人工智能时代实体瘤影像学评估的研究进展与挑战

人工智能时代实体瘤影像学评估的研究进展与挑战【摘要】实体瘤影像学评估在抗肿瘤新药研发与临床实践中均发挥着重要的定性与定量相结合的指导作用，而影像学评估标准随肿瘤类型与治疗方案的差异不断演变。本文旨在系统梳理从经典解剖学评估标准（如实体瘤疗效评价标准1.1版）、免疫疗效评价标准及实体瘤正电子发射断层成像疗效评价标准，向多模态影像技术与人工智能融合评估演变的脉络，并深入探讨人工智能背景下实体瘤影像学评估面临的挑战与未来方向，以期为临床精准诊疗与前沿研究提供参考。【关键词】人工智能；实体瘤；影像学评估；影像组学；多模态成像；疗效评估影像学作为实体瘤评估的金标准，正从单一解剖学测量向多模态智能分析转变［12］。传统解剖学评估标准如实体瘤疗效评价标准1.1版（responseevaluationcriteriainsolidtumors1.1，RECIST1.1），因过度依赖径线测量［3］，在评估免疫治疗疗效时难以识别假性进展，且无法量化代谢异质性，促使了引入未确认的疾病进展（immuneunconfirmedprogressivedisease，iUPD）概念的免疫疗效评价标准（immuneresponseevaluationcriteriainsolidtumors，iRECIST）［4］和基于18FFDG代谢参数的实体瘤正电子发射断层成像疗效评价标准（PETresponseevaluationcriteriainsolidtumors，PRECIST）［5］等标准的出现。多模态融合进一步提升了评估维度：结构成像（CT/MRI）［6］、功能成像如前列腺特异性膜抗原（prostatespecificmembraneantigen，PSMA）PETCT［7］及新兴的超极化¹³CMRI［8］、光子计数探测器CT（photoncountingdetectorCT，PCDCT）［9］等技术，在提供解剖细节、揭示分子特征及动态监测中发挥重要作用。人工智能（artificialintelligence，AI）为实体瘤的影像精准评估带来突破性进展，在肿瘤自动分割［10］、特征提取［11］、多模态数据融合［12］及疗效监测［13］中展现出巨大潜力，推动了实体瘤诊疗评估变革［1316］。本文旨在系统梳理上述进展，深入探讨AI融合下实体瘤影像评估面临的挑战与走向，以期为临床实践提供参考。一、实体瘤影像学评估标准的演变（一）经典RECIST1.1及其衍生评估标准1979年，WHO率先制订了实体瘤疗效评估标准，主张以最大长径与垂直径乘积测算肿瘤负荷，但存在计算繁琐，观察者变异度大等缺陷［14］。为克服上述缺陷，RECIST1.1标准应运而生，通过简化为单向长径测量确立新规范：靶病灶数量不超过5个，测量长径总和增加≥20%，判定为疾病进展。RECIST1.1广泛应用于临床试验与疗效评估。尽管学界曾尝试对其进行更新或替代，但尚未被广泛采纳［12］。为提高其边界预测准确性，Zhang等［15］开发了基于深度学习的交互式LiTS（livertumorsegmentation）方法，其中的RECIST标记传播网络（RMPNet），利用RECIST1.1标注增强对边界的预测能力。然而，单纯捕捉形态学边界难以弥补RECIST1.1忽视异质性的缺陷。因此，Zheng等［16］引入THRscore（tumorheterogeneityresponsescore）等工具，提升了肺腺癌分层与进展风险预测性能。RECIST1.1目前在临床中仍发挥重要作用，但因忽略肿瘤生长模式、密度（钙化、坏死等）改变及分泌能力等，在肝癌、脑胶质瘤等实体瘤中的疗效评估不够全面［3，17］。针对部分实体瘤治疗后密度减低但体积未缩小这一现象，Choi标准引入了CT值（HU）变化，弥补了形态学评估在胃肠道间质瘤等富血供实体瘤中的不足［18］。Herr等［19］的研究证实，RECIST1.1在胃肠胰神经内分泌肿瘤（GEPNETs）的放射性核素治疗评估中存在局限性，而分子评分等功能性标准在响应评估与无进展生存预测方面表现更优，Saal等［20］在转移性肾细胞癌的研究中也证实了类似观点。鉴于RECIST1.1的局限性，改良的RECIST（modifiedRECIST，mRECIST）标准被提出，其与RECIST1.1在治疗响应的分类上存在显著差异。Campani等［21］研究显示，同组接受免疫治疗的肝癌患者使用mRECIST判定的响应率（20.8%）高于RECIST1.1（9.6%），表明标准选择直接影响疗效结果的判定，进而对临床决策产生影响。