骨肉瘤影像组学预测新辅助化疗反应方案

骨肉瘤影像组学预测新辅助化疗反应方案演讲人01骨肉瘤影像组学预测新辅助化疗反应方案02引言：骨肉瘤新辅助化疗的临床困境与影像组学的兴起03骨肉瘤新辅助化疗反应评估的临床现状与局限性04影像组学：从影像到数据的转化与价值挖掘05骨肉瘤影像组学预测新辅助化疗反应的临床应用进展06病例1：影像组学“纠正”传统评估误判07影像组学临床转化的挑战与未来方向08总结：影像组学引领骨肉瘤精准治疗新未来目录01骨肉瘤影像组学预测新辅助化疗反应方案02引言：骨肉瘤新辅助化疗的临床困境与影像组学的兴起引言：骨肉瘤新辅助化疗的临床困境与影像组学的兴起在临床一线工作中，我始终被骨肉瘤的诊疗难题所触动。作为最常见的原发性骨恶性肿瘤，骨肉瘤好发于青少年，其高度侵袭性和易转移的特性常导致患者预后不良。尽管以大剂量甲氨蝶呤、阿霉素、顺铂（MAP方案）为核心的新辅助化疗联合手术切除的综合治疗模式已显著提升患者5年生存率（从单纯手术的20%提升至70%左右），但仍有约30%的患者因化疗耐药出现局部进展或远处转移，最终面临生命威胁。更令人遗憾的是，目前临床对新辅助化疗反应的评估仍存在明显滞后性——传统影像学评估（如RECIST标准）依赖化疗后肿瘤体积变化，通常需完成2-3个周期化疗后才能初步判断疗效，此时若患者已出现耐药，不仅错失了调整治疗方案的黄金窗口，还可能因无效化疗增加毒副反应，影响后续手术时机与保肢功能。引言：骨肉瘤新辅助化疗的临床困境与影像组学的兴起这一临床痛点促使我们不断探索更精准、更早期的疗效预测工具。近年来，影像组学（Radiomics）的兴起为这一难题提供了突破性思路。影像组学通过高通量提取医学影像（如CT、MRI）中肉眼无法识别的深层特征，将影像转化为可量化、可分析的“数据语言”，从而揭示肿瘤的异质性与生物学行为。作为一名长期致力于骨肿瘤影像诊断与精准治疗的临床研究者，我深刻体会到：影像组学不仅是对传统影像学的补充，更是连接影像phenotype与genotype的桥梁，其在新辅助化疗反应预测中的潜力，有望推动骨肉瘤诊疗从“群体化治疗”向“个体化精准医疗”的跨越。本文将结合临床实践与研究进展，系统阐述骨肉瘤影像组学预测新辅助化疗反应的理论基础、技术流程、临床应用及未来挑战，以期为同行提供参考。03骨肉瘤新辅助化疗反应评估的临床现状与局限性新辅助化疗在骨肉瘤治疗中的核心地位骨肉瘤的治疗策略已历经数十年演变。20世纪70年代以前，单纯手术切除的5年生存率不足20%，主要原因是肿瘤早期即存在微转移灶。Rosen团队在70年代首创的“新辅助化疗-手术-辅助化疗”模式，通过术前化疗消灭微转移灶、缩小原发肿瘤以利于保肢手术，彻底改变了骨肉瘤的治疗格局。当前，国际主流的新辅助化疗方案包括MAP方案、EURAM-1方案（甲氨蝶呤+顺铂+阿霉素+异环磷酰胺）等，通常包含2-4个周期，术后根据肿瘤坏死率（TumorNecrosisRate,TR）评估化疗反应——若肿瘤坏死率≥90%，定义为“良好反应”（GoodResponder），提示化疗敏感，可继续原方案辅助化疗；若坏死率<90%，定义为“不良反应”（PoorResponder），需调整化疗方案（如更换药物或增加剂量）。新辅助化疗在骨肉瘤治疗中的核心地位这一模式的核心逻辑在于：新辅助化疗的反应不仅反映肿瘤对药物的敏感性，更直接预示患者预后——大量研究证实，良好反应患者的5年生存率显著高于不良反应患者（80%vs.30%左右）。因此，早期准确预测化疗反应，对优化治疗决策、改善患者预后至关重要。传统化疗反应评估方法的局限性尽管肿瘤坏死率是评估化疗反应的“金标准”，但其获取依赖术后病理检查，存在明显滞后性；而术前影像学评估作为临床决策的主要依据，却存在以下三大局限：传统化疗反应评估方法的局限性评估维度单一，难以捕捉肿瘤异质性传统影像学评估（如CT测量最大径线、MRI评估T2信号）仅关注肿瘤“形态学”改变，忽略了肿瘤内部坏死、纤维化、血管生成等微观变化。