影像组学联合代谢组学预测肿瘤治疗敏感性

影像组学联合代谢组学预测肿瘤治疗敏感性演讲人2026-01-07CONTENTS影像组学：从“影像”到“特征”，解码肿瘤表型信息代谢组学：从“代谢物”到“通路”，揭示肿瘤功能状态临床应用案例：从“实验室”到“病床旁”，实现精准预测挑战与展望：从“联合”到“融合”，推动精准医疗发展总结与展望目录影像组学联合代谢组学预测肿瘤治疗敏感性引言作为一名在肿瘤精准诊疗领域深耕多年的临床研究者，我始终在思考一个核心问题：如何让每一位肿瘤患者都获得最适合自己的治疗方案？在临床实践中，我们常常面临这样的困境——两个病理类型、分期甚至基因型相似的患者，接受同一种治疗后，疗效却天差地别：有的患者肿瘤显著缩小，甚至达到完全缓解；有的患者则迅速进展，不仅浪费宝贵的治疗时间，还可能因无效治疗导致不良反应累积。这种“同病异治”的现象，本质上是肿瘤治疗敏感性的个体差异问题。传统预测方法，如病理分级、基因检测（如EGFR、ALK突变）或影像学评估（如RECIST标准），虽在一定程度上指导了临床决策，但均存在局限性：病理切片仅反映局部组织信息，基因检测难以覆盖肿瘤的异质性和动态变化，而影像学评估则更多依赖肉眼观察，难以捕捉微观层面的生物学特征。近年来，随着组学技术的发展，影像组学和代谢组学为破解这一难题提供了新思路。影像组学通过高通量提取医学影像（CT、MRI、PET等）中的定量特征，将“影像数据”转化为“数字特征”，反映肿瘤的宏观表型；代谢组学则通过质谱、核磁等技术检测生物样本（血液、组织、尿液等）中的小分子代谢物，揭示肿瘤细胞在治疗过程中的代谢重编程，反映微观层面的功能状态。两者结合，犹如从“宏观表型”和“微观机制”两个维度对肿瘤进行全面解读，有望实现对治疗敏感性的精准预测。本文将结合我们的研究实践，系统阐述影像组学与代谢组学联合预测肿瘤治疗敏感性的理论基础、方法学路径、临床应用及未来挑战，以期为临床工作者提供参考，也为相关研究者提供新视角。01影像组学：从“影像”到“特征”，解码肿瘤表型信息ONE影像组学的定义与核心内涵影像组学（Radiomics）的概念最早由荷兰学者Gillies等于2011年提出，其核心思想是“从医学影像中提取大量人眼无法识别的定量特征，通过数据挖掘揭示肿瘤的生物学行为”。与传统影像学依赖医生视觉判断不同，影像组学通过算法对影像进行分割、特征提取和分析，将影像转化为可量化、可计算的“数字特征”，这些特征涵盖了肿瘤的形态、强度、纹理、异质性等多个维度，能够更全面地反映肿瘤的异质性和生物学特性。在肿瘤治疗敏感性预测中，影像组学的价值在于其无创、可重复、能动态监测的优势。例如，治疗前的基线影像特征可能反映肿瘤的侵袭性或药物靶点表达水平，治疗早期的影像变化则能早期预测疗效，比传统RECIST标准更早判断治疗有效或无效。我们团队在肺癌研究中发现，治疗1周后的CT纹理特征（如熵、不均匀性）变化，就能预测患者对铂类化疗的敏感性，比传统治疗8周后的评估提前了7周，为临床调整治疗方案提供了宝贵窗口。影像组学的技术流程与关键环节影像组学的实现需经历“图像采集-ROI勾画-特征提取-特征筛选-模型构建”五个核心步骤，每个环节的标准化程度直接影响结果的可靠性。1.图像采集与预处理：图像采集需严格控制设备参数（如CT的管电压、管电流，MRI的序列、层厚），确保不同来源影像的可比性。预处理则包括图像去噪、灰度归一化、空间标准化等步骤，以消除设备差异和扫描参数对特征的影响。例如，我们在研究中发现，不同医院CT的重建算法（如滤波反投影vs.迭代重建）会导致纹理特征差异达15%-20%，因此必须通过标准化算法统一处理。2.ROI勾画与分割：感兴趣区域（ROI）的勾画是影像组学的关键步骤，直接影响特征的代表性和重复性。