近几十年来，计算能力的提高使得人工智能在医学图像分析中的效用越来越被认可。放射组学是一种医学图像分析技术，可提取高通量的量化特征以协助临床决策。现阶段，放射组学在肿瘤诊断、预后预测和治疗反应评估领域的应用已受到越来越多的关注。此外，高通量放射组学允许肿瘤分子特征分析，其基本假设是医学图像可以反映肿瘤的分子生物学特征。这类图像的独特价值在于它们能够在从宏观到微观的范围内捕捉肿瘤的病理和分子特征。微观分子信息和宏观影像表征之间的关系正在被揭示，在描绘肿瘤异质性方面具有重要意义。

精准医学在肿瘤的分子特征方面有着巨大的前景，并能开发出适合特定患者的生物标志物。许多研究已经成功地将分子信息转化为临床应用。然而，从活检中获得的分子信息也受到侵入性和肿瘤内异质性的限制。放射组学特征和分子生物标志物之间的互补关系，可为成像表型的分子注释提供更全面的肿瘤信息。

现有的知识强化了全面分析NSCLC放射组学和转录组学特征的必要性，反映了不同的临床信息。综合分析可以为放射组学特征提供更可靠的分子注释并指导临床应用。非小细胞肺癌（NSCLC）是癌症相关死亡的主要原因，占所有肺癌的85%。一些优秀的放射基因组学研究发现，放射基因组学可以帮助预测NSCLC的突变状态。以往的研究大多集中在放射组学与基因组改变之间的关系。由于放射组学和高通量分子全息技术的进步，越来越多的提供医学图像和肿瘤分子信息的公共数据集正在形成。因此，利用放射组学和转录组学数据来增加对NSCLC异质性的了解是十分合理的研究方向。

近日，发表在European Radiology杂志的一项研究探讨了RTS算法作为区分具有明显异质性放射转录组学特征NSCLC患者诊断工具的价值及能力，并对NSCLC的分子和影像表型进行了更深入的了解及评估。

本项研究将来自三个数据集的共627名NSCLC患者纳入研究。从分割的3维肿瘤体积中提取了放射组学特征，并为进一步分析做了z-core标准化处理。在转录组学层面，通过使用基因组变异分析（GSVA）算法评估了186条途径和28种免疫细胞。使用共识聚类法并根据放射学特征和路径富集得分，将NSCLC患者归入亚组。亚组特定的放射组学特征可用来验证聚类性能和预后价值。同时采用对数秩检验的Kaplan-Meier生存分析以及单变量和多变量的Cox分析来探讨各亚组之间的生存差异。 

研究根据放射组学确定了三种放射组学亚型（RTSs）。这三种RTS描述为具有特定的分子特征：RTS1（增殖亚型）、RTS2（代谢亚型）和RTS3（免疫激活亚型）。RTS3显示大多数免疫细胞的浸润增加。在一个验证队列中验证了RTS分层策略，并显示出重要的预后价值。生存分析表明，RTS策略可以根据预后对NSCLC患者进行分层（P = 0.009），并且在调整了其他临床参数后，RTS策略仍然是一个独立的预后指标。 

 图 RTS中的通路改变和临床病理特征。A 每个RTS的前十条最上调的途径。不同RTS中的性别（B）、组织学（C）、T期（D）和N期（E）分布情况

本项放射转录组学研究为NSCLC提供了一种更为有效的风险分层策略，并为放射性组学特征分子注释和预后预测提供了重要信息。

原文出处：

Peng Lin,Yi-Qun Lin,Rui-Zhi Gao,et al.Integrative radiomics and transcriptomics analyses reveal subtype characterization of non-small cell lung cancer.DOI:10.1007/s00330-023-09503-5