利用智能影像分析预测骨癌化疗反应：骨肉瘤患者影像组学指南

目录

• 要点
• 了解骨肉瘤及其治疗
• 预测化疗反应的挑战
• 什么是影像组学，它是如何工作的？
• 本综述的研究方法
• 主要发现：研究结果
• 磁共振成像展现出卓越能力
• 临床意义：这对患者意味着什么
• 研究局限性：本综述未能证明的内容
• 给患者及家属的建议
• 常见问题解答
• 信息来源

要点

• 在一项研究中，基于磁共振成像的影像组学预测骨肉瘤新辅助化疗反应的准确率达93.8%，AUC为0.961。
• 影像组学从CT、MRI或PET扫描中提取计算机分析的模式，可能预测手术前≥90%的肿瘤坏死。
• 目前化疗反应是在手术后评估的；影像组学旨在更早地预测反应，从而实现治疗个性化。
• 大多数影像组学研究样本量小且为单中心研究，该方法尚未标准化用于常规临床使用。
• 结合机器学习的PET/CT影像组学提高了预测能力，但在一项研究中，仅使用原始PET特征的表现反应不良。

了解骨肉瘤及其治疗

骨肉瘤是最常见的原发性恶性骨肿瘤，约占所有原发性恶性骨肿瘤的20%。它主要影响儿童和青少年，癌症通常发生在长骨（如大腿骨或胫骨）的干骺端（生长端）。

现代治疗策略显著改善了预后。目前骨肉瘤患者的5年生存率已达60%–70%，相比过去几十年有了重大进步。这一进展主要归功于标准治疗方法，该方法结合了三方面内容：

• 新辅助化疗 (NAC) — 在手术前进行的化疗，旨在缩小肿瘤
• 手术切除 — 通过手术移除肿瘤
• 术后辅助化疗 — 在手术后给予的额外化疗，以消除任何残留的癌细胞

目前的临床标准采用多药联合化疗方案，通常包括大剂量甲氨蝶呤 (HD-MTX)、异环磷酰胺 (IFO)、多柔比星 (ADM) 和顺铂 (DDP)。这些药物协同作用以杀死癌细胞，但治疗强度大且可能引起显著的副作用。

问题在于：患者对同一种化疗方案的反应差异很大。缓解率——定义为化疗后实现至少90%肿瘤细胞死亡（坏死）的患者百分比——仅为30%至60%。这意味着相当一部分患者承受了化疗的严重副作用，却未能获得充分的治疗益处。

预测化疗反应的挑战

化疗敏感性是骨肉瘤最重要的预后因素之一。具有里程碑意义的EURAMOS-1临床试验发现，仅约50%的患者 achieves 良好的组织学反应，定义为在新辅助化疗后肿瘤坏死率达到90%或以上。这一反应率对预后具有重要意义，因为它在试验中指导了治疗决策。

目前，评估化疗反应的标准方法依赖于在显微镜下检查手术切除的肿瘤。这种方法由Huvos及其同事描述，将患者分为两组：

• 良好病理反应者 — 肿瘤坏死率超过90%的患者
• 反应不良的病理反应者 — 肿瘤坏死率低于90%的患者

这种方法的根本局限性在于时机。反应只能在手术后进行评估，这意味着它无法在治疗期间指导是否继续或更改化疗的决策。迄今为止，尚无确切的临床、生物学或影像学标志物能让医生足够早地可靠预测化疗反应，从而调整治疗策略。

还需要注意的是，“对化疗的反应”在骨肉瘤中涵盖两个不同的概念：

• 组织学反应 — 由手术后测量的肿瘤细胞死亡定义
• 影像学反应 — 反映影像学变化，如CT或MRI扫描中肿瘤大小或密度的改变

基于影像组学的预测工具主要旨在使用治疗前的影像学数据预测组织学反应。这弥合了早期影像学评估与延迟的手术病理结果之间的差距。

现有的影像学标准（如实体瘤疗效评价标准RECIST）不太适用于骨肉瘤，因为骨基质的存在使肿瘤大小变化的评估变得复杂。这使得仅通过测量扫描中的肿瘤尺寸来判断肿瘤是否产生反应变得困难。

