王宇，溫生寶，周泓鈺，韓千程，趙亞龍

0 前言

乳腺癌是世界上最常見(jiàn)的癌癥類型。最新的全球癌癥統(tǒng)計(jì)數(shù)據(jù)估計(jì)，大約有230 萬(wàn)例乳腺癌病例，且其致死率是排列前五的腫瘤[1-2]；由于乳腺腫瘤具有高度異質(zhì)性，在乳腺癌診療中，準(zhǔn)確的術(shù)前病情評(píng)估、有效的治療效果預(yù)測(cè)、個(gè)體化的治療方案制訂是臨床實(shí)踐和研究的中心目標(biāo)。病理學(xué)檢查是診斷乳腺癌的金標(biāo)準(zhǔn)，然而有創(chuàng)的穿刺檢查只能提供腫瘤的一部分信息，不能代表整個(gè)腫瘤[3]，MRI 具有無(wú)創(chuàng)、易獲得和可重復(fù)的特點(diǎn)，是乳腺癌最敏感的成像方式，因?yàn)樗ㄟ^(guò)檢查病變的形態(tài)和血流動(dòng)力學(xué)特征，對(duì)整個(gè)腫瘤數(shù)據(jù)進(jìn)行全面評(píng)估[4]，近年來(lái)，它已被廣泛用于與乳腺癌預(yù)后有關(guān)的研究中[5]，影像組學(xué)是一種從定量圖像特征中提取數(shù)據(jù)的高通量技術(shù)，正在成為學(xué)術(shù)研究的一個(gè)焦點(diǎn)?；谧钚碌目茖W(xué)文獻(xiàn)，本文回顧了MRI 影像組學(xué)預(yù)測(cè)乳腺癌預(yù)后方面取得的進(jìn)展，并討論了目前影像組學(xué)的局限性，以幫助研究人員和臨床醫(yī)生獲得這項(xiàng)新興技術(shù)的基礎(chǔ)知識(shí)，并有利于提高乳腺癌的早期診斷及預(yù)后評(píng)估，改善乳腺癌患者預(yù)后及生存質(zhì)量。

1 影像組學(xué)概述

影像組學(xué)概念是2010 年由GILLIES 等[6]首先正式提出的，其利用高通量計(jì)算從多模態(tài)醫(yī)學(xué)圖像中挖掘大量的量化多維特征，并將這些可能反映潛在病理生理學(xué)信息的數(shù)字醫(yī)學(xué)圖像轉(zhuǎn)變成可利用的多維數(shù)據(jù)[7]，以評(píng)估、診斷、預(yù)測(cè)患者腫瘤分子亞型、治療效果和預(yù)后情況等[8]?；玖鞒倘缦拢海?）數(shù)據(jù)采集。影像組學(xué)涉及從大量醫(yī)學(xué)信息中提取定量數(shù)據(jù)[9]；在多模態(tài)圖像預(yù)處理方面，為確保參數(shù)的準(zhǔn)確性，研究者需要注意不同掃描方案差異，并提供所需的參數(shù)，使之與其他影像醫(yī)學(xué)研究具有可重復(fù)性和可比性[10-11]。（2）腫瘤分割。腫瘤分割可通過(guò)手動(dòng)或?qū)Ｓ密浖园胱詣?dòng)或全自動(dòng)方式勾畫(huà)?；谌斯ぶ悄苋缇矸e神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的全自動(dòng)化工具，已應(yīng)用于影像組學(xué)研究[8]。（3）特征提取。特征提取主要包括形態(tài)特征、一階直方圖特征、紋理特征等[12]。隨著人工智能的發(fā)展，現(xiàn)在有很多計(jì)算機(jī)軟件可以實(shí)現(xiàn)影像組學(xué)特征的提取，包括MaZda 軟件、開(kāi)源的Python包pyradiomics等，同時(shí)也可以用深度網(wǎng)絡(luò)來(lái)提取特征[13]。（4）篩選及模型建立。影像組學(xué)特征的篩選取決于臨床問(wèn)題，從統(tǒng)計(jì)模型[14]到機(jī)器學(xué)習(xí)方法[15]。主要算法包括支持向量機(jī)（support vector machine, SVM）、邏輯回歸等。影像組學(xué)模型還需進(jìn)行嚴(yán)格的驗(yàn)證，保證其準(zhǔn)確性和可靠性，以證明其在臨床實(shí)踐中的應(yīng)用價(jià)值[16]。