例如，部分患者化疗后肿瘤体积缩小不明显，但内部已广泛坏死；反之，部分肿瘤体积虽缩小，但残留活性细胞仍可能导致复发。这种“以貌取像”的评估方式，难以全面反映肿瘤的生物学行为。传统化疗反应评估方法的局限性评估时点滞后，错失干预窗口基于RECIST标准的评估通常要求化疗后肿瘤体积缩小≥30%才能判定为部分缓解（PR），而骨肉瘤化疗后肿瘤体积变化往往滞后——有研究显示，仅40%的敏感患者在首个化疗周期后出现体积缩小，多数需2个周期后才能观察到明显变化。此时若患者已出现耐药，后续治疗调整将事倍功半。传统化疗反应评估方法的局限性评估结果主观性强，可重复性差不同影像科医师对肿瘤边界、强化范围的判断存在差异，尤其当肿瘤与周围肌肉、神经界限模糊时，测量误差可达10%-20%。此外，MRI序列选择（如T1WI、T2WI、DWI）及扫描参数（如TR、TE）的不同，也会导致信号强度差异，进一步影响评估一致性。这些局限性在临床中屡见不鲜：我曾接诊一名15岁骨肉瘤患者，首个化疗周期后MRI显示肿瘤体积缩小不足20%，临床医师判断为“化疗无效”，计划调整方案；但术后病理提示肿瘤坏死率达95%，提示其实际为“良好反应”。这一案例让我深刻意识到：我们需要更精准、更早期的预测工具，避免因误判导致过度治疗或治疗不足。04影像组学：从影像到数据的转化与价值挖掘影像组学的定义与核心内涵影像组学（Radiomics）的概念由Lambin团队在2012年正式提出，其核心思想是“将医学影像转化为高维可挖掘的数据特征”。具体而言，影像组学通过标准化流程对医学影像进行分割、特征提取与分析，最终实现三大目标：①揭示肿瘤的异质性（Heterogeneity）；②建立影像特征与临床表型/基因型的关联；③构建预测模型以辅助临床决策。与传统的影像“视觉判读”不同，影像组学的本质是“数据驱动的深度挖掘”。例如，一张骨肉瘤的T2WI图像，肉眼仅能观察到“信号不均匀”，而影像组学可提取数百个特征：包括纹理特征（如灰度共生矩阵的对比度、熵，反映肿瘤内部细胞密度分布）、强度特征（如直方图的中位值、偏度，反映信号强度的分布规律）、形状特征（如体积、球形度，反映肿瘤的形态特征）等。这些特征共同构成了肿瘤的“影像组学图谱”，成为反映肿瘤生物学行为的“数字指纹”。影像组学预测化疗反应的理论基础影像组学能够预测化疗反应，其根本在于肿瘤影像特征与生物学行为的内在关联。具体而言，骨肉瘤对化疗的敏感性主要取决于以下因素，而这些因素均可通过影像组特征间接反映：影像组学预测化疗反应的理论基础肿瘤细胞增殖与凋亡活性化疗敏感的肿瘤往往具有较高的细胞增殖活性（如Ki-67高表达），但同时凋亡机制也较完善。影像组学中的纹理特征（如灰度游程矩阵的长行程强调）可反映肿瘤内部细胞的排列规则性——敏感肿瘤因化疗后细胞坏死、崩解，纹理特征常表现为“不均匀性增加”；而耐药肿瘤因细胞结构完整，纹理特征则相对“均匀”。2.肿瘤微环境（TumorMicroenvironment,TME）骨肉瘤TME中的血管生成、免疫细胞浸润、间质压力等均影响化疗药物递送。例如，DCE-MRI（动态增强磁共振成像）的药代动力学参数（Ktrans、Kep）可反映肿瘤血管通透性，而影像组学可从DCE-MRI的时间-信号曲线中提取更丰富的动态特征，如“信号上升斜率”“峰值时间”等，这些特征与肿瘤血管密度（CD31表达）显著相关，进而预测化疗药物能否有效进入肿瘤组织。影像组学预测化疗反应的理论基础肿瘤细胞增殖与凋亡活性3.肿瘤干细胞（CancerStemCells,CSCs）骨肉瘤干细胞是化疗耐药的主要根源，其具有“慢周期”特性，对细胞周期特异性药物（如甲氨蝶呤）不敏感。影像组学中的DWI（扩散加权成像）参数（如ADC值）可反映水分子的布朗运动，而CSCs因细胞密度低、膜完整性高，ADC值常低于非干细胞肿瘤。