这一概念最初由Gutman等人（2015）在放射学领域提出，随后Aerts（2016）对其进行了完善，将其定义为放射组学表型与基因组变异之间的系统关联。该领域已经从“放射基因组学1.0”阶段发展而来，在那个阶段，放射组学替代指标用于预测基因突变；而如今已发展到“放射基因组学2.0”阶段，此时会结合放射组学数据和基因组数据，构建统一的预测和预后模型（Lasocki等人，2020；Shui等人，2020；Singh等人，2021；Liu等人，2023）。本综述主要聚焦于后一种框架。例如，将放射组学与游离DNA结合使用的模型，在预测食管腺癌患者的生存率和治疗反应方面，效果优于仅使用临床数据的模型（van den Ende等人，2025）。此外，放射组学与多组学的整合也提升了预测IDH1野生型胶质母细胞瘤患者预后的能力（Chaddad等人，2019）。
传统的机器学习算法（如支持向量机、随机森林和逻辑回归）使用人工设计的放射组学特征，而深度学习模型则能直接从原始数据中自动学习分层的图像特征（Papadimitroulas等人，2021；Tran等人，2025）。人工设计的特征更容易解释，而深度学习特征则能捕捉更复杂、更普遍的图像模式。因此，结合这两种特征的混合模型在放射基因组学研究中越来越被广泛应用。最近出现的多模态计算框架则整合了多种方法，用于识别放射组学数据、基因组数据和临床数据之间的跨模态关联。例如，基于深度学习的整体肺部分析系统能够无创地预测非小细胞肺癌患者的EGFR突变状态，这体现了整合型放射基因组学分析流程的实际应用潜力（Lipkova等人，2022；Wang等人，2022）。随着多组学数据日益丰富，模型的稳健性和可重复性也不断提升。
本综述将重点介绍放射组学与基因组学在特征层和决策层的整合方法，同时也会探讨放射组学与其他组学技术，如转录组学、代谢组学和蛋白质组学的整合方式。根据临床相关性、多模态整合程度以及方法创新性，我们挑选了一些具有代表性的研究案例，展示从放射基因组学相关性分析到完全整合的预测建模的发展历程。具体的PRISMA格式说明见表S1。此外，我们还详细介绍了与放射基因组学研究相关的几类公开数据集，包括癌症影像档案库、cBioPortal、英国生物银行以及人类连接组计划。
章节节选
进展与方法
在过去的十年里，得益于模式识别工具的不断发展以及数据集规模的扩大，医学图像分析取得了显著进步，高通量定量特征提取技术也得到了优化。放射组学是一种计算框架，它能将医学图像转换为高维定量数据，从而揭示超出视觉观察范围的组织特征（Gillies等人，2016）。计算机断层扫描、磁共振成像等等技术都为放射组学的研究提供了基础。
进展与方法
基因组学发展迅速，已经从传统的基因测序技术，发展为全基因组关联分析、全基因组测序和全外显子组测序等更为全面的研究方法。这些技术各自为癌症研究带来了独特的优势。全基因组关联分析能够识别不同人群中基因变异与疾病易感性的关联（Visscher等人，2017），而全基因组测序则可以全面了解基因组的编码区和非编码区信息（Mardis，2008）。
放射组学与基因组学的整合
放射基因组学的核心理念是将反映分子层面活动的基因组数据与能够捕捉疾病定量特征的放射组学数据相结合。通过这种整合，可以发现基因突变与放射组学表型之间的关联，从而实现无需侵入性操作即可分析肿瘤的分子特征（Lo Gullo等人，2020）。下一节将详细介绍多组学数据整合的两种常见方法：特征级融合以及……
放射基因组学中的多组学整合
特征级融合和决策级融合不仅在放射组学与基因组学的整合中得到广泛应用，而且在将放射组学与其他组学数据，如转录组学和代谢组学整合时也同样有效。首先，需要收集放射组学数据以及相应的血液、组织或生物液体样本，随后对这些数据分别进行质量控制、校正和标准化处理。从影像中的肿瘤区域提取放射组学特征，而其他组学数据则经过相应处理后……
公共数据集概述
近年来，放射组学与基因组学的结合在癌症研究中发挥了重要作用，为多种类型癌症的分析提供了丰富的数据资源。
像癌症影像档案库、英国生物银行、肺影像数据库联盟、自闭症脑成像数据交换平台等放射组学数据集，涵盖了肺癌、乳腺癌、前列腺癌等多种癌症类型，同时还提供了CT、MRI、PET等多种放射组学分析模态（Hong等人，2024）。
在……
面临的挑战
目前，仍有若干挑战制约着放射基因组学的实际应用。首先，数据异质性是一个重大障碍。单中心研究往往样本量较小，难以满足模型训练和验证的需求。而一些公共数据集中可能存在标签错误或诊断不同的重复样本，这给算法开发带来了困难，也需要大量的人工核查工作。为解决这些问题，未来的研究应努力增加样本量，并……
未来展望
未来，放射组学的发展将聚焦几个关键方向，尤其是放射组学与基因组学在特征层和决策层的整合，以及向转录组学、代谢组学等其他组学领域的拓展。
首先，多组学整合能够弥补单一组学方法的局限性，提供更丰富的多层次信息。基因组学可以揭示驱动肿瘤发展的突变，转录组学能够反映基因表达的动态变化，而代谢组学和蛋白质组学则可以捕捉肿瘤的代谢特征……
未引用参考文献
Luo等人，2025；Minton，2023；Zhou和Troyanskaya，2015。
关于写作过程中生成式人工智能及人工智能辅助技术的声明
在撰写本文章时，作者使用了ChatGPT（OpenAI）工具来协助检查语法。在使用该工具之后，作者对内容进行了必要的审阅和修改，并对文章的内容承担全部责任。
致谢
本研究得到了江苏省自然科学基金的支持（编号：BK20230003）。
