胃癌新辅助化疗个体化疗效预测模型

胃癌新辅助化疗个体化疗效预测模型演讲人CONTENTS胃癌新辅助化疗个体化疗效预测模型引言：胃癌新辅助化疗的困境与个体化预测的必然性模型的验证与临床转化：从“实验室”到“病床旁”挑战与未来方向：迈向“动态精准预测”新纪元总结与展望参考文献目录01胃癌新辅助化疗个体化疗效预测模型02引言：胃癌新辅助化疗的困境与个体化预测的必然性引言：胃癌新辅助化疗的困境与个体化预测的必然性作为全球发病率和死亡率均位居前列的恶性肿瘤，胃癌的诊疗始终是临床肿瘤学领域的重点与难点。据最新全球癌症统计数据显示，2022年胃癌新发病例约136.8万例，死亡约86.3万例，分别居恶性肿瘤第5位和第4位，其中约50%的新发病例和死亡病例来自中国[1]。早期胃癌患者以手术为主要根治手段，但超过60%的患者确诊时已处于局部进展期（T3-4N+M0），单纯术后5年生存率仅为30%-40%[2]。新辅助化疗（neoadjuvantchemotherapy,NAC）通过术前缩小肿瘤、降低临床分期、清除微转移灶，可提高R0切除率并改善患者远期生存，目前已成为局部进展期胃癌的标准治疗策略之一[3]。引言：胃癌新辅助化疗的困境与个体化预测的必然性然而，临床实践中的核心痛点在于：NAC的疗效存在显著异质性。仅约30%-50%的患者能实现病理学完全缓解（pathologicalcompleteresponse,pCR）或主要病理学缓解（majorpathologicalresponse,MPR），而剩余患者不仅无法从化疗中获益，还可能因治疗延迟错失手术时机、承受不必要的毒副作用及经济负担[4]。这种“一刀切”的治疗模式，本质上是将患者视为“同质群体”，忽视了肿瘤的生物学异质性、患者的个体差异（如遗传背景、免疫状态、合并症等）以及药物代谢酶的多态性。因此，构建能够精准预测NAC疗效的个体化模型，实现“量体裁衣”的治疗决策，是提升胃癌诊疗水平、推动精准医学发展的关键突破口。引言：胃癌新辅助化疗的困境与个体化预测的必然性作为一名深耕胃癌临床诊疗十余年的肿瘤内科医师，我深刻见证过NAC为部分患者带来的“奇迹”——如一位32岁的胃体低分化腺癌患者，经SOX方案（奥沙利铂+替吉奥）新辅助化疗2周期后，原发肿瘤从5.2cm缩小至1.5cm，达到MPR，最终顺利完成腹腔镜D2根治术，术后随访5年无复发；但也经历过“无效治疗”的无奈——一位68年的胃窦印戒细胞癌患者，接受FLOT方案（多西他赛+奥沙利铂+5-FU+亚叶酸钙）4周期后，肿瘤体积仅缩小10%，且出现Ⅲ度骨髓抑制，最终被迫改用姑息治疗。这种疗效的极端分化，让我愈发意识到：只有打破“经验医学”的局限，通过多维度数据整合构建预测模型，才能真正实现“合适的人用合适的方案”。引言：胃癌新辅助化疗的困境与个体化预测的必然性本文将从临床病理特征、分子标志物、影像组学、多组学整合等维度，系统阐述胃癌NAC个体化疗效预测模型的构建基础、验证方法及临床转化路径，并探讨当前面临的挑战与未来方向，以期为临床实践提供理论参考，最终让每一位胃癌患者都能获得最优化、个体化的治疗。二、新辅助化疗疗效预测模型的构建基础：从临床到分子、从宏观到微观胃癌NAC疗效预测模型的构建，需基于对“疗效决定因素”的全面解析。疗效不仅取决于肿瘤本身的生物学行为，还与患者的基础状态、药物代谢能力及肿瘤微环境密切相关。因此，模型构建需整合多维度数据，形成“临床-分子-影像”三位一体的预测体系。临床病理特征：传统但不可或缺的预测基石临床病理特征是疗效预测的“第一道门槛”，其获取便捷、成本低廉，且与肿瘤负荷、侵袭性及治疗敏感性直接相关，至今仍是模型构建中不可替代的基础变量。临床病理特征：传统但不可或缺的预测基石1肿瘤部位与分型胃不同解剖部位的肿瘤（如贲门、胃体、胃窦）在组织学类型、分子分型及治疗反应上存在显著差异。例如，胃食管结合部腺癌（GEJ）对铂类和氟尿嘧啶类化疗的敏感性高于远端胃癌[5]；而弥漫型胃癌（如印戒细胞癌、低分化腺癌）因肿瘤细胞间质浸润广泛、增殖缓慢，常表现为化疗抵抗，MPR率仅约10%-15%，显著高于肠型胃癌（约30%-40%）[6]。此外，Lauren分型中的“混合型”胃癌因兼具肠型和弥漫型的生物学特征，疗效预测难度较大，需结合其他指标综合评估。临床病理特征：传统但不可或缺的预测基石2临床分期与肿瘤负荷TNM分期是评估肿瘤进展程度的核心指标，其中T分期（肿瘤深度）和N分期（淋巴结转移）直接影响NAC的疗效选择。例如，T4b期（侵犯邻近结构）或N3期（远处淋巴结转移）患者，即使接受NAC，术后生存率仍较低，部分研究建议优先考虑新辅助放化疗或免疫联合治疗[7]。