什么是影像组学，它是如何工作的？

影像组学代表了医学影像分析的一场革命性转变。它不再仅仅依赖放射科医生的视觉解读，而是利用先进的计算机算法从医学图像中提取数千个定量测量值。这些测量值分为以下几类：

• 形态学特征 — 肿瘤的形态特征
• 强度特征（一阶统计量） — 肿瘤内像素值的统计属性
• 纹理特征（二阶及高阶特征） — 揭示肿瘤异质性的像素排列模式

这些特征可以从多种成像模态中提取，包括计算机断层扫描（CT）、磁共振成像（MRI）和18F-氟代脱氧葡萄糖正电子发射断层扫描（18F-FDG PET/CT）。该技术能够精确表征肿瘤异质性和肿瘤微环境，克服了传统手动图像解读的主观性和可重复性局限。

要了解影像组学的工作原理，了解其背后的人工智能（AI）工具会有所帮助：

• 机器学习（ML） — AI的一个子集，使用算法从数据中学习模式并做出预测，而无需为每个任务进行显式编程
• 深度学习（DL） — ML的一个专门分支，使用多层神经网络从复杂数据（如医学图像）中自动提取分层特征
• 卷积神经网络（CNNs） — 一种深度学习算法，使用多层卷积核自动提取图像特征。这种方法能够同时分析微观纹理特征和宏观形态模式

在处理影像组学的高维、非线性数据时，传统统计方法存在显著局限性。它们的功能提取能力受限，难以识别复杂模式。相比之下，深度学习方法提供了两个独特的优势：

1. 它们消除了手动特征工程中固有的选择偏差
2. 通过反向传播优化，它们可以直接从原始像素数据中识别潜在的影像生物标志物

临床验证研究已证实，与传统方法相比，基于深度学习的预测模型在评估新辅助化疗反应方面表现出更优越的性能。

本研究综述是如何进行的

研究人员遵循PRISMA（系统综述和荟萃分析首选报告项目）指南，以确保其综述全面且无偏倚。以下是他们的搜索过程：

• 检索数据库：三个主要医学数据库
• 涵盖时间段：2014年1月1日至2024年12月31日期间发表的文章
• 使用的检索词：“骨肉瘤 AND 化疗 AND 反应 AND 预测”
• 语言限制：仅限英文原创研究文章；排除综述类文章

两名独立的研究人员根据标题和摘要进行了初步筛选。随后，潜在符合条件的研究接受了全文审查。评审员之间的任何分歧均通过共识讨论解决。

如果研究符合以下全部三项标准，则被纳入：

1. 经组织学证实的原发性骨肉瘤
2. 评估新辅助化疗反应预测
3. 报告了病理反应（例如，肿瘤坏死≥90%）

如果研究符合以下任一情况，则被排除：

• 未报告相关结果
• 未特别包含“骨肉瘤”一词
• 仅局限于化疗后影像评估
• 属于预后性研究而非预测性研究
• 使用了非基于影像的方法

在数据提取阶段，两名研究人员使用标准化表格独立收集信息。内容包括发表年份、研究设计、患者人口统计学特征、影像参数、影像组学特征提取方法、预测模型构建以及主要结果。当数据缺失或模糊时，他们尝试联系原作者以获取澄清。

研究人员还使用了影像组学质量评分（RQS）工具来评估研究质量。评估重点关注几个关键组成部分，包括影像采集方案（设备参数和扫描标准化）、肿瘤分割方法、特征提取技术以及模型构建方法。

最后，作者使用随机效应模型进行了定量荟萃分析，以比较不同影像模态（MRI和PET-CT）的预测性能。他们计算了合并敏感度、特异度以及受试者工作特征曲线下面积（AUC）——这是衡量测试区分良好反应者和不良反应者能力的指标。研究间的异质性（即研究间的不一致性）使用I²统计量进行评估。

