综述：胃肠胰神经内分泌肿瘤（GEP-NEN）的生物标志物与新兴策略：当前证据与未来方向

《Cancers》：Biomarkers and Emerging Approaches in Gastroenteropancreatic Neuroendocrine Neoplasms (GEP-NEN): Current Evidence and Future Directions

　　

胃肠胰神经内分泌肿瘤（GEP-NENs）包含一个生物学和临床上异质的肿瘤谱系，具有显著的瘤间和瘤内变异性。尽管在分子分类、影像学和治疗方面取得了进展，但准确的诊断、预后判断和疾病监测仍然具有挑战性。已确立的生物标志物，包括嗜铬粒蛋白A（CgA）和5-羟基吲哚乙酸（5-HIAA），仅能提供有限且依赖背景的信息，凸显了对更具生物学信息性方法的需求。液体活检、转录组学和基因组学分析、空间技术、分子影像学、影像组学和人工智能的最新进展正在扩展表征肿瘤生物学和进化的能力。然而，生物学关联和分析有效性并不一定转化为临床实用性。本叙述性综述根据其提供的生物学信息对已确立和新兴生物标志物进行批判性评估，特别强调分子异质性、肿瘤进化以及经验证应用与研究性应用之间的区别。研究人员进一步讨论了如何通过多模态和基于人工智能的方法整合互补的分子、循环、空间、影像和临床信息，以推进肿瘤表征并支持GEP-NENs中的精准肿瘤学。

**1. 引言**

胃肠胰神经内分泌肿瘤（GEP-NENs）起源于胃肠道弥漫性内分泌系统和胰岛的神经内分泌细胞，占所有恶性肿瘤的0.5%。2022年世界卫生组织（WHO）分类将其分为高分化神经内分泌肿瘤（NETs）和低分化神经内分泌癌（NECs），分级基于核分裂计数和Ki-67增殖指数（G1-G3）。然而，各分类内部仍存在显著的生物学异质性，包括瘤间、瘤内和时间异质性，仅凭形态学难以准确预测肿瘤行为、治疗反应和临床结局。本综述提出一个转化框架，根据生物学信息、临床有效性和支持临床实用性的证据水平来考量已确立和新兴生物标志物，并强调应区分生物学关联、分析有效性、临床有效性与临床实用性。

**2. 当前临床、组织病理学和分子评估的局限性**

组织病理学评估仍是GEP-NENs的诊断金标准，依赖苏木精-伊红染色及嗜铬粒蛋白A（CgA）、突触素、胰岛素瘤相关蛋白1（INSM1）等免疫组织化学（IHC）标记物以及Ki-67分级。其主要局限性包括取样偏差、瘤内异质性、高级别NETs与NECs之间的诊断重叠。一项纳入26项研究、864例胰腺NETs（PanNETs）的系统回顾和荟萃分析显示，超声内镜引导与手术分级总体一致性为80.3%，低估分级较过度分级更常见。分子层面，MEN1（多发性内分泌肿瘤1型）、DAXX/ATRX（死亡结构域相关蛋白/α-地中海贫血/智力低下综合征X连锁）、TP53和RB1（视网膜母细胞瘤）基因改变具有诊断和生物学意义；MEN1和ATRX/DAXX突变见于分别44%和43%的散发性PanNETs，并与较长生存相关。ATRX/DAXX缺失与染色体不稳定、端粒选择性延长（ALT）通路激活及不良临床结局相关。

**3. 经典单分析物生物标志物**

**3.1 嗜铬粒蛋白A（CgA）**：CgA是神经内分泌细胞分泌颗粒中的酸性糖蛋白，是应用最广泛的循环生物标志物之一，但特异性低、敏感性可变。RADIANT-2和RADIANT-3试验显示基线CgA升高与较差总生存相关，提示预后价值，但依维莫司的临床获益与基线CgA水平无关，说明其缺乏预测价值。CgA水平受质子泵抑制剂（PPI）治疗、肾功能障碍等非肿瘤因素显著影响。欧洲神经内分泌肿瘤学会（ENETS）指南不推荐将CgA用于筛查，仅在特定患者中用于诊断、随访和治疗监测。