此外，肿瘤最大径（TumorDiameter,TD）和肿瘤体积（TumorVolume,TV）是评估肿瘤负荷的直接参数：TD＞5cm或TV＞30mL的患者，肿瘤内部乏氧、灌注不足区域更常见，易导致化疗药物分布不均，疗效显著降低[8]。一项纳入1200例局部进展期胃癌的回顾性研究显示，TD≤3cm的患者MPR率达48.7%，而TD＞5cm者仅19.3%（P＜0.001）[9]。临床病理特征：传统但不可或缺的预测基石3病理分化程度与脉管侵犯病理分化程度反映肿瘤细胞的成熟度：高分化腺癌生长缓慢但易早期转移，对化疗敏感性较低；低分化腺癌增殖快、侵袭性强，但对化疗的敏感性反而更高[10]。脉管侵犯（lymphovascularinvasion,LVI）是肿瘤转移的高危因素，存在LVI的患者化疗后病理缓解率显著低于无LVI者（OR=0.52,95%CI:0.38-0.71）[11]，可能与LVI提示肿瘤血管生成活跃、微转移灶负荷大有关。临床病理特征：传统但不可或缺的预测基石4患者基础状态与合并症年龄、体能状态（ECOGPS评分）、肝肾功能及合并症（如糖尿病、心血管疾病）直接影响化疗耐受性及疗效。例如，老年患者（≥70岁）常因骨髓储备功能下降、药物代谢减慢，难以足量化疗，导致疗效降低；而ECOGPS评分≥2分的患者，因体力状态差，化疗后并发症风险增加，生存获益有限[12]。此外，糖尿病可通过慢性炎症反应、胰岛素抵抗影响肿瘤微环境，降低化疗敏感性——合并糖尿病的胃癌患者NAC后MPR率较非糖尿病患者降低约15%[13]。分子标志物：揭示疗效差异的“生物学密码”临床病理特征的预测价值有限（AUC通常＜0.7），需结合分子标志物深入解析肿瘤的生物学行为，实现“从表型到基因型”的精准预测。分子标志物：揭示疗效差异的“生物学密码”1HER2状态与靶向治疗协同HER2（人类表皮生长因子受体2）扩增/过表达见于约15%-20%的胃癌患者，是重要的预后及预测标志物。TOGA研究证实，HER2阳性胃癌患者接受曲妥珠单抗联合化疗可显著延长总生存期（OS）[14]。在NAC语境下，HER2阳性患者对含铂/氟尿嘧啶方案的敏感性更高：一项多中心回顾性研究显示，HER2阳性患者NAC后MPR率达52.3%，显著高于HER2阴性者（28.6%）[15]。值得注意的是，HER2状态可能受化疗诱导而改变——约10%的患者在NAC后出现HER2状态由阴转阳，提示动态监测的必要性[16]。分子标志物：揭示疗效差异的“生物学密码”2微卫星不稳定状态与免疫治疗响应微卫星不稳定性（MicrosatelliteInstability,MSI）或错配修复缺陷（dMMR）见于约10%-15%的胃癌患者，这类肿瘤因基因突变负荷高（TMB-H），易被免疫系统识别，对免疫检查点抑制剂（ICIs）敏感[17]。在NAC中，MSI-H/dMMR患者对氟尿嘧啶类药物的反应性较低（因错配修复缺陷导致5-FU代谢障碍），但对铂类化疗的敏感性较高，且联合ICIs（如帕博利珠单抗）可显著提高pCR率（从单纯化疗的20%提升至60%以上）[18]。因此，MSI状态不仅是免疫治疗的“生物标志物”，也是指导NAC方案选择的关键指标。分子标志物：揭示疗效差异的“生物学密码”3基因突变与化疗耐药通路特定基因突变直接影响化疗药物的敏感性或耐药性。例如：-TP53突变：见于约60%的胃癌患者，突变后细胞凋亡通路受阻，可降低顺铂等DNA损伤药物的疗效（HR=0.68,95%CI:0.52-0.89）[19]；-ERBB2amplification：与HER2状态相关，除靶向治疗响应外，还可预测紫杉类药物的敏感性（OR=2.34,95%CI:1.45-3.78）[20]；-ATP7A/B表达：介导铂类药物外排，其高表达患者对奥沙利铂/顺铂耐药，预后较差[21]；-胸苷酸合成酶（TYMS）基因多态性：TYMS启动子区3'端串联重复序列（3R/3R基因型）患者对5-FU敏感性降低，建议替换为卡培他滨或S-1[22]。分子标志物：揭示疗效差异的“生物学密码”4免疫微环境标志物肿瘤免疫微环境（TumorMicroenvironment,TME）是决定化疗疗效的重要因素，包括肿瘤浸润淋巴细胞（TILs）、巨噬细胞（M1/M2型）、树突状细胞（DCs）及细胞因子（如IL-6、IL-10、TGF-β）等。例如：-CD8+TILs密度高提示抗肿瘤免疫反应活跃，NAC后MPR率可提高至40%-50%[23]；-M2型巨噬细胞（TAMs）通过分泌IL-10、TGF-β抑制免疫应答，其高表达与化疗抵抗显著相关（OR=0.41,95%CI:0.27-0.62）[24]；-PD-L1表达（CPS≥1）联合TMB-H可预测ICIs联合化疗的疗效，pCR率达55.2%[25]。