主要发现：研究结果

该综述确定了24项符合条件的研究，评估了影像组学在预测骨肉瘤新辅助化疗反应中的应用。这些研究使用了多种影像模态，包括X线、CT、MRI、核医学扫描和PET/CT。以下是按影像类型整理的关键发现。

X线与MRI联合

Z. Luo及其同事于2023年进行的一项涉及102名患者的研究，将X线和MRI影像组学与临床数据相结合。使用所有数据组合的模型达到了0.828的AUC值。单独模型的表现为：临床加X线影像组学达到0.760的AUC值，单独X线影像组学为0.751，单独MRI影像组学为0.706，X线与MRI影像组学组合为0.796。

基于CT的影像组学

F. Yang及其同事（2024年）进行了一项涉及225名患者的双中心研究，使用CT影像组学。结合影像组学和临床特征的模型在训练集中达到了0.78的AUC值，在独立验证集中达到了0.75的AUC值。

D. Fu 及其同事（2023）研究了 18 名患者，并检查了骨肉瘤周围脂肪在 CT 上的特征。骨肉瘤周围脂肪衰减指数（FAI）的 AUC 为 0.950，而 6 小时甲氨蝶呤浓度的 AUC 为 0.963——两者均表明对化疗反应具有出色的预测性能。

L. Xu 及其同事（2021）研究了 157 名患者，通过结合肿瘤区域和周围非肿瘤骨区域的 CT 影像组学特征，并使用多种机器学习技术，提高了预测准确性。

核医学成像（Tc-MIBI）

C. Wu 及其同事（2019）对 30 名患者进行了 Tc-MIBI 扫描研究。他们发现肿瘤廓清率（放射性示踪剂离开肿瘤的速度）与肿瘤坏死率呈负相关（r = −0.510，P = 0.004）。当将廓清率 ≤25% 作为预测良好化疗反应的阈值时，敏感性为 100%，特异性为 91.7%，准确性为 95.8%。

基于 MRI 的影像组学

多项基于 MRI 的研究显示出强大的预测性能：

• F. Zheng（2024），106 名患者：深度学习影像组学模型实现了最高的预测性能，在测试集中准确率为 93.8%，AUC 为 0.961。
• Y. Zhang（2024），109 名患者：结合化疗前和化疗后 MRI 的联合模型在训练集中的 AUC 值为 0.999，在测试集中为 0.915。值得注意的是，化疗后模型的预测效果优于化疗前模型。
• Kanthawang Thanat（2024），95 名患者：肿瘤体积大于 150 mL 和最大轴向直径大于 7.0 cm 被确定为反应不良的独立预测因素（P = 0.025 和 P = 0.045，分别）。
• J. Zhong（2022），144 名患者：影像组学模型在不同模型配置下实现了 AUC 值 0.699、0.759 和 0.784。
• K.Y. Teo（2022），15 名患者：结合多模态 MRI 的机器学习在预测肿瘤坏死方面表现出卓越的性能，训练集 AUC 为 0.999，测试集为 0.915。
• Esha Baidya Kayal（2022），35 名患者（IVIM-MRI）：基线参数显示 AUC 为 0.87，敏感性为 86%，特异性为 77%。经过第一个化疗周期后，AUC 增加至 0.96，敏感性为 86%，特异性为 100%。
• J. Dufau（2019），69 名患者：在这些患者中，55.1%（69 人中的 38 人）为良好的组织学反应者。基于初始 MRI 影像组学数据的支持向量机模型实现了 AUROC 0.98，敏感性为 100%（95% CI [100%–100%]），特异性为 86%（95% CI [59.7%–111%]）。
• G.J. Djuričić（2017），22 名患者：使用分形和灰度共生矩阵算法的计算形态学分析预测化疗反应，AUC 为 0.82，准确性为 82%。