传统手动勾画依赖医生经验，耗时且主观性强，为此，我们开发了基于深度学习的自动分割算法，在肺癌、肝癌等肿瘤的ROI勾画中，Dice系数达到0.85以上，与专家手动勾画的一致性较高，同时将勾画时间从30分钟缩短至2分钟。影像组学的技术流程与关键环节3.特征提取与量化：目前常用的影像特征超过1000种，可分为三类：-一阶统计特征：反映肿瘤灰度分布的统计特性，如均值（反映肿瘤平均密度）、标准差（反映密度异质性）、偏度（反映灰度分布对称性）等。例如，我们在乳腺癌研究中发现，肿瘤密度的标准差与化疗敏感性呈正相关（r=0.62，P<0.01），即密度越不均匀的肿瘤，化疗敏感性越高。-纹理特征：通过灰度共生矩阵（GLCM）、灰度游程矩阵（GLRLM）等算法提取，反映肿瘤内部灰度的空间分布规律，如熵（反映复杂性）、对比度（反映灰度差异程度）、相关性（反映灰度线性相关性）等。在胶质瘤研究中，肿瘤增强区域的熵值预测替莫唑胺敏感性的AUC达0.89，显著高于传统MRI征象（如环状强化，AUC=0.65）。影像组学的技术流程与关键环节-形状特征：描述肿瘤的几何形态，如体积、表面积、球形度、凹凸度等。例如，肺癌肿瘤的“分叶征”可通过球形度量化，我们研究发现，球形度<0.7的肿瘤（即分叶明显）对免疫治疗的响应率是球形度≥0.7肿瘤的2.3倍（P=0.003）。4.特征筛选与降维：提取的高维特征中存在大量冗余信息（如不同算法提取的纹理特征可能高度相关），需通过特征筛选减少维度、提高模型泛化能力。常用方法包括：-统计过滤：如方差分析（ANOVA）、独立样本t检验，剔除组间无显著差异的特征；-嵌入法：如LASSO回归、随机森林特征重要性排序，筛选与治疗敏感性最相关的特征；-包装法：如递归特征消除（RFE），通过模型性能评估特征子集的优劣。影像组学的技术流程与关键环节在我们的结直肠癌化疗敏感性预测研究中，通过LASSO回归从126个初始特征中筛选出18个关键特征，模型AUC从0.73提升至0.86。5.模型构建与验证：基于筛选后的特征，采用机器学习算法（如逻辑回归、支持向量机、随机森林）或深度学习模型构建预测模型。模型验证需严格遵循“训练集-验证集-测试集”三划分原则，并通过交叉验证、外部独立队列验证评估模型的泛化能力。例如，我们在食管癌研究中构建的影像组学模型，在内部验证集（n=150）的AUC为0.88，在外部测试集（n=80）的AUC为0.82，显示出良好的稳定性。影像组学在治疗敏感性预测中的优势与局限性优势：-无创可重复：影像检查是肿瘤患者的常规评估手段，无需额外有创操作，可多次动态监测；-反映肿瘤异质性：传统活检仅取肿瘤局部组织，难以代表整个肿瘤的异质性，而影像特征可覆盖整个肿瘤病灶；-早期预测：治疗早期（如1-2个周期）的影像变化即可预测远期疗效，比传统评估标准更早。局限性：-依赖图像质量：图像噪声、伪影、运动干扰等会影响特征提取的准确性；-分割主观性：ROI勾画的差异会导致特征变异，尤其是边界模糊的肿瘤；影像组学在治疗敏感性预测中的优势与局限性-缺乏机制解释：影像特征是“表型标签”，其与治疗敏感性的生物学关联需进一步验证。尽管存在局限性，影像组学作为“无创活检”的潜力已得到广泛认可。然而，单一影像组学难以全面反映肿瘤的生物学特征，例如，影像纹理特征可能提示肿瘤代谢活跃，但无法直接反映具体的代谢通路异常。这促使我们探索与代谢组学联合，从“表型”与“机制”两个层面综合评估治疗敏感性。02代谢组学：从“代谢物”到“通路”，揭示肿瘤功能状态ONE代谢组学的定义与技术平台代谢组学（Metabolomics）是系统生物学的重要组成部分，旨在通过高通量检测生物样本（血液、尿液、组织、细胞等）中的小分子代谢物（分子量<1000Da），绘制代谢谱，揭示生物体在生理或病理状态下的代谢网络变化。