此外，神经肿瘤疗效评价标准（RANO）、前列腺癌工作组第3版标准（PCWG3）、淋巴瘤卢加诺分类（Lugano）等体系，通过整合临床、影像及代谢指标，完善了复杂实体瘤的评估。（二）基于免疫治疗响应的iRECIST标准近年来，免疫治疗的应用日益广泛。iRECIST作为对RECIST1.1标准的修订，旨在解决免疫治疗中假性进展等特有响应模式带来的挑战［4］。其核心为引入了iUPD概念，即观察到符合RECIST1.1的进展征象时，先标记为iUPD，而非直接判定为治疗失败，体现了对免疫治疗的适应性调整［22］，结合iRECIST及其相关标准如mRECIST有助于做出更合理的临床决策。例如，一项针对接受免疫治疗的肝癌患者研究显示，仅根据mRECIST标准达到完全缓解（completeresponse，CR）的患者，即使根据RECIST1.1标准未达CR，其总生存期与术后病理缓解率也表现优异，这支持了临床中使用iRECIST/mRECIST的必要性，以避免过早终止治疗［23］。然而，以RECIST1.1为基础的评估体系（包括iRECIST）在早期评估中仍存在局限，如难以捕获与直径无关的行为特征，且存在评估滞后性［24］。在实体瘤负荷评估方面，Gong等［25］指出RECIST1.1评估靶病灶肿瘤负荷的结果可能与实际体积测量存在差异，易高估疾病进展并影响响应分类。（三）基于代谢的PRECIST标准随着功能影像技术的发展，基于PETCT代谢活性变化的PRECIST标准为疗效评估提供了功能学视角。PRECIST以¹⁸FFDGPETCT的最大标准摄取值（maximumstandardizeduptakevalue，SUVmax）为核心指标，通过量化¹⁸FFDGPETCT扫描中的代谢参数（如SUVmax、代谢肿瘤体积及病灶糖酵解总量），实现了临床实践间的统一比较。PRECIST确立了完全代谢缓解、部分代谢缓解、代谢稳定及代谢进展的标准化分类。针对非小细胞肺癌的研究显示，PRECIST分级及实体瘤免疫PET反应评估标准（immunePETresponsecriteriainsolidtumor，iPRECIST）与患者生存预后高度相关，且治疗6~8周后的残余代谢肿瘤体积是最佳预后指标［5］。在卵巢癌研究中，PRECIST可早期分析肿瘤响应并预测预后，其优势在于基线与治疗后2个周期内的SUVmax变化值（ΔSUVmax）与肿瘤标志物CA125的变化相关，且PET响应通常比肿瘤标志物变化提前约1个月，可更及时地提供风险评估［26］。实体瘤影像评估标准的更迭记录了从解剖径线向多维度功能代谢量化的历程（图1），为多模态成像与AI的融入奠定了基础。二、多模态影像技术在实体瘤评估中的应用与进展在实体瘤精准影像评估中，常规CT、MRI及超声凭借解剖分辨力成为临床实践的核心，是肿瘤检出、分期及疗效监测的基础。作为多模态评估基石，结构成像虽提供解剖信息，但对肿瘤代谢活性、分子表达及细胞增殖等内在生物学特性的反映能力有限。因此，代谢与分子成像技术在实体瘤评估中的应用日益广泛。例如，PSMAPETCT可捕捉肾癌血管中的PSMA过表达以预测侵袭性［7］。趋化因子受体4（CXCchemokinereceptortype4，CXCR4）靶向分子成像有助于筛选适合接受CXCR4靶向治疗的患者［27］。新兴影像技术的突破进一步提升了实体瘤的评估效能。1.超极化¹³CMRI：¹³C超极化技术聚焦于实时代谢监测与功能成像。Woitek等［28］研究发现超极化¹³CMRI测量的乳酸与丙酮酸比率增加≥20%，可有效区分乳腺癌患者新辅助化疗响应，性能优于动态增强MRI［29］。在胶质母细胞瘤评估中，该技术可检测肿瘤内乳酸标志物的变异与代谢变化［8］，在常规MRI显示明显结构改变前识别早期进展，辅助鉴别假性进展并预测生长行为［30］。2.PCDCT：PCDCT凭借高空间分辨率与多能谱分析能力展现出极大潜力。例如，乳腺专用PCDCT在识别微钙化方面优于数字乳腺断层成像，有助于乳腺癌早期诊断［9］。在肝脏实体瘤中，PCDCT通过虚拟单能量图像优化病灶显示，改善转移瘤或原发性肿瘤的可视化与诊断评估，同时通过特定能量水平降低患者辐射剂量［31］。3.PSMAPETMRI：作为融合PET与MRI优势的多模态成像技术，PSMAPETMRI在实体瘤的诊断、分期及监测中具有重要价值。研究显示，68GaPSMAPETMRI与传统多参数MRI相比，具有更高的特异度，尤其改善了对前列腺影像报告和数据系统3分病变的识别［32］。在尿路上皮癌骨转移检测中，其病灶描绘能力也优于¹⁸FFDGPETCT等传统方法［33］。