在可控临床前模型中用放射组学进行癌症分类

从影像和血液“读”出癌症

现代癌症护理越来越依赖计算机来筛查医学影像和实验室检测中的模式，这些模式往往是人眼难以察觉的。本研究提出了一个简单但重要的问题：如果我们要判断患者患的是哪种癌症，是更好地从其影像中读取隐藏信息，还是从血液中读取？研究人员在受控的小鼠实验中直接比较了这两种方法，以确定哪一种能提供更可靠的答案。

何谓“虚拟活检”

放射组学是一种快速发展的技术，它把每一张医学影像视为丰富的数据源，而不仅仅是一幅图像。专用软件会扫描肿瘤的三维CT图像，并把其转换为数百个描述形状、亮度和细微纹理的数值特征。从原理上讲，这些模式可能反映肿瘤的生物学特性，类似于活检，但无需穿刺或手术——即所谓的“虚拟活检”。支持者希望放射组学能帮助对癌症进行分类、评估其侵袭性并指导治疗选择。但也存在担忧：结果往往难以重复，容易被技术性差异混淆，且对医生来说难以解释。

在小鼠中进行公平的正面对决

为给放射组学做出严格测试，研究团队使用了一个几乎所有因素都可控的小鼠模型。一组遗传相同的小鼠被植入两种肿瘤类型之一：CT26（结直肠癌模型）或4T1（乳腺癌模型）。所有动物在品系、性别和相近年龄上相同，饲养环境一致，并在同一台CT设备上扫描。肿瘤在三维软件中被仔细勾画，常用的放射组学软件包从每次扫描中提取了1,409个数值特征。与此同时，研究人员从相同动物采血，测量免疫细胞类型和数十种蛋白质——这些生物标志物在他们早期的工作中已被证明几乎可以完美区分这些癌症模型。

将数千个图像细节压缩为有用信号

大多数原始影像特征被发现并无太大用处：有些在小鼠之间变化极小，许多又几乎互为重复。经过若干轮统计筛选，最终只剩下18个非冗余的放射组学特征，主要描述的是细微的纹理模式，而非简单的大小或形状。研究团队随后使用了一种常见的机器学习方法——随机森林，来评估这些精炼后的影像特征在区分两种肿瘤类型上的能力。他们还使用可视化工具来观察在不知道标签的情况下，数据是否自然形成各自独立的簇。

血液信号胜出影像信号

血液与影像之间的对比十分显著。当研究人员将血液细胞和血浆蛋白数据降到二维时，两个肿瘤类型形成了清晰分离的簇，证明血液捕捉到了强烈的、肿瘤特异的信号。而在放射组学数据中，则出现了三个混合簇，每个簇包含两种癌症的混合，提示可能有其他未知因素在影响影像。在有监督测试中，单独使用放射组学对肿瘤类型的分类准确率约为87%——表现良好，但明显低于免疫细胞计数的96%和血浆蛋白的99%。将放射组学与血液标志物结合并未提升性能；在某些组合中，还略微降低了准确率。另一个实验证明，仅使用肿瘤内部的一个小球形区域而不是勾画整个肿块，会使放射组学表现更差，强调了这些特征对肿瘤在扫描上如何勾画的高度敏感性。

这对未来癌症检测意味着什么

对非专业读者来说，结论很明确：虽然高级影像分析能提供一些有用线索，但在本研究中，在区分两种癌症类型方面，它不及相对简单的血液检测。即便在受严格控制的实验室条件下，使用基因相同的小鼠和标准化影像，小的技术差异和影像处理的复杂性似乎也会模糊放射组学信号。作者认为，放射组学尚未准备好作为独立且高度可靠的癌症分类工具。相反，他们主张需要更强的一致化影像标准、更好的勾画工具，以及更清晰地将影像模式与潜在生物学联系起来，才能使虚拟活检在临床决策中与已确立的血液生物标志物并用或替代它们时具有可靠性。

引用: Drover, K., Davis, D.A.S., Gosling, K. et al. Cancer classification with radiomics in controlled preclinical models. Sci Rep 16, 6647 (2026). https://doi.org/10.1038/s41598-026-37757-8

关键词: 放射组学, 癌症生物标志物, 医学影像, 肿瘤学中的机器学习, 癌症血液检测