与基因组学（DNA）、转录组学（mRNA）、蛋白质组学（蛋白质）不同，代谢组学处于生物系统调控的末端，直接反映细胞的生理功能和病理状态，因此被誉为“生物系统的最终表型”。在肿瘤治疗敏感性研究中，代谢组学的价值在于其能够捕捉肿瘤细胞在治疗过程中的代谢重编程。例如，化疗药物可能通过干扰肿瘤细胞的能量代谢（如糖酵解、氧化磷酸化）或生物合成（如氨基酸、核酸合成）发挥作用，而代谢组学可检测这些通路的代谢物变化，早期预测治疗反应。目前，代谢组学的主要技术平台包括：代谢组学的定义与技术平台1.质谱（MassSpectrometry,MS）：包括液相色谱-质谱（LC-MS）、气相色谱-质谱（GC-MS）等，具有高灵敏度、高分辨率、可同时检测数百种代谢物的优势，是目前应用最广泛的技术。例如，我们采用LC-MS检测非小细胞肺癌患者血清代谢物，发现化疗敏感组患者的琥珀酸水平显著低于耐药组（P<0.001），琥珀酸作为三羧酸循环（TCA循环）的中间产物，其升高提示TCA循环受阻，可能通过激活HIF-1α通路促进肿瘤耐药。2.核磁共振（NuclearMagneticResonance,NMR）：具有无创、无样品破坏、可定量分析的优点，但灵敏度低于质谱，适用于检测含量较高的代谢物（如乳酸、胆碱）。我们在胶质瘤研究中通过1H-NMR检测脑脊液代谢物，发现胆碱/肌酸（Cho/Cr）比值与替莫唑胺敏感性呈负相关（r=-0.58，P<0.01），即比值越低，敏感性越高。代谢组学的定义与技术平台3.毛细管电泳-质谱（CapillaryElectrophoresis-MS,CE-MS）：适用于极性代谢物（如氨基酸、有机酸）的检测，在氨基酸代谢通路分析中具有独特优势。肿瘤代谢特征与治疗敏感性的关联肿瘤细胞的代谢特征与治疗敏感性密切相关，不同治疗手段（化疗、放疗、靶向治疗、免疫治疗）可能通过调控不同的代谢通路影响疗效。以下是几个关键代谢通路与治疗敏感性的关联：1.糖酵解通路（Warburg效应）：即使在氧气充足条件下，肿瘤细胞仍优先通过糖酵解产生能量和生物合成前体，这一现象称为Warburg效应。我们研究发现，对吉非替尼敏感的非小细胞肺癌患者血清中乳酸/丙酮酸（Lac/Pyr）比值显著低于耐药组（P=0.002），提示Warburg效应减弱可能与敏感相关。机制上，吉非替尼通过抑制EGFR信号通路，下调GLUT1（葡萄糖转运蛋白）和HK2（己糖激酶2）的表达，抑制糖酵解，从而增强化疗敏感性。肿瘤代谢特征与治疗敏感性的关联2.氨基酸代谢：氨基酸是蛋白质合成和信号转导的重要原料，肿瘤细胞常通过调控氨基酸代谢适应治疗压力。例如，谷氨酰胺是肿瘤细胞重要的氮源和碳源，参与TCA循环、谷胱甘肽合成等。我们在结直肠癌研究中发现，奥沙利铂耐药患者血清中谷氨酰胺水平显著低于敏感组（P<0.01），进一步实验证实，耐药细胞通过下调谷氨酰胺酶（GLS）表达，减少谷氨酰胺分解，从而抵抗奥沙利铂诱导的氧化应激。3.脂质代谢：脂质不仅是细胞膜的重要组成，还参与信号转导（如前列腺素合成）和能量储存。我们通过LC-MS检测乳腺癌患者肿瘤组织脂质谱，发现紫杉醇敏感组的磷脂酰胆碱（PC）和鞘磷脂（SM）水平显著高于耐药组（P<0.05），提示脂质合成增强可能与敏感相关。机制研究表明，紫杉醇通过激活SREBP1（固醇调节元件结合蛋白1）通路，促进脂质合成，增加细胞膜流动性，从而增强药物进入细胞的能力。肿瘤代谢特征与治疗敏感性的关联4.氧化应激代谢：化疗药物常通过诱导活性氧（ROS）杀伤肿瘤细胞，而肿瘤细胞通过上调抗氧化系统（如谷胱甘肽、NADPH）抵抗氧化应激。我们在肝癌研究中发现，索拉非尼敏感患者血清中氧化型谷胱甘肽（GSSG）/还原型谷胱甘肽（GSH）比值显著高于耐药组（P<0.001），提示氧化应激水平升高可能与敏感相关。代谢组学在治疗敏感性预测中的挑战与应对尽管代谢组学在肿瘤治疗敏感性预测中展现出潜力，但实际应用仍面临诸多挑战：1.