目前，影像組學(xué)已被證明可以與其他組學(xué)數(shù)據(jù)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)及人工智能相結(jié)合[17]，以提供更全面的信息，從而優(yōu)化臨床決策，改善患者預(yù)后。

2 MRI影像組學(xué)在預(yù)測(cè)乳腺癌預(yù)后中的應(yīng)用

乳腺癌的治療和總體生存率是高度個(gè)體化的，通常基于預(yù)后因素[18]。主要預(yù)后因素包括病灶大小、組織學(xué)分級(jí)、淋巴結(jié)狀態(tài)及分子相關(guān)因素，其中分子相關(guān)因素包括雌激素受體、孕激素受體、人表皮生長(zhǎng)因子受體2、Ki-67 表達(dá)水平及分子分型[19]。隨著研究的進(jìn)展，乳腺癌預(yù)后影響因素不斷更新，內(nèi)容主要涵蓋基因表達(dá)調(diào)控、腫瘤微環(huán)境、新輔助化學(xué)治療（neoadjuvant chemotherapy, NAC）療效及生存結(jié)局預(yù)測(cè)等[20]。

2.1 乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移預(yù)測(cè)

乳腺癌患者的腋窩淋巴結(jié)狀況在確定分期和預(yù)后方面起著重要作用，腋窩淋巴結(jié)轉(zhuǎn)移（axillary lymph node metastasis, ALNM）準(zhǔn)確診斷是客觀評(píng)價(jià)乳腺癌臨床分期、指導(dǎo)臨床醫(yī)生制訂個(gè)性化治療決策及評(píng)估患者預(yù)后的關(guān)鍵因素[21]。自2005年以來(lái)，前哨淋巴結(jié)活檢（sentinel lymph node biopsy, SLNB）被納入乳腺癌的標(biāo)準(zhǔn)診斷程序，極大地提高了對(duì)腋窩淋巴結(jié)狀態(tài)判斷的準(zhǔn)確性[22]。然而，SLNB 仍然是一種侵入性檢查，可能會(huì)導(dǎo)致淋巴水腫和上肢麻木等并發(fā)癥[23]。影像組學(xué)列線圖是結(jié)合影像學(xué)特征和臨床特征的模型圖形表示，它提高了乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移的預(yù)測(cè)能力[24]；CHEN 等[25]學(xué)者近來(lái)通過(guò)DenseNet121 的預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，對(duì)乳腺癌患者術(shù)前MRI 圖像分析研究，從擴(kuò)散加權(quán)成像（diffusion weighted imaging, DWI）定量測(cè)量的表觀擴(kuò)散系數(shù)（apparent diffusion coefficient, ADC）成像和動(dòng)態(tài)對(duì)比增強(qiáng)磁共振成像（dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI）內(nèi)挖掘深度學(xué)習(xí)特征，結(jié)合影像組學(xué)和臨床病理特征，建立了深度學(xué)習(xí)特征和列線圖以進(jìn)行獨(dú)立驗(yàn)證，結(jié)果顯示列線圖對(duì)ALNM 有較為精準(zhǔn)的預(yù)測(cè)能力（訓(xùn)練和測(cè)試隊(duì)列的AUC 分別為0.80 和0.71）。趙楠楠等[26]分析術(shù)前乳腺癌患者DCE-MRI圖像，獲取瘤內(nèi)、瘤周及瘤內(nèi)+瘤周影像組學(xué)評(píng)分，分別構(gòu)建瘤內(nèi)模型、瘤周模型、瘤內(nèi)+瘤周模型，通過(guò)單-多因素logistic回歸篩選臨床高危因素并構(gòu)建臨床模型，選擇最有效的瘤內(nèi)+瘤周影像組學(xué)評(píng)分與臨床風(fēng)險(xiǎn)因素一起構(gòu)建能夠準(zhǔn)確評(píng)估腫瘤淋巴結(jié)轉(zhuǎn)移風(fēng)險(xiǎn)的影像組學(xué)列線圖模型可以科學(xué)、無(wú)創(chuàng)地為臨床決策提供重要指導(dǎo)。CHENG 等[27]嘗試通過(guò)鉬靶和MRI 的瘤內(nèi)聯(lián)合瘤周影像組學(xué)預(yù)測(cè)乳腺癌前哨淋巴結(jié)（sentinel lymph node, SLN），結(jié)果顯示瘤內(nèi)聯(lián)合瘤周組學(xué)特征可以為識(shí)別SLN 提供補(bǔ)充信息。CUI 等[28]經(jīng)過(guò)對(duì)乳腺癌腫塊分割和特征分析后，利用SVM、K 最鄰近（K-nearest neighbor,KNN）分類算法和隱含狄利克雷分布（Latent Dirichlet Allocation,LDA）三種分類器進(jìn)行腋窩淋巴結(jié)狀態(tài)判別，并進(jìn)行了五倍交叉驗(yàn)證，最終SVM 分類器表現(xiàn)最佳，最高準(zhǔn)確率為89.54%，用于識(shí)別淋巴結(jié)狀態(tài)的AUC 為0.8615，因此使用DCE-MRI 影像組學(xué)建立了一個(gè)能較好地預(yù)測(cè)乳腺癌患者腋窩淋巴結(jié)轉(zhuǎn)移的模型。到目前為止，關(guān)于腋窩淋巴結(jié)狀態(tài)可預(yù)測(cè)性的影像組學(xué)結(jié)果是具有重要意義的，有助于改善患者預(yù)后，但研究仍然存在弱點(diǎn)，可能會(huì)限制結(jié)果的重復(fù)性，在臨床應(yīng)用方面還存在一定的局限性。