三、AI驱动的实体瘤影像评估（一）单模态AI模型：实体瘤影像的精准分割与特征提取AI在医学影像领域展现出显著优势与广阔前景。通过卷积神经网络等深度学习架构，AI可自动化执行实体瘤分割并精准提取影像组学特征，支撑诊断与疗效评估［34］。在脑肿瘤动物模型研究中，基于深度学习的自动分割模型在大鼠肿瘤数据集Leuven和TCIA上的Dice系数分别达0.87和0.85，且在高噪声环境下性能稳定［10］。针对乳腺癌的临床研究显示，AI模型对2197例患者的MRI影像进行自动分割，将标注时间缩短至人工的1/20，且分割效能与人工高度一致，其分割乳腺肿瘤的曲线下面积（areaunderthecurve，AUC）分别为0.79（AI）和0.80（人工）［35］。（二）多模态AI模型：跨维度融合、动态监测与生成式增强单一模态难以全面捕捉肿瘤异质性，这驱动了AI模型向多模态融合演进，通过整合CT、MRI、PET及基因组数据，可揭示传统方法无法展现的特征，提升疗效预测与诊断精度。1.影像与临床数据互补：Schutte等［36］利用CT、超声及临床数据构建的多模态模型，可有效进行预后风险分层，其风险比为3.5。针对非小细胞肺癌免疫治疗相关肺炎风险预测，基于深度学习提取的图像特征、影像组学特征与临床数据的多模态融合模型预测了免疫治疗相关肺炎的发生风险，其AUC为0.922［12］。Cui等［37］整合临床信息与超声内镜图像，将胰腺实性病变的诊断准确率从69%提升至90%。2.多模态融合模型从静态诊断迈向动态治疗场景：AI通过治疗前后的时序数据捕捉肿瘤微环境变化，为早期疗效评估提供辅助。一方面是基于时序特征的疗效预测，如Bao等［13］利用治疗前后瘤内与瘤周的时空影像组学变化差值，动态预测了非小细胞肺癌新辅助化学免疫治疗后的主要病理缓解状态。另一方面是鉴别真假性进展，Kim等［38］利用临床数据及治疗后3个月内多参数MRI图像构建模型，可准确区分胶质母细胞瘤患者的假性进展与早期真实进展，该模型外部验证队列中的AUC为0.85。此外，基于治疗前CT及其他时空影像的三维肿瘤生长动力学模型，可模拟肿瘤对免疫治疗的响应轨迹，预测长期疗效［39］。3.深度整合医学影像、组织病理学切片与基因组学数据：面对日益复杂的异构数据，多模态大模型代表了AI在实体瘤诊疗中的前沿方向。这些基于Transformer架构的基础模型并经过海量、多样化数据的预训练，展现出强大的跨模态理解与协同分析能力。其价值在于深度整合医学影像、组织病理学切片与基因组学数据等异构数据。Miao等［40］结合18FPSMA1007PETCT与多参数MRI进行深度学习，在预测前列腺癌病理分级中的效能显著优于单模态模型。另一项研究整合了1136例结直肠癌患者的影像、RNA测序及临床病理表型，构建预后风险分层模型，推动其临床转化［41］。影像基因组学作为AI在实体瘤研究中的前沿方向，利用深度学习挖掘影像中肉眼不可识别的微观特征，并解析其与基因突变、分子分型及通路活性的内在关联。Zeng等［42］在研究中证实该方法在卵巢癌生存及复发风险预测中具有重要价值。4.跨模态合成技术：多模态大模型的训练常面临跨模态数据缺失的挑战，跨模态合成技术为此提供了解决方案。AI跨模态合成指利用深度学习技术，从一种医学影像模态（如CT/MRI）自动生成另一种模态的影像（如PET/CT）。在实体瘤评估中，该技术可缓解临床资源的限制并实现多模态信息互补。例如，单次CT扫描可同时提供解剖结构CT与合成功能影像虚拟PET，实现对肿瘤的全面评估。已有研究验证了该技术的可行性，生成的图像在多个方面与真实PET图像保持一致［43］。CT以其快速成像和高性价比广泛应用于临床，而MRI则因其卓越的软组织对比度成为肿瘤分割和器官精确定位的金标准。但是，MRI的高成本、较长的扫描时间以及对金属植入物患者的禁忌，限制了其在某些场景中的普及。针对上述痛点，Jin团队提出了一种名为MRGAN的生成对抗网络模型，基于CT生成高质量MRI，尤其在资源有限的地区有助于最大化利用医疗资源［44］。然而，跨模态合成的潜力不仅局限于解决临床检查中的模态缺失，更进一步延伸至解决AI模型训练样本稀缺的难题。Wang等［45］研发了MINIM模型，可基于文本描述生成多种成像模态的医学图像。例如，在乳腺癌人表皮生长因子受体2分类任务中，通过使用真实图像与合成图像按1∶10的比例进行混合训练，准确度从79.2%提升至94.0%，对于罕见实体瘤相关的模型训练意义重大。（三）AI在实体瘤影像评估中的挑战与局限基于AI的实体瘤精准影像评估依赖于大规模、高质量的数据集，对于乳腺癌或非小细胞肺癌等高发病率病变，模型常展现出优异效能［46］。