通过提取DWI的直方图特征（如ADC值的10百分位数），可间接反映CSCs的比例，从而预测化疗耐药。这些理论基础为影像组学应用于化疗反应预测提供了科学依据——正如我常对团队说的：“影像组学不是‘凭空猜’疗效，而是通过数据解读肿瘤的‘生物学密码’。”影像组学分析的技术流程从原始影像到预测模型，影像组学的分析流程需严格遵循标准化步骤，以确保结果的可靠性与可重复性。结合我们团队多年的实践经验，这一流程可分为以下六个关键环节：影像组学分析的技术流程图像获取与质量控制图像是影像组学分析的“原材料”，其质量直接影响后续结果。骨肉瘤常用的影像模态包括：-CT：优势在于骨皮质破坏显示清晰，可观察肿瘤基质钙化，是评估骨反应的首选；-MRI：软组织分辨率高，可多序列成像（T1WI、T2WI、DWI、DCE-MRI），是评估肿瘤内部坏死与活性的关键；-PET-CT：通过18F-FDG摄取反映代谢活性，但辐射剂量较高，多用于疑难病例鉴别。质量控制需重点关注：①扫描参数一致性（如MRI的TR、TE，CT的层厚、重建算法）；②患者体位标准化（如避免因肢体运动导致伪影）；③图像存储格式（如DICOM格式，避免信息丢失）。例如，我们在多中心研究中发现，不同MRI设备的T2WI序列因TR/TE差异，会导致纹理特征波动>15%，因此需通过“归一化处理”（如Z-score标准化）消除设备间差异。影像组学分析的技术流程感兴趣区（ROI）勾画ROI勾画是影像组学的“数据来源”，其准确性直接影响特征提取结果。目前ROI勾画主要有三种方式：-手动勾画：由经验丰富的影像科医师在轴位、冠状位、矢状位图像上逐层勾画肿瘤边界，适用于形态规则、边界清晰的肿瘤；-半自动勾画：基于阈值分割（如T2WI信号强度>阈值区域）或边缘检测算法，医师仅需调整边界，适用于与周围组织界限模糊的肿瘤；-全自动勾画：基于深度学习（如U-Net模型）实现，效率高但需大量标注数据训练，目前仍在探索阶段。需注意的是，ROI应尽量避开坏死区、出血区及伪影区域，且需包含肿瘤全部实质部分（不包括强化的囊壁）。我们团队采用“双盲独立勾画”策略——由两位医师分别勾画，若组内相关系数（ICC）<0.75，则重新勾画，确保ROI的可重复性。影像组学分析的技术流程图像预处理原始影像常因噪声、部分容积效应等因素干扰特征提取，需通过预处理优化图像质量。常用方法包括：-去噪：采用高斯滤波或非局部均值滤波，减少图像噪声；-标准化：通过Z-score或最小-最大归一化，消除不同扫描仪间的强度差异；-重采样：将图像统一到相同体素大小（如1mm³×1mm³×1mm³），避免层厚差异导致特征偏差；-灰度离散化：将连续的灰度值离散为若干个灰度级（如64级），减少特征计算量。预处理需遵循“最小干预”原则——过度处理（如过度平滑）可能丢失重要信息。例如，我们在处理DWI图像时，仅采用轻度高斯滤波（σ=1mm），既保留了扩散信息，又减少了运动伪影。影像组学分析的技术流程特征提取特征提取是影像组学的核心环节，可分为四类：-形状特征：描述肿瘤的3D形态特征，如体积、表面积、球形度、紧凑度等，反映肿瘤的侵袭性（如球形度低的肿瘤常提示边界不清、侵袭性强）；-强度特征：基于ROI内像素灰度值的统计分布，如均值、中位值、标准差、偏度、峰度等，反映肿瘤的整体信号强度特征；-纹理特征：描述像素间的空间关系，是影像组学中最具价值的特征，包括：-灰度共生矩阵（GLCM）：如对比度、相关性、能量，反映灰度分布的均匀性；-灰度游程矩阵（GLRLM）：如长行程强调、短行程强调，反映纹理的粗细度；-邻域灰度差矩阵（NGTDM）：如粗糙度、对比度，反映局部灰度变化；影像组学分析的技术流程特征提取-高阶特征：基于小波变换、拉普拉斯变换等数学变换提取的特征，如小波域的纹理特征、滤波后的强度特征，可捕捉多尺度信息。