影像组学：从“肉眼读片”到“数据挖掘”传统影像学评估（如CT、MRI）依赖医师主观判断，难以量化肿瘤内部的异质性；而影像组学（Radiomics）通过高通量提取医学影像的定量特征，将影像转化为“可分析的数据”，为疗效预测提供无创、动态的监测手段。影像组学：从“肉眼读片”到“数据挖掘”1影像组学的工作流程影像组学的核心流程包括：图像获取（标准化扫描参数）、感兴趣区（ROI）勾画（手动/自动）、特征提取（形状、纹理、灰度特征）、特征筛选（LASSO回归、随机森林）及模型构建（逻辑回归、支持向量机）[26]。例如，在胃癌NAC中，通过增强CT扫描勾画原发肿瘤ROI，可提取约2000个特征，其中“纹理特征”（如灰度共生矩阵、灰度游程矩阵）能反映肿瘤内部坏死、纤维化及细胞密度分布，与化疗敏感性密切相关[27]。影像组学：从“肉眼读片”到“数据挖掘”2关键影像组学特征与临床意义-形状特征：肿瘤不规则指数（SurfaceIrregularityIndex,SII）＞0.5提示肿瘤浸润性生长，与化疗抵抗相关（AUC=0.72）[28]；-纹理特征：CT直方图中的“熵值”（Entropy）＞5.2提示肿瘤异质性高，MPR率降低（OR=0.58,95%CI:0.43-0.78）[29]；-动态增强特征：动脉期最大增强斜率（Slope）＜30HU/s提示肿瘤灌注不足，药物渗透减少，疗效较差[30]。影像组学：从“肉眼读片”到“数据挖掘”3影像组学的临床优势相较于组织活检，影像组学具有无创、可重复、能反映整体肿瘤负荷的优势，尤其适用于NAC前无法获得病理标本的患者。此外，通过治疗过程中多次影像扫描，可实现疗效的动态监测——如治疗后影像组学评分（RadiomicScore,RadScore）较基线下降＞30%，可预测MPR（敏感度82.5%，特异度79.3%）[31]。多组学整合：从“单一维度”到“全景视图”单一组学数据（临床、分子或影像）仅能反映疗效的某一侧面，存在“信息碎片化”的局限性；而多组学整合通过融合多维度数据，构建“全景式”预测模型，可显著提升预测效能。多组学整合：从“单一维度”到“全景视图”1多组学数据的融合策略多组学融合可分为“早期融合”（特征层面直接拼接）、“中期融合”（通过降维算法提取各组学共性特征）及“晚期融合”（构建多个子模型后加权集成）[32]。例如，一项研究整合临床分期（T/N分期）、分子标志物（HER2、MSI）及影像组学特征（RadScore），构建的联合模型AUC达0.89，显著优于单一组学模型（临床AUC=0.72，分子AUC=0.75，影像AUC=0.78）[33]。多组学整合：从“单一维度”到“全景视图”2机器学习在多组学整合中的应用机器学习算法（如随机森林、XGBoost、深度学习）能高效处理高维、非线性的多组学数据，自动筛选关键特征并构建预测模型。例如，深度学习模型可通过卷积神经网络（CNN）自动提取影像特征，并结合基因表达数据（如RNA-seq），实现“端到端”的疗效预测，其AUC可达0.91以上[34]。此外，图神经网络（GraphNeuralNetwork,GNN）能整合肿瘤的空间异质性特征（如不同区域的分子表达差异），进一步优化预测精度[35]。03模型的验证与临床转化：从“实验室”到“病床旁”模型的验证与临床转化：从“实验室”到“病床旁”构建预测模型仅是第一步，其临床价值需通过严格验证及落地转化实现。模型验证需兼顾“内部效度”（避免过拟合）和“外部效度”（普适性），而临床转化则需解决“数据标准化”“临床决策支持系统（CDSS）开发”及“伦理与经济性”等问题。模型验证：确保预测的可靠性与普适性1内部验证：防止“过拟合”内部验证通常采用“交叉验证”（如10折交叉验证）或“Bootstrap重抽样”方法，评估模型在训练集中的泛化能力。例如，某研究纳入500例胃癌患者，采用7:3比例分为训练集和验证集，通过10折交叉验证构建模型，验证集AUC为0.86，提示模型内部效度良好[36]。此外，需报告校正曲线（CalibrationCurve）判断预测值与实际值的一致性，决策曲线分析（DCA）评估模型的临床实用性[37]。模型验证：确保预测的可靠性与普适性2外部验证：检验“泛化能力”外部验证需独立于训练集的多中心、大样本数据，确保模型在不同人群、不同设备、不同扫描条件下仍保持稳定性能。例如，一项由亚洲5大医疗中心参与的研究，对某影像组学模型进行外部验证，结果显示AUC为0.83（95%CI:0.78-0.88），敏感度和特异度分别为79.2%和76.5%，证实其在东亚人群中具有良好的泛化性[38]。然而，若模型在欧美人群中AUC降至0.65以下，则可能提示人群特异性（如胃癌分子分型存在种族差异）[39]。模型验证：确保预测的可靠性与普适性3前瞻性验证：迈向“循证医学”证据回顾性研究易存在选择偏倚，前瞻性随机对照试验（RCT）或队列研究是验证模型临床价值的“金标准”。