高级 MRI 技术（DCE-MRI 和 IVIM-DWI）

• Zeng Yan-Ni（2022），25 名患者（DCE-MRI）：使用阈值 3.2%/s（斜率）、175 秒（TTP）和 5.4%（ER），预测良好化疗反应的敏感性和特异性分别为 83.3% 和 92.3%、91.7% 和 69.2%，以及 84.6% 和 75.0%。
• Xibin Xia（2022），163 名患者（DCE-MRI + IVIM-DWI）：经过两个治疗周期后，完全缓解/部分缓解组的 Ktrans、Kep 和 Ve 值显著低于疾病稳定/进展组。同时，良好反应者的 D、ADC 和 f 值显著更高。碱性磷酸酶（ALP）和乳酸脱氢酶（LDH）的血液检测结果与 Ktrans、Kep 和 Ve 值呈正相关，但与 D、ADC 和 f 值呈负相关。
• A. Bouhamama（2022），来自 3 个中心的 176 名患者：联合 DCE-MRI 和 IVIM-DWI 模型实现了 AUC 值 0.95 和 0.97，敏感性为 91%，特异性为 92%。
• L. Zhang（2021），102 名患者（DCE-MRI）：结合临床风险因素（如手术分期）与影像组学特征的模型优于单独的影像组学模型。联合模型在训练集中的预测准确性为 0.91，在测试集中为 0.90，AUC 值分别为 0.94 和 0.95。
• M.M. Saleh（2020），53 名患者（多参数 MRI 结合 DWI）：该研究强调了使用多参数 MRI，特别是扩散加权成像（DWI）和表观扩散系数（ADC）图，在预测化疗敏感性方面的重要性。同时指出了仅基于肿瘤体积变化的传统评估方法的局限性。

基于PET/CT的影像组学

• B.C. Kim（2021年），52名患者： 使用图像纹理特征进行化疗反应测试的准确率为0.83，转移测试准确率为0.76。将影像与基因组数据（影像基因组学）相结合可改善结果：使用AUC_max、KI67和EZRIN进行化疗反应预测的最高测试准确率为0.85，AUC为0.89。使用影像基因组学数据使转移预测准确率提高了10%。
• Kim J（2021年），105名患者： 虽然基于基线PET纹理特征的传统机器学习预测模型估计预后不良，但使用基线FDG PET图像的2D CNN网络可以在化疗前预测治疗反应。这表明对PET图像进行深度学习有助于决定是否进行新辅助化疗。
• H. Song（2019年），35名患者： 代谢肿瘤体积（MTV）被确定为预测化疗反应的最佳参数，AUC为0.918，p值小于0.0001，表明具有极高的预测准确性。
• S.Y. Jeong（2019年），70名患者： 仅基线PET特征（SUVmax、TLG、MTV、一阶熵和灰度共生矩阵熵）的AUC较差，范围为0.536至0.553。然而，使用线性SVM、随机森林和梯度提升的机器学习特征分别达到了0.72、0.78和0.82的AUC——表明机器学习极大地提高了预测能力。
• I. Lee B（2018年），62名患者： 本研究比较了Tc-MDP骨扫描和FDG PET/CT，显示每种影像方法（具有T/N比率和SUVmax等特征）在预测反应方面各有优势。
• J.C. Davis（2018年），34名患者： 在第5周或第10周的常规图像上的SUVmax，以及从基线到第10周的SUVmax百分比变化，被确定为组织学反应的代谢预测因子。
• B.H. Byun（2015年），34名患者（双时相FDG PET/CT）： 使用SUV变化百分比和保留指数（RI）值的组合标准，各种组合的预测准确率分别为81%、77%和77%。可以在治疗开始前使用RImean预测新辅助化疗后的组织学反应，结合使用SUV和RI值可提供更好的预测效果。

MRI显示出更优越的能力

本综述的一个主要结论是，MRI在多模态数据整合和高通量特征提取方面表现出更优越的能力。这是有道理的，因为MRI提供了卓越的软组织对比度，允许详细可视化骨内肿瘤及其周围组织。

整个综述中表现最强的模型主要是基于MRI的。例如，F. Zheng的深度影像组学模型达到了93.8%的准确率和0.961的AUC，而Y. Zhang的化疗前后联合MRI模型在训练中的AUC达到0.999，在测试中达到0.915。A. Bouhamama在三个中心进行的DCE-MRI研究实现了0.95和0.97的AUC值。