2.2 乳腺癌腫瘤細(xì)胞微環(huán)境預(yù)測(cè)

隨著交叉學(xué)科的進(jìn)展，乳腺癌的預(yù)后不僅受腫瘤細(xì)胞的生物學(xué)特性影響，同時(shí)也與腫瘤微環(huán)境（tumor microenvironment, TME）的 狀 態(tài) 密 切 相關(guān)[29]。腫瘤浸潤(rùn)性淋巴細(xì)胞（tumor infiltrating lymphocytes, TILs）是一群被認(rèn)為對(duì)腫瘤成分具有高反應(yīng)性的免疫細(xì)胞，參與TME 的形成，與腫瘤細(xì)胞的代謝和局部免疫反應(yīng)有關(guān)[30-31]。相關(guān)研究[32]表明基于術(shù)前MRI 的列線圖模型顯示了對(duì)乳腺癌TILs 進(jìn)行無(wú)創(chuàng)評(píng)估的良好能力，其中影像組學(xué)特征和列線圖模型在訓(xùn)練中表現(xiàn)出更好的校準(zhǔn)和驗(yàn)證性能（影像組學(xué)AUC：0.86；列線圖AUC：0.88）。HAN 等[33]通過(guò)使用套索模型建立了由七種不同免疫細(xì)胞組成的乳腺癌免疫評(píng)分（immune score of breast cancer,ISBC），從DCE-MRI 觀察到瘤內(nèi)和瘤周區(qū)有479 個(gè)量化特征，使用隨機(jī)森林機(jī)器學(xué)習(xí)算法開(kāi)發(fā)了一種用于預(yù)測(cè)ISBC的影像學(xué)特征，發(fā)現(xiàn)影像組學(xué)免疫評(píng)分是評(píng)估免疫評(píng)分的有價(jià)值的工具，對(duì)乳腺癌的預(yù)后有重要意義。TANG 等[34]使用T2WI、DWI 和DCE-MRI 來(lái)評(píng)估TILs 水平，建立了四種預(yù)測(cè)模型，表明延遲期的DCE階段（DCE_P4、DCE_P5 和DCE_P6）具有令人滿意的預(yù)測(cè)性能，當(dāng)將DCE影像組學(xué)特征（單序列或多序列）與影像組學(xué)分析相結(jié)合，可提高預(yù)測(cè)性能，說(shuō)明DCE 特征對(duì)預(yù)測(cè)乳腺癌TILs狀態(tài)有一定的應(yīng)用價(jià)值。在影像學(xué)、免疫學(xué)及病理學(xué)領(lǐng)域，新的成像技術(shù)有了重大的發(fā)展，這些進(jìn)步與新興的復(fù)雜人工智能算法相結(jié)合，將對(duì)腫瘤內(nèi)潛在的生物過(guò)程進(jìn)行更準(zhǔn)確的建模，對(duì)于臨床診療具有一定指導(dǎo)意義，但仍需要更多的外部驗(yàn)證。

2.3 乳腺癌受體類型、分子亞型的預(yù)測(cè)