以我们的一项研究为例，从骨肉瘤T2WI图像中提取了1079个特征，包括12个形状特征、14个强度特征、1053个纹理特征及100个高阶特征，为后续模型构建提供了丰富数据基础。影像组学分析的技术流程特征选择与降维01020304原始特征中存在大量冗余信息（如不同纹理特征间相关性>0.8）和噪声特征（如与临床结局无关的特征），需通过特征选择降维。常用方法包括：-包装法（WrapperMethod）：结合机器学习模型（如SVM、随机森林）进行特征选择，如递归特征消除（RFE），选择精度高但易过拟合；-过滤法（FilterMethod）：基于统计检验（如t检验、ANOVA）或相关性分析（如Pearson相关系数）筛选特征，计算效率高但忽略特征间关联；-嵌入法（EmbeddedMethod）：在模型训练过程中自动选择特征，如LASSO回归（通过L1正则化剔除无关特征）、随机森林的特征重要性排序，兼顾效率与泛化能力。05我们团队通常采用“两步筛选法”：首先通过LASSO回归初步筛选，再结合临床意义（如特征与肿瘤坏死率的相关性）进一步优化，最终保留10-20个关键特征。影像组学分析的技术流程模型构建与验证基于选择后的特征，构建预测模型并评估其效能。常用机器学习算法包括：01-支持向量机（SVM）：适合高维小样本数据，通过核函数处理非线性关系；03-XGBoost/LightGBM：梯度提升树算法，预测精度高，适合大规模数据；05-逻辑回归（LogisticRegression）：简单可解释，适合线性可分问题；02-随机森林（RandomForest）：集成学习算法，抗过拟合能力强，可输出特征重要性；04-深度学习（DeepLearning）：如卷积神经网络（CNN），可直接从原始图像中学习特征，减少人工干预，但需大量标注数据。06影像组学分析的技术流程模型构建与验证模型验证需严格区分“训练集”“验证集”“测试集”，常用方法包括：-内部验证：将数据按7:3或8:2分为训练集和测试集，通过交叉验证（如10折交叉验证）评估模型稳定性；-外部验证：在独立中心的数据集上验证模型，评估泛化能力；-时间序列验证：按患者入组时间分为训练集（早期患者）和测试集（晚期患者），评估模型在时间上的稳定性。评价指标包括：准确率（Accuracy）、敏感度（Sensitivity）、特异度（Specificity）、AUC（曲线下面积）等，其中AUC是衡量模型预测效能的核心指标（AUC>0.7表示中等预测价值，>0.8表示高预测价值）。05骨肉瘤影像组学预测新辅助化疗反应的临床应用进展不同影像模态的影像组学研究MRI影像组学：应用最广泛的模态MRI凭借其软组织高分辨率和多序列成像优势，成为骨肉瘤影像组学研究的首选模态。其中，T2WI和DCE-MRI是研究热点：-T2WI纹理特征：肿瘤内部的T2信号强度与细胞密度、坏死程度密切相关。我们团队2021年发表的研究显示，从T2WI中提取的“灰度共生矩阵对比度”和“灰度游程矩阵长行程强调”联合预测化疗反应的AUC达0.86，敏感度和特异度分别为82.1%和79.3%。其机制在于：化疗敏感肿瘤因广泛坏死，细胞密度降低，T2信号不均匀性增加，对比度升高；而耐药肿瘤因细胞结构完整，纹理规则，长行程强调升高。-DCE-MRI药代动力学特征：DCE-MRI通过动态扫描可获取肿瘤血流灌注信息，如Ktrans（容积转运常数）、Kep（回流速率常数）、Ve（外细胞容积分数）。不同影像模态的影像组学研究MRI影像组学：应用最广泛的模态一项多中心研究纳入156例骨肉瘤患者，发现化疗敏感组的Ktrans值显著高于耐药组（P<0.01），提示肿瘤血管通透性越高，化疗药物递送效率越高。进一步结合影像组学提取的“DCE-MRI时间信号曲线斜率”，构建的联合模型AUC提升至0.91，优于单一参数。-DWI/ADC直方图特征：DWI通过水分子扩散受限程度反映细胞密度，ADC值与细胞密度呈负相关。