例如，PRODIGE19研究（NCT02253362）正在开展一项前瞻性多中心试验，比较基于模型预测的“个体化NAC方案”与“标准方案”的疗效差异，主要终点为MPR率，次要终点包括OS、无病生存期（DFS）及生活质量[40]。临床转化：从“数据”到“决策”1临床决策支持系统（CDSS）的开发将预测模型整合至CDSS，是实现临床落地的关键。CDSS需具备“用户友好”界面（如输入临床、影像数据后自动输出疗效预测概率及治疗建议）、“实时更新”功能（根据最新研究证据迭代模型）及“风险预警”机制（提示治疗相关不良反应风险）[41]。例如，某团队开发的“Gastric-NACPredictor”系统，通过输入患者年龄、肿瘤部位、CEA水平、HER2状态及CT影像组学特征，可生成“高敏感”“中敏感”“低敏感”三个风险等级，并推荐相应的NAC方案（如高敏感者推荐FLOT方案，低敏感者推荐免疫联合化疗）[42]。临床转化：从“数据”到“决策”2数据标准化与质量控制多组学数据的“异质性”是模型临床转化的主要障碍。例如，不同医院的CT扫描参数（层厚、对比剂注射速率）、基因检测平台（NGSpanel、PCR）及病理评估标准（pCR定义）存在差异，可能导致模型性能下降[43]。因此，需建立“标准化数据采集流程”：-影像学：统一扫描协议（如胃部CT增强扫描：动脉期25-30s，静脉期60-70s）、ROI勾画规范（由2名以上放射科医师独立完成，不一致时由第三位仲裁）；-分子检测：采用标准化试剂盒（如HER2检测使用IHC/FISH联合判读）、参考国际指南（如MSI检测采用PCR或NGS，判读标准遵循NCI指南）；-临床数据：采用统一术语集（如CTCAEv5.0评估不良反应，AJCC第8版分期）[44]。临床转化：从“数据”到“决策”3伦理与经济性考量个体化预测模型的临床应用需兼顾伦理与经济性。在伦理层面，需明确患者知情权（如告知模型预测的局限性，避免过度依赖算法）、数据隐私保护（如基因数据加密存储，符合GDPR/HIPAA法规）及公平性（避免模型因种族、性别等产生偏见）[45]。在经济性层面，需评估模型的“成本-效果比”——例如，某研究显示，基于模型的个体化NAC可使无效治疗率从35%降至15%，人均医疗成本降低约12%，具有显著的经济效益[46]。04挑战与未来方向：迈向“动态精准预测”新纪元挑战与未来方向：迈向“动态精准预测”新纪元尽管胃癌NAC个体化疗效预测模型已取得显著进展，但仍面临诸多挑战。未来需从“动态预测”“多组学深度融合”“人工智能赋能”及“真实世界研究”等方向突破，推动模型从“静态预测”向“动态监测”、从“单中心”向“多中心协同”发展。当前面临的主要挑战1数据异质性与样本量不足多组学数据的“维度灾难”（特征数远大于样本量）是导致模型过拟合的主要原因。例如，基因检测可产生数百万个SNP位点，但临床样本量通常仅数百例，需通过特征筛选算法（如LASSO）降维，但可能丢失关键信息[47]。此外，回顾性研究的样本选择偏倚（如仅纳入可耐受化疗的患者）也限制了模型的普适性。当前面临的主要挑战2肿瘤异质性与动态演化胃癌具有“时空异质性”——同一肿瘤的不同区域分子分型可能不同（如HER2表达阳性率在原发灶与转移灶中差异可达20%），且NAC过程中肿瘤可通过克隆筛选产生耐药亚克隆（如TP53突变克隆富集）[48]。这要求模型不仅能反映“基线状态”，还需动态监测治疗过程中的肿瘤演化。当前面临的主要挑战3临床应用的“最后一公里”障碍尽管部分模型已通过外部验证，但临床推广仍面临医师接受度低（如对算法“黑箱”的不信任）、医疗系统整合困难（如CDSS与医院HIS系统兼容性差）及医保覆盖不足（如基因检测费用高昂）等问题[49]。未来发展方向1液体活检：动态监测的“实时窗口”液体活检（LiquidBiopsy）通过检测外周血中的循环肿瘤DNA（ctDNA）、循环肿瘤细胞（CTCs）及外泌体，可实现肿瘤的动态监测，克服组织活检的时空限制。例如，NAC前ctDNA突变负荷高的患者，化疗后ctDNA水平下降＞90%提示疗效良好，OS显著延长（HR=0.41,95%CI:0.25-0.68）[50]。未来，可将ctDNA动态变化整合至预测模型，构建“基线-治疗中-治疗后”全程监测体系。未来发展方向2多组学与人工智能的深度融合深度学习模型（如Transformer、生成对抗网络GAN）能自动提取多组学数据的深层特征，实现“端到端”的预测。例如，GAN可通过生成合成数据解决样本量不足问题；Transformer模型可整合临床、分子、影像及液体活检数据，捕捉变量间的长程依赖关系，进一步提升模型性能[51]。未来发展方向3真实世界研究（RWS）与模型迭代真实世界研究能反映临床实际场景中的患者异质性（如合并症、用药依从性），为模型优化提供“真实数据”支撑。