**3.2 5-羟基吲哚乙酸（5-HIAA）**：5-HIAA是血清素的主要尿代谢产物，尤其适用于类癌综合征（CS）患者（约占GEP-NENs的15-20%）。在CS患者中，尿5-HIAA升高的敏感性约70%，特异性90-100%；无CS时敏感性降至约35%。24小时尿5-HIAA倍增时间缩短与疾病进展风险增加相关。富含血清素的食物和吸收不良综合征可导致假阳性。ENETS指南支持在疑似CS患者中测量5-HIAA及对已确诊CS患者进行治疗监测。

**3.3 神经元特异性烯醇化酶（NSE）与胰抑素**：NSE在高级别和低分化GEP-NENs（尤其是NECs）中可能提供补充信息。JCOG1213试验的探索性分析表明，化疗期间NSE下降与治疗反应相关，但常规临床应用尚待确立。胰抑素是CgA蛋白水解加工衍生的肽段。一项研究显示，小肠和PanNETs患者术前胰抑素水平升高与较短的无进展生存和总生存独立相关，但其作为独立循环生物标志物的作用尚未充分确立。

**4. 液体活检方法**

**4.1 循环肿瘤细胞（CTCs）**：CTCs是基于上皮细胞黏附分子（EpCAM）的免疫磁珠捕获（CellSearch系统）进行检测，但上皮-间质转化（EMT）可导致上皮标记物下调，造成选择偏差。一项研究在43%的中肠NETs和21%的PanNETs患者中检出CTCs，其数量与疾病进展及血清CgA水平相关。138例转移性NETs患者的研究显示，治疗后CTCs早期动态变化（持续检测不到或较基线下降≥50%）与较好的无进展生存和总生存相关。目前CTCs在GEP-NENs中的检测敏感性仍较低，标准化平台缺乏，前瞻性多中心验证有限。

**4.2 循环肿瘤DNA（ctDNA）**：ctDNA分析能微创、动态地表征肿瘤基因组景观。高分化肿瘤中ctDNA脱落率普遍较低，限制了其诊断敏感性，目前不建议替代常规组织活检。ctDNA检出与高级别GEP-NENs（特别是NECs）中较高的肿瘤负荷和侵袭性疾病相关，涉及TP53和KRAS等基因改变。一项4例转移性GEP-NETs患者接受肽受体放射性核素治疗（PRRT）的回顾性研究显示，肿瘤知情ctDNA监测与影像学疾病状态和治疗反应一致，部分患者ctDNA变化先于影像学进展证据。

**4.3 微小RNA（miRNAs）**：miRNAs是约20-22个核苷酸的非编码RNA分子，可在血浆、血清等体液中稳定检测。一项分析显示miR-1290区分胰腺导管腺癌（PDAC）与PanNETs的曲线下面积（AUC）为0.80；另一项研究中，四种miRNA（miR-125b-5p、miR-362-5p、miR-425-5p和miR-500a-5p）组合区分小肠NETs与健康对照的AUC达0.951。循环miR-5096与¹⁸F-FDG PET/CT阳性和SSTR2表达相关。主要局限包括分析前和分析变异性、缺乏标准化工作流程、独立队列间可重复性有限。

**4.4 细胞外囊泡（EVs）**：EVs是细胞释放的膜结合颗粒，携带蛋白质、脂质、mRNAs、miRNAs等分子货物，参与细胞间通讯和肿瘤相关过程。MISEV2023建议优先使用通用术语"细胞外囊泡"，"外泌体"一词应保留给已证明内体起源的囊泡。GEP-NENs中EV衍生生物标志物的研究尚处早期阶段，现有证据主要来自小型探索性研究，EV亚型分类和标准化分离程序仍是主要方法学挑战，其临床实用性尚未确立。