2013《St.Gallen 早期乳腺癌治療國(guó)際專家共識(shí)》（St.Gallen）中明確了乳腺癌的分子亞型，并將其劃分為L(zhǎng)uminal A型、Luminal B型、人類表皮生長(zhǎng)因子受體2高表達(dá)型、三陰型乳腺癌（triple negative breast cancer, TNBC）等，這一分類標(biāo)準(zhǔn)是基于對(duì)患者的臨床特征、病理組織學(xué)類型、生物學(xué)行為、治療反應(yīng)和預(yù)后的綜合考慮[35]。近年來(lái)，影像組學(xué)分析已被證明是可以區(qū)分乳腺癌不同亞型的良好潛在生物標(biāo)志物[36]。一項(xiàng)研究[37]發(fā)現(xiàn)，從量化的ADC圖和DCE圖提取的紋理特征能夠基于直方圖分析識(shí)別TNBC，這些模型獲得的AUC 值分別為0.710（TNBC 與Luminal A）、0.763（TNBC 與人類表皮生長(zhǎng)因子受體2 陽(yáng)性）和0.683（TNBC與非TNBC）。FAN等[38]研究者根據(jù)DCE-MRI圖像所挖掘的影像組學(xué)特征以及兩個(gè)臨床數(shù)據(jù)信息，建立了區(qū)分四種不同亞型乳腺癌的預(yù)測(cè)模型，包含有24 個(gè)特征，AUC 值為0.867、0.786、0.888 和0.923。LEITHNER 等[39]假設(shè)組織擴(kuò)散率的空間異質(zhì)性在不同的分子乳腺癌亞型之間是不同的，并且可以通過(guò)影像組學(xué)分析來(lái)量化，通過(guò)比較注釋分割方法，利用DWI 技術(shù)對(duì)乳腺癌細(xì)胞表面受體狀態(tài)及分子分型進(jìn)行評(píng)估，并將其與ADC 映射技術(shù)進(jìn)行整合，實(shí)現(xiàn)對(duì)乳腺癌細(xì)胞表面受體狀態(tài)及分子分型的精確判斷，提高了臨床診斷的準(zhǔn)確率。上述研究成果對(duì)今后的臨床工作具有很大的參考價(jià)值，一旦足夠的患者醫(yī)療數(shù)據(jù)被納入特征數(shù)據(jù)集中，病理活檢可能不再是必要的。任何臨床應(yīng)用都肯定需要進(jìn)一步的研究，將來(lái)通過(guò)多中心合作取得標(biāo)準(zhǔn)圖像，納入更大的患者樣本量，結(jié)合臨床及病理特點(diǎn)構(gòu)建模型，聯(lián)合影像醫(yī)師的判斷，提高其精準(zhǔn)率，以便MRI 影像組學(xué)更好地服務(wù)于臨床。

2.4 乳腺癌新輔助化療療效預(yù)測(cè)

在NAC 前后對(duì)乳腺癌患者進(jìn)行影像學(xué)有關(guān)的檢測(cè)目的是對(duì)NAC 后的病理完全反應(yīng)（pathological complete response, pCR）進(jìn)行評(píng)價(jià)，通過(guò)對(duì)療效的評(píng)價(jià)來(lái)引導(dǎo)后續(xù)的治療和手術(shù)方案的制訂，從而做出最合適的臨床決策，使患者的預(yù)后最優(yōu)化。一篇最新的研究[40]報(bào)道，MRI影像組學(xué)和病理TILs評(píng)估聯(lián)合應(yīng)用在評(píng)估NAC的有效性方面產(chǎn)生了最好的結(jié)果。Delta 影像組學(xué)特征因其相對(duì)變異度較小，可直接反映多期影像的縱向變化，近年來(lái)已被應(yīng)用于乳腺癌患者新輔助化療后影像評(píng)價(jià)[41-42]。LIU 等[43]通過(guò)對(duì)586名符合條件的患者在多參數(shù)MRI圖像中提取量化的圖像特征，聯(lián)合臨床信息，構(gòu)建了四個(gè)影像組學(xué)特征，并將其建立的影像組學(xué)模型與基于臨床信息的預(yù)測(cè)模型進(jìn)行了比較，MRI 多參數(shù)影像組學(xué)結(jié)果顯示AUC 值為0.86，顯著高于其他臨床模型，這表明多參數(shù)MRI 影像組學(xué)可能為開(kāi)發(fā)預(yù)測(cè)乳腺癌pCR 的模型提供了一種潛在工具。CHOUDHERY 等[44]研究發(fā)現(xiàn)MRI影像組學(xué)特征與乳腺癌的不同分子亞型、pCR 和腫瘤殘留負(fù)荷相關(guān)，這些特征可能是腫瘤亞型和新輔助化療療效評(píng)估的非侵襲性影像學(xué)指標(biāo)。將MRI 圖像中的表征信息進(jìn)行定量分析，能夠?qū)AC乳腺癌患者的療效進(jìn)行準(zhǔn)確評(píng)估，顯示了其在臨床上的潛力和實(shí)用價(jià)值。一項(xiàng)多中心回顧性研究[45]通過(guò)提取縱向MRI 數(shù)據(jù)，進(jìn)行精確的腫瘤分子亞型分析，集成了異質(zhì)影像組學(xué)和腫瘤的深層特征，建立了一種新的工具，實(shí)現(xiàn)對(duì)乳腺癌NAC療效的精準(zhǔn)評(píng)估并取得了良好的效果?？傊?，基于乳腺M(fèi)RI 影像組學(xué)對(duì)于預(yù)測(cè)pCR具有較高的價(jià)值，有助于臨床醫(yī)生快速識(shí)別無(wú)反應(yīng)患者，在此基礎(chǔ)上選擇其他治療辦法，進(jìn)一步推進(jìn)乳腺癌精準(zhǔn)醫(yī)療的發(fā)展。