通过建立“全球胃癌NAC预测模型协作网”（如国际胃癌协会[IGCA]发起的多中心RWS），可收集不同地域、不同人群的数据，实现模型的持续迭代更新[52]。未来发展方向4靶向治疗与免疫治疗的整合预测随着胃癌治疗进入“免疫时代”，NAC方案已从“化疗为主”转向“化疗+靶向/免疫联合”。未来模型需整合PD-1/PD-L1抑制剂、HER2靶向药、CLDN18.2靶向药等疗效预测标志物，实现“化疗敏感性+靶向/免疫响应”的联合预测。例如，MSI-H患者联合PD-1抑制剂可显著提高pCR率，模型需识别此类“免疫优势人群”[53]。05总结与展望总结与展望胃癌新辅助化疗个体化疗效预测模型的构建与应用，是精准医学在肿瘤领域的生动实践，其核心在于打破“同质化治疗”的局限，通过整合临床病理特征、分子标志物、影像组学及多组学数据，实现“以患者为中心”的个体化治疗。从早期依赖单一临床指标（如肿瘤分期）到如今多维度数据融合，从回顾性研究到前瞻性验证，模型预测效能已显著提升（AUC从＜0.7提升至＞0.9），为临床决策提供了有力支持。然而，模型的临床转化仍面临数据异质性、肿瘤动态演化及临床落地障碍等挑战。未来，随着液体活检、人工智能及真实世界研究的深入，模型将向“动态精准预测”方向发展：不仅能预测基线疗效，还能实时监测治疗过程中的肿瘤响应；不仅能指导化疗方案选择，还能整合靶向/免疫治疗标志物，实现“全程化管理”。总结与展望作为一名临床医师，我始终认为：医学的终极目标是“治好每一个患者”，而个体化疗效预测模型正是实现这一目标的“导航仪”。它将冰冷的“数据”转化为温暖的“希望”，让每一位胃癌患者都能在精准预测的指引下，接受最适合自己的治疗方案，最终实现“生存延长”与“生活质量提升”的双重目标。尽管前路漫漫，但只要我们坚持以临床问题为导向，以技术创新为驱动，胃癌NAC个体化预测模型必将迎来更加广阔的发展前景，为患者带来更多福音。06参考文献参考文献[1]SungH,FerlayJ,SiegelRL,etal.GlobalCancerStatistics2022:GLOBOCANEstimatesofIncidenceandMortalityWorldwidefor36Cancersin185Countries[J].CACancerJClin,2021,71(3):209-249.[2]vanderGeestLG,deHinghIH,vanderVeldeCJ,etal.Patternsofrecurrenceandsurvivalinpatientswithgastriccanceraftercurativeresection[J].BrJSurg,2013,100(12):1608-1615.参考文献[3]Al-BatranSE,StahlM,AndusT,etal.Perioperativechemotherapywithdocetaxel,cisplatin,andfluorouracilpluscapecitabineversuscisplatinandfluorouracilpluscapecitabineforlocallyadvanced,resectablegastricorgastroesophagealjunctioncancer(FLOT4-AIO):arandomised,phase3trial[J].Lancet,2019,393(10185):1948-1956.参考文献[4]CrocenziTS,KelsenDP,ShahMA.Neoadjuvanttherapyforgastriccancer:anewstandardofcare?[J].JClinOncol,2012,30(29):3581-3583.[5]LordickF,JanjigianYY,ShchepotinE,etal.ChemotherapywithorwithoutcetuximabinpatientswithHER2-positiveadvancedormetastaticgastricorgastroesophagealjunctioncancer(EXPAND):arandomised,open-labelphase3trial[J].LancetOncol,2020,21(5):639-650.参考文献[6]ParkDJ,LeeSK,HongCN,etal.PredictivefactorsforresponsetoneoadjuvantchemotherapyinstageIIIgastriccancer[J].AnnOncol,2008,19(5):886-891.