**5. 多分析物方法：NETest**

NETest是一种基于血液的多分析物检测，测量51种神经内分泌肿瘤相关转录本的表达，并通过专有算法生成0%-100%的评分。验证研究显示其敏感性达98%，但在其他胃肠恶性肿瘤患者中特异性仅为48%-67%，高度依赖比较人群。一项132例GEP-NETs队列中，NETest对治疗反应的预测性能中等（AUROC 0.73）。2023年NANETS（北美神经内分泌肿瘤学会）和2024年ENETS指南认为NETest可能具有预后价值，但目前不是治疗信息性生物标志物。费用、可及性及专业实验室基础设施需求也是广泛实施的障碍。

**6. 组织/分子生物标志物：空间转录组学作为发现平台**

空间转录组学能够在保留组织结构的背景下检查转录程序，弥补批量转录组分析平均化分子信号的局限。一项纳入38例高分化胰腺和小肠NETs的多组学预印本研究确定了与免疫丰富、基质和血管化肿瘤微环境相关的不同转录程序，其中一种程序在转移性病灶中富集。另一项对4例多灶性小肠NETs的72个组织微阵列核心进行的空间转录组学分析揭示了四种与解剖位置（黏膜、肠系膜、淋巴和深部）相关的肿瘤亚型，具有不同的转录谱和配体-受体相互作用。目前该技术受限于高成本、技术复杂性、平台依赖性分辨率和缺乏标准化分析流程，应主要视为发现和转化研究平台。

**7. 分子影像学与基于影像组学的生物标志物**

生长抑素受体（SSTR）-PET/CT已成为高分化NETs分期和表征的标准影像学手段，⁶⁸Ga-DOTATATE可检测表达SSTR的原发和转移病灶，并有助于筛选PRRT候选患者。¹⁸F-FDG PET/CT提供肿瘤葡萄糖代谢信息，与高级别、侵袭性表型和较差临床结局相关。双示踪剂成像可揭示病灶间异质性，包括SSTR表达保留但糖酵解活性增加的病灶以及SSTR阴性、代谢活跃的肿瘤成分。影像组学从常规获取的CT、MRI和PET图像中提取高维定量特征。一项GEP-NET影像组学系统综述发现了与肿瘤分级和鉴别诊断相关的有前景的关联，但强调了方法学局限，包括小样本回顾性队列、图像采集和重建协议异质性以及缺乏外部验证。影像组学和放射基因组学目前应视为新兴的生物标志物开发方法而非既定临床工具。

**8. 人工智能（AI）与多模态整合**

不同生物标志物类别检测肿瘤生物学的不同维度：基因组学提供相对稳定的分子改变信息，转录组学捕获动态细胞状态，蛋白质和分泌性生物标志物反映神经内分泌分泌表型，ctDNA和CTCs提供肿瘤负荷和分子进化的微创信息，分子影像学提供SSTR表达和葡萄糖代谢的全身空间分布。AI和机器学习（ML）方法为整合高维异质数据提供计算框架。一项研究开发和独立验证了基于外周血RNA-seq的ML分类器，用于GEP-NETs无创检测和¹⁷⁷Lu-DOTATATE PRRT治疗反应评估。GEP-NENs的罕见性、生物学异质性和小训练队列增加了过拟合风险；深度学习模型的可解释性问题也是一项挑战。高预测性能并不确立生物学有效性、临床有效性或临床实用性，AI模型的转化价值取决于可重复性、校准、外部验证及相对于既定参数的增量价值。

**9. 结论与未来展望**

GEP-NENs是生物学和临床上异质的肿瘤，没有任何单一生物标志物能全面表征肿瘤生物学、疾病进化和治疗反应。当前最关键的未满足需求不再是简单识别具有诊断或预后关联的生物标志物，而是证明这些信号能提供可重复、增量且临床可操作的信息。CgA和5-HIAA等经典生物标志物在特定临床环境中仍有用，但解释高度依赖于肿瘤部位、功能表型和疾病负荷。液体活检、NETest、空间转录组学、影像组学和AI方法大多应视为补充性研究工具。未来研究应转向生物学信息指导的多模态策略整合，以及前瞻性多中心研究、标准化分析工作流程、独立验证和卫生经济学评估，以确定哪些新兴生物标志物能够从生物学发现进展到有临床意义的应用程序。