2.5 乳腺癌患者生存結(jié)局的預(yù)測(cè)

生存結(jié)局是乳腺癌患者最關(guān)心的問(wèn)題之一，其較為準(zhǔn)確的預(yù)測(cè)和評(píng)估對(duì)于乳腺癌患者的預(yù)后具有重要意義，對(duì)臨床相關(guān)治療有著指導(dǎo)性作用。YU等[46]使用T1 對(duì)比增強(qiáng)圖像（contrast-enhanced T1-weighted imaging, T1+C）、T2WI和DWI-ADC序列來(lái)構(gòu)建影像組學(xué)特征，具有最大的樣本量，識(shí)別ALNM的AUC為0.88，并預(yù)測(cè)了三年無(wú)病生存期（disease-free survival,DFS）AUC為0.81，為早期乳腺癌患者的ALNM和復(fù)發(fā)風(fēng)險(xiǎn)預(yù)測(cè)提供了一定的使用價(jià)值。KIM 等[3]通過(guò)對(duì)203 例乳腺癌患者整個(gè)原發(fā)腫瘤進(jìn)行紋理分析，采用T2WI 和T1+C 圖像進(jìn)行術(shù)前分期，計(jì)算了基于直方圖的均勻度和熵，得出T2WI（較高熵）異質(zhì)性較高的乳腺癌患者和T1+C圖像（較低熵）乳腺癌患者無(wú)復(fù)發(fā)生存率（recurrence-free survival, RFS）較差。CHAN等[47]提出了一種影像組學(xué)模型，通過(guò)基于特征腫瘤分析的長(zhǎng)期隨訪來(lái)區(qū)分高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)患者，在本研究中構(gòu)造的主成分包含腫瘤的強(qiáng)化程度和（三維）形態(tài)信息，用于評(píng)估腫瘤異質(zhì)性的影像組學(xué)特征可被視為預(yù)測(cè)乳腺癌患者生存期的有用非侵入性生物學(xué)標(biāo)志，并可為臨床管理提供巨大益處。Oncotype Dx是一項(xiàng)經(jīng)過(guò)驗(yàn)證的21基因逆轉(zhuǎn)錄聚合酶鏈?zhǔn)椒磻?yīng)分析，可提供復(fù)發(fā)評(píng)分（recurrence score, RS），滿足對(duì)雌激素受體陽(yáng)性/淋巴結(jié)陰性的量化預(yù)測(cè)浸潤(rùn)性乳腺癌標(biāo)準(zhǔn)患者的預(yù)后，HA 等[48]假設(shè)卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）可用于使用MRI數(shù)據(jù)集預(yù)測(cè)Oncotype Dx RS，對(duì)每個(gè)腫瘤進(jìn)行三維分割，評(píng)估了腫瘤中的體積切片（平均12.3 個(gè)切片/腫瘤），CNN 由四個(gè)卷積層和最大池層組成，進(jìn)行了三類預(yù)測(cè)（第1 組對(duì)第2 組對(duì)第3 組）和兩類預(yù)測(cè)（第1 組對(duì)第2/3 組）模型，使用80%的培訓(xùn)和20%的測(cè)試進(jìn)行了5倍交叉驗(yàn)證測(cè)試，對(duì)診斷效果進(jìn)行了評(píng)價(jià)，得到了對(duì)當(dāng)前的深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行培訓(xùn)以預(yù)測(cè)Oncotype DX RS 是可行的。DRUKKER 等[49]學(xué)者使用DCE-MRI 分析了所有乳腺癌患者在治療前基線和所有完成第一周期化療后的圖像，治療前和治療早期檢查自動(dòng)計(jì)算最大腫瘤強(qiáng)化體積（maximum tumor enhancement volume, METV），使用ROC 曲線分析評(píng)估METV 在預(yù)測(cè)復(fù)發(fā)任務(wù)中的表現(xiàn)，使用自動(dòng)化、計(jì)算機(jī)提取的最大腫瘤強(qiáng)化體積，表明了有效和高效預(yù)測(cè)復(fù)發(fā)和無(wú)復(fù)發(fā)生存率的應(yīng)用前景。一項(xiàng)回顧性研究[50]在術(shù)前乳腺DCE-MRI 掃描中識(shí)別和驗(yàn)證乳腺癌異質(zhì)性的內(nèi)在成像表型，并評(píng)估其在預(yù)測(cè)10 年復(fù)發(fā)方面的預(yù)后表現(xiàn)，得到初診時(shí)乳腺癌腫瘤異質(zhì)性的固有影像表型可預(yù)測(cè)10年內(nèi)復(fù)發(fā)情況。因此，以上探索性結(jié)果表明，MRI 影像組學(xué)分析捕捉到的腫瘤內(nèi)異質(zhì)性的早期變化可以為乳腺癌的RFS 提供更好的預(yù)測(cè)。后續(xù)研究中增加臨床、組織病理學(xué)和分子協(xié)變量的影像表型，可更好地指導(dǎo)個(gè)性化風(fēng)險(xiǎn)分層和治療策略。