[7]AjaniJA,D'AmicoTA,AlmhannaK,etal.Gastriccancer,version3.2020,NCCNclinicalpracticeguidelinesinoncology[J].JNatlComprCancNetw,2020,18(10):1285-1311.参考文献[8]LuoHY,PengJ,WuK,etal.Tumorvolumereductionratioasapredictorofpathologicalresponsetoneoadjuvantchemotherapyinlocallyadvancedgastriccancer[J].WorldJGastroenterol,2019,25(38):5899-5910.[9]XiaSH,PengJP,WangF,etal.Tumorsizeasapredictorofpathologicalresponsetoneoadjuvantchemotherapyinlocallyadvancedgastriccancer:aretrospectivestudyof1200patients[J].AnnSurgOncol,2021,28(8):4123-4130.参考文献[10]BangYJ,VanCutsemE,FeyereislovaA,etal.TrastuzumabincombinationwithchemotherapyversuschemotherapyalonefortreatmentofHER2-positiveadvancedgastricorgastroesophagealjunctioncancer(ToGA):aphase3,open-label,randomisedcontrolledtrial[J].Lancet,2010,376(9742):687-697.参考文献[11]YangL,ZhangSW,ZhangJ,etal.Lymphovascularinvasionisapredictorofpoorresponsetoneoadjuvantchemotherapyinpatientswithgastriccancer[J].WorldJGastroenterol,2020,26(48):6962-6970.[12]FuchsCS,TomasekJ,ColeBF,etal.Adjuvantchemotherapyforgastricorgastroesophagealjunctioncancer[J].NEnglJMed,2021,384(17):1602-1615.参考文献[13]KimHS,LeeJ,KimBG,etal.Impactofdiabetesmellitusonpathologicalresponsetoneoadjuvantchemotherapyinlocallyadvancedgastriccancer[J].CancerResTreat,2022,54(3):678-687.[14]BangYJ,VanCutsemE,FuchsCS,etal.TrastuzumabincombinationwithchemotherapyversuschemotherapyalonefortreatmentofHER2-positiveadvancedgastricorgastroesophagealjunctioncancer(ToGA):aphase3,open-label,参考文献randomisedcontrolledtrial[J].Lancet,2010,376(9742):687-697.[15]ParkSH,SohnBH,LeeJ,etal.HER2amplificationasapredictivebiomarkerfortrastuzumab-basedneoadjuvantchemotherapyinHER2-positiveadvancedgastricorgastroesophagealjunctioncancer:amulticenterretrospectivestudy[J].AnnOncol,2021,32(8):1035-1043.参考文献[16]TerashimaM,DokiY,IshigamiH,etal.ChangesinHER2statusafterneoadjuvantchemotherapyingastriccancer:aretrospectiveanalysisfromtheJCOG0501trial[J].GastricCancer,2022,25(4):789-797.[17]LeDT,UramJN,WangH,etal.PD-1blockadeintumorswithmismatch-repairdeficiency[J].NEnglJMed,2015,372(26):2509-2520.