然而，罕见实体瘤训练样本量稀缺且质量参差不齐，导致算法训练不充分及预测偏差，限制了AI在实体瘤个性化治疗和早期诊断中的应用［47］。AI模型尤其是深度学习模型具有黑箱特性，其决策的内部逻辑难以被临床医师理解。这种特性不仅存在于诊断模型中，还影响肿瘤微环境分析、治疗响应预测等领域，导致医师难以核查或验证AI输出结果，阻碍了其临床落地。目前SHAP（shapleyadditiveexplanations）和注意力机制是模型可解释性的两种主流方法，但实际应用仍有局限。SHAP基于博弈论原理，通过量化输入特征对预测结果的边际贡献提供解释。例如Zhang等［48］通过SHAP量化影像特征对个体预测结果的正负贡献，揭示了肿瘤纹理同质性与病理CR的关联，使直肠癌新辅助免疫治疗反应预测从黑箱模型转变为具有明确相关性的决策工具。尽管SHAP通过可视化特征权重增强了可解释性，但在影像应用中仍存在局限。首先，影像特征存在极高的多重共线性，SHAP基于特征独立性的假设与其相悖，导致模型可能将权重分配给冗余特征，掩盖了具有生物学意义的影像学标志物。其次，SHAP本质是展示模型关注区域或数值，无法推导实体瘤生物学的因果逻辑。因此SHAP仅能作为辅助验证参考，限制了临床落地［49］。为了突破SHAP数值解释的限制，注意力机制借鉴了人类视觉认知模式，通过自适应校准特征权重，有效抑制影像冗余信息与背景噪声，并在复杂实体瘤微环境中锁定具有病理意义的区域。Nishizawa等［50］利用该机制量化不同时间点MRI与临床特征的权重，并通过可视化热图揭示模型对乳腺癌纵向演变的逻辑，辅助医师确认模型关注病灶本身，增强了对乳腺癌新辅助化疗疗效预测结果的可信度。Zhou等［51］也引入注意力机制，识别直肠癌病灶内高风险治疗抵抗区域，为识别新辅助放化疗无应答患者提供直观的影像学依据。尽管研究证实了注意力机制在病灶定位上的准确性，但在人机协作的临床场景中，这种视觉层面的可解释性能否提升医师效能仍存争议。Jin等［52］研究显示，在脑胶质瘤分级任务中，相比于医师根据MRI单独对脑胶质瘤分级（准确度为82.5%±8.7%），在AI预测模型辅助下（即提供明确的诊断分级建议），医师的准确度显著提升至87.7%±7.3%，差异有统计学意义。然而，在此基础上引入AI解释额外辅助（即提供基于热力图的视觉定位）后，准确度保持在几乎相同的水平，为88.5%±7.0%，差异无统计学意义。结果表明当前AI可解释性技术在临床效用上的局限，现有的热力图仅能指出AI关注区域，无法提供具体病理或影像特征描述，也无法呈现模型推理过程或决策依据，医师无法有效甄别错误预测，难以将其作为独立判断的补充。尽管AI模型不断突破，但其常作为独立软件存在，难以嵌入影像科现有的PACS及HIS系统，这种系统割裂增加了医师负担［53］。此外，缺乏统一影像采集标准使模型在不同设备下的泛化能力受限，难以克服数据异质性。同时，医师对于AI模型的信任度以及在标准化诊疗流程中如何界定AI辅助决策的法律责任与伦理边界，仍需进一步探索［5455］。四、总结与展望实体瘤的精准影像学评估随着AI进步正经历重大发展：从形态学评估发展到利用多模态技术量化功能代谢信息，再到当前AI驱动的实体瘤精准分割、预后分层及疗效动态监测。尽管面临实体瘤罕见类型数据受限，模型可解释性不足及隐私安全等挑战，但未来通过生成式AI创建虚拟影像数据，探索Transformer架构的多模态大模型在疗效预测中的应用，构建跨中心影像基因组学数据库，挖掘驱动基因与影像表型的深层关联等，并辅以严格的法律监管与社会监督体系，必将推动实体瘤影像评估迈向精准化、个体化的方向。参考文献[1]LitièreS,BogaertsJ.Imagingendpointsforclinicaltrialuse:aRECISTperspective[J].JImmunotherCancer,2022,10(11):e005092.DOI:10.1136/jitc-2022-005092.[2]杨学宁,吴一龙.实体瘤治疗疗效评价标准——RECIST[J].循证医学,2004,4(2):85-90.DOI:10.3969/j.issn.1671-5144.2004.02.007.[3]VulliermeMP,RuszniewskiP,deMestierL.ArerecistcriteriaadequateinassessingtheresponsetotherapyinmetastaticNEN?[J].RevEndocrMetabDisord,2021,22(3):637-645.DOI:10.1007/s11154-021-09645-1.