基于PET/CT的影像组学也显示出前景，特别是与机器学习或深度学习方法结合时。S.Y. Jeong的研究表明，虽然原始PET特征表现较差（AUC 0.536–0.553），但应用机器学习算法极大地提升了性能（AUC 0.72–0.82）。这凸显了一个关键原则：重要的不仅仅是影像模态——分析方法同样重要。

临床意义：这对患者意味着什么

化疗反应预测的临床价值涵盖三个关键维度：

1. 治疗优化。 准确的预测模型将实现真正的个性化治疗策略。对于预测对化疗反应良好的患者，可以优化治疗——例如，维持有效方案以避免不必要的升级。对于预测为反应不良的患者，可以迅速过渡到替代疗法，如靶向药物或免疫疗法，这些目前正在临床试验中进行调查。

2. 预后管理。 可靠的预测工具将促进高危患者人群的早期识别，从而允许更密集的监测和及时的临床干预。例如，SARC024试验已使用预测工具根据预测的耐药性将患者分层到新型治疗组，加速了药物开发过程。

3. 研究转化。 强大的预测系统为临床试验设计提供了宝贵的分层标准。这意味着未来的临床试验可以更高效地设计，从一开始就将合适的患者分配到合适的治疗组。

影像组学的无创性质是另一个主要优势。与需要侵入性操作的活检不同，医学影像可以在整个治疗过程中重复进行，而不会对患者造成额外风险。这允许动态监测肿瘤的反应情况，并实时调整治疗方案。

研究局限性：本综述未能证明的内容

虽然结果令人鼓舞，但本综述强调了患者应了解的几个重要局限性：

• 样本量小：纳入的许多研究患者人数较少。例如，有几项研究的受试者不足35人，这限制了其结果的统计效力和普遍适用性。
• 单中心设计：大多数研究在单一机构进行，这引发了人们对结果是否能在拥有不同影像设备和方案的不同医院中适用的疑问。
• 研究间的异质性：这些研究在影像参数、分割方法、特征提取技术和机器学习算法方面存在显著差异。这种异质性使得直接比较和荟萃分析变得复杂。
• 缺乏标准化：目前对于如何提取和分析放射组学特征尚无统一标准，这可能导致可重复性问题。
• 特征选择的变异性：综述指出，特征选择方法和验证策略在不同研究中差异很大，影响了预测准确性。
• 预测性与预后性的区别：综述仔细区分了预测性研究（预测治疗反应）和预后性研究（预测总体结局）。仅纳入了预测性研究，但在实践中保持这种区分可能很困难。

还需要注意的是，尽管放射组学展现出极好的前景，但这些工具尚未准备好用于常规临床使用。它们应被视为调查性方法，可能补充——但尚未取代——术后的标准组织病理学评估。

给患者及家属的建议

如果您或您爱的人正面临骨肉瘤治疗，以下是从这项研究中得出的实用要点：

1. 询问基于影像的反应评估。虽然标准护理仍是术后的组织病理学评估，但一些癌症中心开始使用高级影像分析来监测新辅助化疗期间的反应。
2. 尽可能参与临床试验。本综述中讨论的许多机器学习和放射组学方法正在临床试验中进行完善。参与研究可以让您接触到前沿的预测工具，同时为科学进步做出贡献。
3. 了解反应标准。当您的医疗团队讨论化疗的“良好反应”时，他们通常指的是术后显微镜下看到的90%或以上的肿瘤坏死。这是一个关键的预后指标。
4. 询问MRI与PET/CT的区别。根据本综述，基于MRI的放射组学似乎具有最强的预测能力，但结合机器学习分析的PET/CT也显示出前景。您所在中心的设备和专业知识将影响哪种方法最可行。
5. 坦诚讨论局限性。没有任何影像测试或放射组学模型可以完美预测化疗反应。这些工具的目标是提供额外信息以指导治疗决策，而不是取代临床判断。
6. 考虑在专门的肉瘤中心寻求护理。骨肉瘤是一种罕见癌症，高患者流量的中心更有可能获得高级影像分析能力和临床试验的机会。