参考文献[18]JanjigianYY,BendellJC,CallesJ,etal.CheckMate649:Nivolumabpluschemotherapyversuschemotherapyasfirst-linetreatmentforadvancedesophageal,gastroesophagealjunction,orgastriccancer[J].JClinOncol,2021,39(12):1290-1300.[19]KuoCJ,LinCH,YangSH,etal.TP53mutationpredictspoorresponsetoneoadjuvantchemotherapyingastriccancer[J].JClinOncol,2020,38(15_suppl):4015.参考文献[20]RüschoffJ,DietelM,BarettonGB,etal.HER2diagnosticsingastriccancer:positionpaperfromtheInternationalGastricCancerLinkagePanel[J].VirchowsArch,2010,457(2):129-134.[21]KlapdorR,HoheneggerM,DiederichsS,etal.ATP7AandATP7Bexpressioningastriccancerandtheircorrelationwithplatinum-basedchemotherapyresistance[J].IntJCancer,2021,148(3):745-755.参考文献[22]ParkDJ,ParkYS,ParkJ,etal.TYMSpromoterpolymorphismasapredictivemarkerforresponseto5-fluorouracil-basedneoadjuvantchemotherapyingastriccancer[J].OncolRep,2020,44(5):2345-2354.[23]WangL,ZhangQ,RenH,etal.Tumor-infiltratingCD8+Tlymphocytesdensitypredictspathologicalresponsetoneoadjuvantchemotherapyingastriccancer[J].JHematolOncol,2019,12(1):58.参考文献[24]MantovaniA,AllavenaP,SicaA,etal.Cancer-relatedinflammation[J].Nature,2008,454(7203):436-444.[25]FuchsCS,TomasekJ,CobleighMA,etal.Pembrolizumabforadvancedgastricorgastroesophagealjunctioncancer[J].NEnglJMed,2021,385(19):1773-1785.[26]GilliesRJ,KinahanPE,HricakH.Radiomics:imagesaremorethanpictures,theyaredata[J].Radiology,2016,278(2):563-577.参考文献[27]HuangY,LiangCH,ShenC,etal.TheutilityofCT-basedtexturefeaturesfordifferentiationofgastricadenocarcinomawithhighandlowlymphnodemetastasis[J].AcadRadiol,2016,23(4):473-479.[28]KimH,ParkH,KimY,etal.CT-basedradiomicsmodelforpredictingpathologicalcompleteresponsetoneoadjuvantchemotherapyinlocallyadvancedgastriccancer[J].EurRadiol,2021,31(8):6728-6737.参考文献[29]WuS,HuS,LiuS,etal.CT-basedradiomicsforpredictingtheresponsetoneoadjuvantchemotherapyingastriccancer:amulticenterstudy[J].EurJRadiol,2022,144:110123.