[4]Ramon-PatinoJL,SchmidS,LauS,etal.iRECISTandatypicalpatternsofresponsetoimmuno-oncologydrugs[J].JImmunotherCancer,2022,10(6):e004849.DOI:10.1136/jitc-2022-004849.[5]TricaricoP,ChardinD,MartinN,etal.Totalmetabolictumorvolumeon18F-FDGPET/CTisagame-changerforpatientswithmetastaticlungcancertreatedwithimmunotherapy[J].JImmunotherCancer,2024,12(4):e007628.DOI:10.1136/jitc-2023-007628.[6]葛英健,杜凯,于瑶,等.DCE-MRI定量参数与进展期胰腺癌病理特征的相关性及预测化疗早期疗效的价值[J].中国CT和MRI杂志,2023,21(12):119-121.DOI:10.3969/j.issn.1672-5131.2023.12.036.[7]SadaghianiMS,BaskaranS,GorinMA,etal.UtilityofPSMAPET/CTinstagingandrestagingofrenalcellcarcinoma:asystematicreviewandmetaanalysis[J].JNuclMed,2024,65(7):1007-1012.DOI:10.2967/jnumed.124.267417.[8]ZaccagnaF,McLeanMA,GristJT,etal.Imagingglioblastomametabolismbyusinghyperpolarized[1-13C]pyruvatedemonstratesheterogeneityinlactatelabeling:aproofofprinciplestudy[J].RadiolImagingCancer,2022,4(4):e210076.DOI:10.1148/rycan.210076.[9]HuckLC,BodeM,ZanderigoE,etal.Dedicatedphoton-countingCTfordetectionandclassificationofmicrocalcifications:anintraindividualcomparisonwithdigitalbreasttomosynthesis[J].InvestRadiol,2024,59(12):838-844.DOI:10.1097/RLI.0000000000001097.[10]WangS,PangX,deKeyzerF,etal.AI-basedMRIauto-segmentationofbraintumorinrodents,amulticenterstudy[J].ActaNeuropatholCommun,2023,11(1):11.DOI:10.1186/s40478-023-01509-w.[11]朱振宸,宋兰,隋昕,等.PD-1/PD-L1抑制剂治疗非小细胞肺癌中不典型肿瘤反应影像学评价的研究进展[J].中华放射学杂志,2021,55(1):82-86.DOI:10.3760/112149-20200529-00753.[12]YangM,MaJ,ZhangC,etal.Multimodaldatadeeplearningmethodforpredictingsymptomaticpneumonitiscausedbylungcancerradiotherapycombinedwithimmunotherapy[J].FrontImmunol,2024,15:1492399.DOI:10.3389/fimmu.2024.1492399.[13]BaoX,PengQ,BianD,etal.Short-termintra-andperi-tumoralspatiotemporalCTradiomicsforpredictingmajorpathologicalresponsetoneoadjuvantchemoimmunotherapyinnon-smallcelllungcancer[J].EurRadiol,2025,35(10):6052-6064.DOI:10.1007/s00330-025-11563-8.