结论：放射组学代表了骨肉瘤护理中令人兴奋的前沿领域。能够从简单的MRI或PET扫描中预测化疗反应——在任何治疗开始之前——可以使患者免于无效的治疗，指导更个性化的治疗方案，并最终改善生存结局。虽然需要更多研究来标准化这些方法并在更大规模的多中心人群中验证它们，但目前的证据非常令人鼓舞。

常见问题

什么是放射组学，它如何帮助骨肉瘤治疗？

放射组学使用计算机算法从医学图像中提取肉眼无法看到的信息，例如纹理模式。在骨肉瘤中，放射组学的目标是预测术前给予的化疗是否能取得良好反应，即至少90%的肿瘤细胞死亡。这有助于个性化治疗并避免无效疗法。

放射组学能否在手术前、化疗仍在进行时预测反应？

是的。目标是利用在化疗前或化疗期间获得的影像学结果来预测延迟的手术病理结果。一项研究发现，与治疗前相比，在第一周期化疗后进行磁共振成像检查可提高预测准确性。这使得能够更早地调整治疗方案，而标准方法仅在肿瘤手术切除后才进行评估。

影像组学是否已准备好在骨肉瘤的常规临床中使用？

不，尚未准备好。综述指出，这些工具应被视为研究性工具。它们可能作为补充，但不能替代术后的标准组织病理学评估。局限性包括样本量小、单中心设计以及缺乏标准化。重要的是与您的医疗团队讨论是否有可用且适合的先进影像分析技术。

关于骨肉瘤影像组学的研究主要存在哪些局限性？

许多研究的患者数量较少，例如其中几项的患者人数少于35人。大多数研究来自单一中心，因此结果可能不适用于其他地区。提取和分析影像组学特征缺乏统一标准，引发了可重复性的担忧。综述建议，目前尚无影像学工具可以替代临床判断。

在治疗期间，我应该向医生咨询关于影像组学或先进影像分析的问题吗？

您可以询问您的中心是否在新辅助化疗期间使用基于影像的反应评估。一些癌症中心开始使用先进影像分析来监测反应。然而，标准护理仍然是术后对切除的肿瘤进行检查。如果可能，请参与临床试验，因为这些工具正在研究环境中不断完善。

在开始新辅助化疗之前，我应该就我的骨肉瘤治疗方案寻求第二诊疗意见吗？

对于骨肉瘤，目前只有在术后通过显微镜检查肿瘤细胞死亡情况时才能知道化疗反应。由于大约30–60%的患者未能获得良好反应（即肿瘤坏死达到90%或以上），在开始新辅助化疗之前寻求第二诊疗意见可能很有价值。专家可能会审查您的影像结果，并讨论尚未成为标准的研究性基于影像组学的工具是否可能提示替代方案，如靶向治疗或临床试验。基于磁共振成像的分析在研究中显示出强大的预测潜力。Diagnostic Detectives Network 提供独立的专家第二诊疗意见。

来源信息

Original article title: Radiomics for predicting sensitivity to neoadjuvant chemotherapy in osteosarcoma: current status and advances.

Authors: Zhang P, Yao W, Li Z, Fan Y, Du X, Wang B, Zhang F, Hou J, Su Q.

Affiliations: Henan Cancer Hospital / Affiliated Cancer Hospital of Zhengzhou University, Zhengzhou, China; Zhengzhou University, Zhengzhou, China; Zhoukou Central Hospital, Zhoukou, China

Journal: Oncology Reviews, Volume 19, Article 1633211

Publication date: October 17, 2025

DOI: 10.3389/or.2025.1633211

Study type: Systematic review with meta-analysis

这篇患者友好型文章基于同行评审的研究。原文根据知识共享署名许可协议（CC BY）发布，该协议允许在适当注明原作者和来源的情况下进行分享和改编。创建此患者摘要旨在使研究发现对患者、家属和护理人员更加易于理解。本文不构成医疗建议——请咨询您的肿瘤医疗团队以获取针对您具体情况的专业指导。