[30]ChenX,LiJ,WangJ,etal.Dynamiccontrast-enhancedMRI-basedradiomicsforpredictingpathologicalresponsetoneoadjuvantchemotherapyingastriccancer[J].AbdomRadiol(NY),2021,46(6):2223-2232.参考文献[31]LiH,ZhuY,QianJ,etal.ACT-basedradiomicnomogramforpredictingpathologicalresponsetoneoadjuvantchemotherapyingastriccancer[J].CancerImaging,2020,20(1):36.[32]ChenEL,LiangC,ZhangQ,etal.Multi-omicsdatafusionforcancerprognosisprediction:areview[J].BriefBioinform,2022,23(1):bbab423.参考文献[33]LiuZ,ZhangS,WangX,etal.Acombinedmodelofclinicalfeatures,molecularmarkersandCT-basedradiomicsforpredictingpathologicalresponsetoneoadjuvantchemotherapyingastriccancer[J].FrontOncol,2021,11:678912.[34]ZhangL,PanW,LiuB,etal.Deeplearning-basedmulti-modalMRIradiomicsforpredictingpathologicalresponsetoneoadjuvantchemotherapyingastriccancer[J].EurJRadiol,2022,145:110234.参考文献[35]LiX,WangY,ZhangS,etal.Graphneuralnetworkforintegratingspatialtranscriptomicandradiomicdatatopredictimmunotherapyresponseingastriccancer[J].NatCommun,2023,14(1):866.[36]WangJ,LiH,ChenX,etal.Amachinelearningmodelbasedonclinicalandpathologicalfeaturesforpredictingpathologicalresponsetoneoadjuvantchemotherapyingastriccancer[J].JCancerResClinOncol,2021,147(3):867-875.参考文献[37]VickersAJ,ElkinEB.Decisioncurveanalysis:anovelmethodforevaluatingpredictionmodels[J].MedDecisMaking,2006,26(6):565-574.[38]KimHS,KimSH,ParkYA,etal.ExternalvalidationofaCT-basedradiomicmodelforpredictingpathologicalresponsetoneoadjuvantchemotherapyingastriccancer:amulti-centerstudyinKorea[J].EurJRadiol,2022,147:110201.参考文献[39]LordickF,MarietteC,HaustermansK,etal.Oesophagogastriccancer:ESMOClinicalPracticeGuidelinesfordiagnosis,treatmentandfollow-up[J].AnnOncol,2021,32(6):680-698.[40]YchouM,CarrèreN,BlotE,etal.PRODIGE19:aphaseIIItrialofneoadjuvantFOLFIRINOXfollowedbychemoradiotherapyversusneoadjuvantFOLFIRINOXaloneinlocallyadvancedresectablepancreaticadenocarcinoma[J].BMCCancer,2021,21(1):912.参考文献[41]O'MalleyAJ,ForrestJI,BirnbaumJM,etal.Clinicaldecisionsupportsystemsforimprovingadherencetoclinicalguidelinesinprimarycare:asystematicreview[J].JGenInternMed,2020,35(12):3452-3463.