[14]TherasseP,ArbuckSG,EisenhauerEA,etal.Newguidelinestoevaluatetheresponsetotreatmentinsolidtumors[J].JNCIJNatlCancerInst,2000,92(3):205-216.DOI:10.1093/jnci/92.3.205.[15]ZhangY,PengC,PengL,etal.DeepRecS:fromRECISTdiameterstopreciselivertumorsegmentation[J].IEEEJBiomedHealthInform,2022,26(2):614-625.DOI:10.1109/JBHI.2021.3091900.[16]ZhengX,LuT,WuS,etal.Anovelapproachtoevaluationoftumorresponseforadvancedpulmonaryadenocarcinomausingtheintertumoralheterogeneityresponsescore[J].MedComm(2020),2024,5(3):e493.DOI:10.1002/mco2.493.[17]KoCC,YehLR,KuoYT,etal.Imagingbiomarkersforevaluatingtumorresponse:RECISTandbeyond[J].BiomarkRes,2021,9(1):52.DOI:10.1186/s40364-021-00306-8.[18]ChoiH,CharnsangavejC,FariaSC,etal.Correlationofcomputedtomographyandpositronemissiontomographyinpatientswithmetastaticgastrointestinalstromaltumortreatedatasingleinstitutionwithimatinibmesylate:proposalofnewcomputedtomographyresponsecriteria[J].JClinOncol,2007,25(13):1753-1759.DOI:10.1200/JCO.2006.07.3049.[19]HerrFL,DascalescuC,FabritiusMP,etal.PET-andCT-basedimagingcriteriaforresponseassessmentofgastroenteropancreaticneuroendocrinetumorsunderradiopharmaceuticaltherapy[J].JNuclMed,2025,66(5):726-731.DOI:10.2967/jnumed.124.268621.[20]SaalJ,BaldT,EcksteinM,etal.Integratingon-treatmentmodifiedglasgowprognosticscoreandimagingtopredictresponseandoutcomesinmetastaticrenalcellcarcinoma[J].JAMAOncol,2023,9(8):1048-1055.DOI:10.1001/jamaoncol.2023.1822.[21]CampaniC,VallotA,GhannouchiH,etal.ImpactofradiologicalresponseandpatternofprogressioninpatientswithHCCtreatedbyatezolizumab-bevacizumab[J].Hepatology,2024,79(1):49-60.DOI:10.1097/HEP.0000000000000636.[22]ColleR,RadzikA,CohenR,etal.Pseudoprogressioninpatientstreatedwithimmunecheckpointinhibitorsformicrosatelliteinstability-high/mismatchrepair-deficientmetastaticcolorectalcancer[J].EurJCancer,2021,144:9-16.DOI:10.1016/j.ejca.2020.11.009.[23]卢红,陈伟,王健,等.mRECIST与iRECIST标准评价肝细胞癌免疫治疗疗效的对比研究[J].中国普通外科杂志,2023,32(7):1023-1031.DOI:10.7659/j.issn.1005-6947.2023.07.007.