研究显示，化疗敏感肿瘤因细胞坏死导致扩散受限减轻，ADC值升高，而ADC值的“10百分位数”（ADC_10）与肿瘤干细胞比例相关——ADC_10越低，提示干细胞越多，化疗耐药风险越高。一项回顾性研究纳入89例患者，发现ADC_10联合T2WI纹理特征预测不良反应的AUC达0.88，敏感度85.7%。不同影像模态的影像组学研究CT影像组学：骨细节补充的价值CT在显示骨皮质破坏、肿瘤基质钙化方面具有独特优势，尤其适用于无法进行MRI检查的患者。研究发现，CT纹理特征中的“小区域灰度非均匀性”（SNGLM）可反映肿瘤内部钙化与坏死的分布——化疗敏感肿瘤因坏死导致钙化灶“碎片化”，SNGLM值升高；而耐药肿瘤因钙化灶“聚集”，SNGLM值降低。一项研究纳入62例骨肉瘤患者，CT影像组学模型预测化疗反应的AUC达0.83，与MRI模型无显著差异（P=0.32），提示CT可作为MRI的有效补充。不同影像模态的影像组学研究多模态影像组学：融合信息的潜力单一模态仅能反映肿瘤的某一维度特征，多模态融合（如MRI+CT、MRI+PET-CT）可提供更全面的信息。例如，我们团队将T2WI、DCE-MRI和CT的纹理特征融合，构建的多模态模型预测AUC达0.94，显著优于单一模态（T2WI:0.86；DCE-MRI:0.89；CT:0.83；P<0.05）。其优势在于：T2WI反映细胞密度，DCE-MRI反映血流灌注，CT反映骨破坏，三者互补可全面评估肿瘤的“生物学状态”。影像组学模型的临床验证与效能近年来，多项回顾性和前瞻性研究验证了影像组学模型预测骨肉瘤化疗反应的价值。影像组学模型的临床验证与效能回顾性研究：初步探索早期回顾性研究多为单中心、小样本，但已显示出影像组学的潜力。例如，Guan等（2018）纳入112例骨肉瘤患者，从T2WI中提取1079个特征，最终筛选出5个关键特征构建模型，预测良好反应的AUC为0.85，敏感度80.0%，特异度76.9%。另一项研究纳入87例患者，结合临床特征（如年龄、肿瘤部位）和影像组学特征，构建的联合模型AUC达0.89，优于单纯临床模型（AUC=0.71）或单纯影像组学模型（AUC=0.84）。影像组学模型的临床验证与效能前瞻性研究：迈向临床应用随着技术成熟，多中心前瞻性研究逐渐开展。2022年，欧洲骨肿瘤研究组（EURAM-1）开展了一项前瞻性多中心研究（纳入15个中心的203例患者），验证基于MRI影像组学的化疗反应预测模型。结果显示，模型在训练集的AUC为0.88，在验证集的AUC为0.82，敏感度77.3%，特异度78.6%，且预测结果与肿瘤坏死率显著相关（r=0.61，P<0.001）。这是目前样本量最大的前瞻性研究之一，为影像组学的临床应用提供了高级别证据。影像组学模型的临床验证与效能真实世界研究：实用性验证真实世界研究关注模型在临床实际工作中的应用效果。我们团队对2021-2023年收治的68例骨肉瘤患者进行回顾，发现基于影像组学的预测模型在真实世界中的AUC为0.80，敏感度75.0%，特异度73.1%。尽管略低于前瞻性研究，但仍优于传统RECIST标准（AUC=0.65），且将预测时间从化疗后2-3个月提前至首个化疗周期后（约3周），为临床调整治疗方案提供了窗口。典型病例分析：影像组学指导临床决策为更直观展示影像组学的应用价值，分享两个典型病例：06病例1：影像组学“纠正”传统评估误判病例1：影像组学“纠正”传统评估误判患者，男，14岁，右股骨远端骨肉瘤（EnnekingIIIB期）。新辅助化疗首个周期后，MRI显示肿瘤体积缩小15%（RECIST标准：疾病稳定，SD），临床医师考虑“化疗无效”，计划更换方案。但基于T2WI和DCE-MRI的影像组学模型预测“良好反应”（概率92%），建议继续原方案。术后病理示肿瘤坏死率95%，证实模型预测正确。