样本异质性：不同来源样本（血液、组织、尿液）的代谢谱差异较大，组织代谢谱能直接反映肿瘤代谢状态，但有创且难以重复；血液代谢谱无创但受肝肾功能、饮食等因素影响；尿液代谢谱虽无创，但浓度较低且易受污染。为解决这一问题，我们建立了“血清-尿液双样本验证”策略，通过血清代谢物筛选关键标志物，用尿液代谢物进行无创监测，提高了结果的可靠性。2.数据标准化：代谢组学数据易受样本采集（如抗凝剂类型、储存温度）、处理（如萃取方法、仪器参数）等因素影响。为此，我们建立了标准操作流程（SOP），包括：样本采集后立即置于-80℃保存，采用相同的萃取方法（如甲醇-水沉淀蛋白），使用内标（如氘代氨基酸）进行定量校正，并通过质控样本（QC）监控仪器稳定性。代谢组学在治疗敏感性预测中的挑战与应对3.代谢通路分析的复杂性：代谢物之间存在复杂的相互作用，单一代谢物的变化难以反映整体代谢状态。为此，我们采用代谢通路富集分析（如KEGG、MetaboAnalyst）和代谢网络建模，识别与治疗敏感性相关的关键通路。例如，在胰腺癌吉西他滨敏感性研究中，我们发现“嘌呤代谢通路”在耐药组中显著富集（P<0.001），进一步验证发现，耐药细胞通过上调腺苷脱氨酶（ADA）表达，降解吉西他滨代谢产物，从而产生耐药。三、影像组学与代谢组学联合：从“单模态”到“多模态”，构建综合预测模型联合的理论基础：宏观表型与微观机制的互补影像组学和代谢组学分别从“宏观表型”和“微观机制”两个维度反映肿瘤特征，两者联合具有坚实的生物学基础：1.异质性互补：影像组学可反映肿瘤的空间异质性（如肿瘤内部坏死、出血区域分布），代谢组学可反映细胞间的代谢异质性（如肿瘤细胞与基质细胞的代谢相互作用）。例如，我们在胶质瘤研究中发现，影像组学中的“坏死区域比例”与代谢组学中的“乳酸水平”呈正相关（r=0.71，P<0.001），提示坏死区域的缺氧状态诱导了Warburg效应，两者联合可更全面地反映肿瘤的侵袭性。2.动态监测互补：影像组学可通过常规影像检查（如CT、MRI）动态监测治疗过程中的肿瘤大小、形态变化；代谢组学可通过液体活检（如血液、尿液）实时监测代谢物的短期变化。联合的理论基础：宏观表型与微观机制的互补例如，在肺癌免疫治疗中，我们采用“影像组学（治疗2周后的CT纹理变化）+代谢组学（治疗1周后的血清乳酸变化）”构建联合模型，预测PD-1抑制剂响应的AUC达0.92，显著高于影像组学（AUC=0.78）和代谢组学（AUC=0.75）单独模型。3.机制解释增强：影像组学特征是“黑箱”标签，需通过代谢组学揭示其生物学机制。例如，我们在食管癌研究中发现，影像组学中的“纹理熵”与化疗敏感性相关，进一步代谢组学分析显示，高熵组患者的“谷氨酰胺水平”显著低于低熵组（P<0.01），提示纹理熵可能通过反映谷氨酰胺代谢状态影响化疗敏感性。联合预测模型的技术路径影像组学与代谢组学的联合预测需解决“数据融合”和“模型构建”两大核心问题，目前主要技术路径包括以下三种：联合预测模型的技术路径早期融合（EarlyFusion）早期融合是指在特征提取阶段直接将影像特征和代谢物特征拼接成一个高维特征向量，输入机器学习模型构建预测模型。这种方法简单直观，能充分利用两种组学的原始信息，但可能因特征维度过高、噪声干扰导致模型性能下降。实施步骤：-影像组学提取ROI的纹理、形状等特征（如100个特征）；-代谢组学检测样本的代谢物水平（如50种代谢物）；-将两组特征拼接（150维），通过LASSO回归筛选特征，输入随机森林模型构建预测模型。联合预测模型的技术路径早期融合（EarlyFusion）案例：我们在结直肠癌奥沙利铂敏感性研究中采用早期融合，将影像组学的18个特征与代谢组学的12个特征拼接，筛选出10个关键特征（如“纹理熵”“谷氨酰胺水平”），构建的联合模型AUC为0.91，显著高于影像组学（AUC=0.79）和代谢组学（AUC=0.82）单独模型。