[24]NguyenA,KumarS,KulkarniAA.Nanotheranosticstrategiesforcancerimmunotherapy[J].SmallMethods,2022,6(12):e2200718.DOI:10.1002/smtd.202200718.[25]GongAJ,RuchalskiK,KimHJ,etal.RECIST1.1targetlesioncategoricalresponseinmetastaticrenalcellcarcinoma:acomparisonofconventionalversusvolumetricassessment[J].RadiolImagingCancer,2023,5(5):e220166.DOI:10.1148/rycan.220166.[26]AideN,FauchilleP,CoquanE,etal.Predictingtumorresponseandoutcomeofsecond-looksurgerywith18F-FDGPET/CT:insightsfromtheGINECOCHIVAphaseⅡtrialofneoadjuvantchemotherapyplusnintedanibinstageⅢc-ⅣFIGOovariancancer[J].EurJNuclMedMolImaging,2021,48(6):1998-2008.DOI:10.1007/s00259-020-05092-3.[27]DreherN,HahnerS,FußCT,etal.CXCR4-directedPET/CTwith[68Ga]Ga-pentixaforinsolidtumors-acomprehensiveanalysisofimagingfindingsandcomparisonwithhistopathology[J].EurJNuclMedMolImaging,2024,51(5):1383-1394.DOI:10.1007/s00259-023-06547-z.[28]WoitekR,McLeanMA,UrsprungS,etal.Hyperpolarizedcarbon-13MRIforearlyresponseassessmentofneoadjuvantchemotherapyinbreastcancerpatients[J].CancerRes,2021,81(23):6004-6017.DOI:10.1158/0008-5472.CAN-21-1499.[29]WoitekR,McLeanMA,GillAB,etal.Hyperpolarized13CMRIoftumormetabolismdemonstratesearlymetabolicresponsetoneoadjuvantchemotherapyinbreastcancer[J].RadiolImagingCancer,2020,2(4):e200017.DOI:10.1148/rycan.2020200017.[30]SalzilloTC,MawonekeV,WeygandJ,etal.Measuringthemetabolicevolutionofglioblastomathroughouttumordevelopment,regression,andrecurrencewithhyperpolarizedmagneticresonance[J].Cells,2021,10(10):2621.DOI:10.3390/cells10102621.[31]RacineD,MergenV,ViryA,etal.Photon-countingdetectorCTforliverlesiondetection-optimalvirtualmonoenergeticenergyfordifferentsimulatedpatientsizesandradiationdoses[J].InvestRadiol,2024,59(8):554-560.DOI:10.1097/RLI.0000000000001060.[32]MargelD,BernstineH,GrosharD,etal.Diagnosticperformanceof68Gaprostate-specificmembraneantigenPET/MRIcomparedwithmultiparametricMRIfordetectingclinicallysignificantprostatecancer[J].Radiology,2021,301(2):379-386.DOI:10.1148/radiol.2021204093.