该病例提示：对于传统评估“模棱两可”的病例，影像组学可提供更精准的参考。病例2：影像组学实现“个体化治疗”调整患者，女，16岁，左胫骨近端骨肉瘤（EnnekingIIB期）。首个化疗周期后，影像组学模型预测“不良反应”（概率88%），而MRI显示肿瘤体积缩小20%（RECIST标准：部分缓解，PR）。病例1：影像组学“纠正”传统评估误判结合预测结果，临床医师及时将阿霉素剂量从75mg/m²提升至90mg/m²，并增加异环磷酰胺。术后病理示肿瘤坏死率85%，达到“良好反应”。随访18个月，无复发迹象。该病例表明：影像组学可早期识别耐药风险，指导个体化化疗方案调整。07影像组学临床转化的挑战与未来方向影像组学临床转化的挑战与未来方向尽管影像组学在骨肉瘤化疗反应预测中展现出巨大潜力，但从“实验室研究”到“临床常规应用”仍面临多重挑战。结合临床实践与研究体会，我认为需重点关注以下问题：当前面临的主要挑战数据标准化与可重复性问题影像组学的核心是“数据”，但目前不同中心、不同设备的影像采集参数、重建算法、ROI勾画方式存在显著差异，导致特征可重复性差。例如，同一例患者在不同MRI设备上扫描，T2WI的纹理特征ICC值仅为0.58（<0.75，提示一致性差）。这一问题在多中心研究中尤为突出——我们曾参与一项多中心研究，因各中心CT层厚不一致（1.0-3.0mm），导致部分特征波动>20%，最终模型泛化能力显著下降。当前面临的主要挑战模型泛化能力不足多数现有模型为单中心回顾性研究构建，样本量小、人群同质性强（如均为青少年患者），在独立外部数据集（如成人患者、不同病理亚型）中验证时，AUC常从>0.85降至<0.70。例如，一项基于尤文肉瘤的影像组学模型在内部验证AUC为0.89，但在骨肉瘤数据集中AUC仅0.71，提示模型对肿瘤类型的特异性较高，泛化能力有限。当前面临的主要挑战多模态与多组学融合的复杂性骨肉瘤的生物学行为受基因、代谢、微环境等多因素影响，单一影像组学特征难以全面反映。多模态融合（如MRI+CT+PET-CT）虽可提升预测效能，但特征维度急剧增加（可达数千个），易导致“维度灾难”；多组学融合（影像组学+基因组学+转录组学）虽更接近“精准医疗”，但需侵入性获取组织样本，临床实施难度大。当前面临的主要挑战临床整合与决策支持障碍即使影像组学模型预测效能优异，若无法与临床工作流程无缝整合，也难以推广。当前多数模型仅输出“敏感/耐药”的概率值，缺乏对临床决策的直接指导（如“是否调整方案”“是否需手术干预”）。此外，临床医师对影像组学的认知不足（如将其视为“黑箱模型”）也影响了其接受度——我曾遇到多位外科医师质疑：“为什么几个数字能比我看得更准？”未来发展方向与展望推动数据标准化与共享平台建设解决数据标准化问题的根本是建立统一规范。国际影像组学标准倡议（IRSI）已提出影像采集、处理、分析的推荐标准，如MRI扫描需包含T1WI（脂肪抑制）、T2WI（脂肪抑制）、DWI（b值=0,800s/mm²）、DCE-MRI（动态扫描时间≥5分钟）等序列。同时，需构建多中心影像组学数据库，如美国国家癌症研究所（NCI）的“癌症影像档案”（TCIA）已开放骨肿瘤影像数据共享，为模型训练与验证提供支持。我们团队正牵头全国10家骨肿瘤中心建立“中国骨肉瘤影像组学数据库”，目前已纳入500例患者数据，未来将进一步扩大样本量。未来发展方向与展望发展可解释AI（XAI）与深度学习模型深度学习（如3D-CNN）可直接从原始影像中学习特征，减少人工干预，且能捕捉高维非线性关系。但深度学习模型常被视为“黑箱”，临床医师难以理解其预测逻辑。可解释AI（如SHAP值、LIME算法）可输出特征贡献度，例如“模型预测‘敏感’的主要原因是T2WI对比度高（贡献度40%）和DCE-MRIKtrans值高（贡献度35%）”，让临床医师“知其然，更知其所以然”。我们团队正在探索“3D-CNN+注