3 總結(jié)與展望

綜上所述，MRI 影像組學(xué)可為精準(zhǔn)醫(yī)學(xué)提供大量潛在數(shù)據(jù)來(lái)描述腫瘤的生物學(xué)特征，實(shí)現(xiàn)對(duì)乳腺癌預(yù)后的無(wú)創(chuàng)性評(píng)估，同時(shí)，針對(duì)預(yù)后較差的患者，采取適當(dāng)?shù)妮o助療法，這在提升患者的生活質(zhì)量方面具有十分重大的作用。然而，影像組學(xué)的發(fā)展也存在以下問(wèn)題：（1）影像組學(xué)的高通量特征使得其需要海量的數(shù)據(jù)，現(xiàn)有的相關(guān)研究中，樣本量小，容易出現(xiàn)選擇偏差；（2）由于沒(méi)有“金標(biāo)準(zhǔn)”，對(duì)腫瘤的分割存在很大的主觀性，導(dǎo)致其精確性、可重復(fù)性遭到了質(zhì)疑；（3）通過(guò)組學(xué)方法篩選出的影像學(xué)標(biāo)志物缺乏生物驗(yàn)證，從而在某種程度上限制了其在臨床上的推廣[51]。盡管MRI 影像組學(xué)還存在一定的問(wèn)題，但隨著前沿理論和技術(shù)的不斷進(jìn)步，這項(xiàng)研究將向著多中心、多尺度、多模態(tài)和人工智能[52]方向發(fā)展。

作者利益沖突聲明：全體作者均聲明無(wú)利益沖突。

作者貢獻(xiàn)聲明：溫生寶設(shè)計(jì)本研究的方案，解釋本研究的數(shù)據(jù)，對(duì)稿件重要內(nèi)容進(jìn)行了修改，獲得中國(guó)紅十字基金會(huì)“影瑞西北公益行”之ICON科研基金項(xiàng)目支持；王宇起草和撰寫(xiě)稿件，獲取、分析或解釋本研究的數(shù)據(jù)/文獻(xiàn)；周泓鈺、韓千程、趙亞龍獲取、分析本研究的數(shù)據(jù)，對(duì)稿件重要內(nèi)容進(jìn)行了修改。全體作者都同意發(fā)表最后的修改稿，同意對(duì)本研究的所有方面負(fù)責(zé)，確保本研究的準(zhǔn)確性和誠(chéng)信。