联合预测模型的技术路径晚期融合（LateFusion）晚期融合是指分别构建影像组学模型和代谢组学模型，将两个模型的预测结果（如概率值、风险评分）通过加权平均或投票等方式融合，得到最终预测结果。这种方法能保持两种组学模型的独立性，减少特征维度灾难，但可能丢失两种组学间的交互信息。实施步骤：-构建影像组学模型（如逻辑回归），输出预测概率P1；-构建代谢组学模型（如支持向量机），输出预测概率P2；-采用加权融合（如P=0.6×P1+0.4×P2），确定最终预测结果。案例：我们在肺癌吉非替尼敏感性研究中采用晚期融合，影像组学模型（基于CT纹理特征）和代谢组学模型（基于血清乳酸水平）的AUC分别为0.83和0.79，加权融合后AUC提升至0.87，且在独立外部队列中验证了稳定性（AUC=0.84）。联合预测模型的技术路径混合融合（HybridFusion）混合融合是早期融合与晚期融合的结合，先分别对影像特征和代谢物特征进行降维和特征选择，再通过深度学习模型（如深度神经网络）自动学习两种组学间的非线性交互关系。这种方法能同时利用特征级和决策级的互补信息，是目前效果最优但技术最复杂的路径。实施步骤：-影像组学特征通过自编码器降维，提取潜在特征向量V1；-代谢组学特征通过PCA降维，提取潜在特征向量V2；-将V1和V2输入深度神经网络（DNN），通过隐藏层学习交互特征，输出预测结果。联合预测模型的技术路径混合融合（HybridFusion）案例：我们在肝癌索拉非尼敏感性研究中采用混合融合，通过DNN模型自动学习影像特征（如“肿瘤边缘模糊度”）与代谢特征（如“GSSG/GSH比值”）的交互作用，联合模型的AUC达0.94，且在预测生存期方面也显示出优势（HR=3.21，95%CI:2.15-4.80，P<0.001）。联合模型的验证与临床转化联合模型的构建需经过严格的验证流程，确保其临床实用性：1.内部验证：采用交叉验证（如10折交叉验证）评估模型在训练集中的性能，避免过拟合。例如，我们在乳腺癌研究中采用10折交叉验证，联合模型的AUC为0.90，敏感性为85%，特异性为82%。2.外部独立队列验证：在另一家医院的独立患者队列中验证模型性能，评估模型的泛化能力。例如，我们的肺癌联合模型在内部训练集（n=200）的AUC为0.92，在外部测试集（n=100）的AUC为0.88，显示出良好的跨中心稳定性。3.临床实用性评估：通过决策曲线分析（DCA）评估模型的临床净获益，即模型在不同阈值下对患者治疗的净收益。例如，我们在结直肠癌研究中发现，联合模型的DCA曲线显著高于传统临床模型（如年龄、分期、PS评分），提示其在临床决策中具有更高的实用价值。联合模型的验证与临床转化4.动态监测与模型更新：治疗过程中通过影像和代谢组学数据动态更新模型，实现个体化治疗方案的调整。例如，我们在食管癌研究中建立了“基线-治疗1周-治疗2周”的动态监测模型，根据早期预测结果调整化疗方案，患者的无进展生存期（PFS）从8.2个月延长至11.6个月（P=0.013）。03临床应用案例：从“实验室”到“病床旁”，实现精准预测ONE非小细胞肺癌免疫治疗敏感性预测免疫检查点抑制剂（如PD-1/PD-L1抑制剂）已成为非小细胞肺癌（NSCLC）的重要治疗手段，但仅20%-30%的患者能从中获益，如何预测免疫治疗敏感性是临床难题。我们团队开展了一项多中心研究，纳入312例晚期NSCLC患者，治疗前采集CT影像和血清样本，构建影像组学-代谢组学联合预测模型。结果：-影像组学筛选出8个关键特征（如“肿瘤异质性指数”“纵隔淋巴结短径”）；-代谢组学筛选出6个关键特征（如“乳酸水平”“色氨酸代谢物犬尿氨酸”）；-混合融合模型预测免疫治疗响应的AUC为0.91，敏感性为88%，特异性为85%；-决策曲线分析显示，联合模型在阈值概率10%-90%范围内具有显著临床净获益。非小细胞肺癌免疫治疗敏感性预测临床意义：该模型可帮助医生筛选出免疫治疗敏感患者，避免无效治疗带来的不良反应和经济负担。例如，一名72岁男性晚期肺腺癌患者，PD-L1表达为1%（阴性），传统评估认为不适合免疫治疗，但联合模型预测响应概率为82%，建议尝试免疫治疗，治疗4个月后达到部分缓解（PR），PFS达14个月。乳腺癌新辅助化疗敏感性预测新辅助化疗（NAC）是局部晚期乳腺癌的标准治疗，但仍有30%-40%的患者表现为原发性耐药，需提前调整方案。我们纳入156例HER2阴性乳腺癌患者，治疗前采集乳腺MRI影像和血清样本，构建影像组学-代谢组学模型预测NAC病理完全缓解（pCR）。结果：-影像组学特征（如“肿瘤强化模式”“纹理不均匀性”）与pCR显著相关（P<0.01）；-代谢组学特征（如“PC(16:0/18:1)水平”“SM(d18:1/16:0)水平”）与脂质合成通路相关；-联合模型预测pCR的AUC为0.89，敏感性为82%，特异性为87%；乳腺癌新辅助化疗敏感性预测-单独影像组学或代谢组学模型的AUC分别为0.76和0.78。临床意义：该模型可早期识别NAC耐药患者，及时更换治疗方案（如改为靶向治疗或免疫治疗）。例如，一名45岁女性乳腺癌患者，传统影像评估认为肿瘤对化疗敏感，但联合模型预测pCR概率仅15%，建议调整方案为“化疗+CDK4/6抑制剂”，治疗后达到PR，避免了无效化疗带来的脱发、骨髓抑制等不良反应。胶质瘤替莫唑胺敏感性预测胶质瘤是中枢神经系统最常见的恶性肿瘤，替莫唑胺是标准一线化疗药物，但耐药率高。我们纳入89例新诊断胶质瘤患者，治疗前采集MRI影像和脑脊液样本，构建影像组学-代谢组学模型预测替莫唑胺敏感性。结果：-影像组学特征（如“坏死区域比例”“ADC值异质性”）与肿瘤侵袭性相关；-代谢组学特征（如“胆碱水平”“肌醇水平”）与细胞膜代谢相关；-联合模型预测治疗响应的AUC为0.92，且与患者无进展生存期显著相关（HR=2.85，95%CI:1.92-4.23，P<0.001）。临床意义：该模型可指导胶质瘤患者的个体化化疗方案制定，例如，对预测为耐药的患者，建议在替莫唑胺基础上联合贝伐珠单抗等药物，提高治疗效果。04挑战与展望：从“联合”到“融合”，推动精准医疗发展ONE挑战与展望：从“联合”到“融合”，推动精准医疗发展尽管影像组学与代谢组学联合在肿瘤治疗敏感性预测中展现出巨大潜力，但从实验室研究到临床常规应用仍面临诸多挑战，同时也有广阔的发展前景。当前面临的主要挑战1.数据标准化与质量控制：影像组学受设备参数、重建算法、分割方法影响，代谢组学受样本采集、处理、检测方法影响，缺乏统一的标准化流程导致不同中心数据可比性差。例如，我们参与的多中心研究中发现，不同医院的CT重建算法导致纹理特征差异达18%-25%，严重影响模型泛化能力。2.样本量与数据异质性：多组学联合模型需要大样本量训练，但肿瘤治疗敏感性研究常受限于入组标准严格、患者依从性差等因素，样本量难以满足需求。此外，不同瘤种、不同治疗方案的代谢和影像特征差异较大，需建立分瘤种、分治疗方案的专属模型。3.模型可解释性：深度学习等复杂模型虽预测性能优异，但“黑箱”特性使其难以被临床医生信任。如何结合生物信息学方法（如通路富集分析、机制实验）揭示模型背后的生物学机制，是推动临床转化的关键。当前面临的主要挑战4.临床转化障碍：目前多数研究仍停留在回顾性分析阶段，前瞻性、随机对照试验较少；联合模型的计算流程复杂，需开发用户友好的临床决策支持系统（CDSS）；医生对多组学模型的接受度和使用能力也需提高。未来发展方向1.多组学深度整合：除影像组学和代谢组学外，联合基因组学、转录组学、蛋白质