[33]ZhaoB,DongA,ZuoC.Prostate-specificmembraneantigen-avidbonemetastasesfromurothelialcarcinomaofthebladder[J].ClinNuclMed,2022,47(10):892-894.DOI:10.1097/RLU.0000000000004246.[34]PangS,DuA,OrgunMA,etal.BeyondCNNs:exploitingfurtherinherentsymmetriesinmedicalimagesegmentation[J].IEEETransCybern,2023,53(11):6776-6787.DOI:10.1109/TCYB.2022.3195447.[35]ZhangJ,CuiZ,ShiZ,etal.ArobustandefficientAIassistantforbreasttumorsegmentationfromDCE-MRIviaaspatial-temporalframework[J].Patterns(NY),2023,4(9):100826.DOI:10.1016/j.patter.2023.100826.[36]SchutteK,BrulportF,Harguem-ZayaniS,etal.Anartificialintelligencemodelpredictsthesurvivalofsolidtumourpatientsfromimagingandclinicaldata[J].EurJCancer,2022,174:90-98.DOI:10.1016/j.ejca.2022.06.055.[37]CuiH,ZhaoY,XiongS,etal.Diagnosingsolidlesionsinthepancreaswithmultimodalartificialintelligence:arandomizedcrossovertrial[J].JAMANetwOpen,2024,7(7):e2422454.DOI:10.1001/jamanetworkopen.2024.22454.[38]KimJY,ParkJE,JoY,etal.Incorporatingdiffusion-andperfusion-weightedMRIintoaradiomicsmodelimprovesdiagnosticperformanceforpseudoprogressioninglioblastomapatients[J].NeuroOncol,2019,21(3):404-414.DOI:10.1093/neuonc/noy133.[39]SaadMB,HongL,AminuM,etal.Predictingbenefitfromimmunecheckpointinhibitorsinpatientswithnon-small-celllungcancerbyCT-basedensembledeeplearning:aretrospectivestudy[J].LancetDigitHealth,2023,5(7):e404-e420.DOI:10.1016/S2589-7500(23)00082-1.[40]MiaoC,YaoF,FangJ,etal.Exploringtheroleofmultimodal[18F]F-PSMA-1007PET/CTandmultiparametricMRIdatainpredictingISUPgradingofprimaryprostatecancer[J].EurJNuclMedMolImaging,2025,52(6):2087-2095.DOI:10.1007/s00259-025-07099-0.[41]ChenX,HuangY,WeeL,etal.Integratedanalysisofradiomics,RNA,andclinicopathologicphenotyperevealsbiologicalbasisofprognosticriskstratificationincolorectalcancer[J].SciBull(Beijing),2024,69(23):3666-3671.DOI:10.1016/j.scib.2024.10.005.[42]ZengS,WangXL,YangH.Radiomicsandradiogenomics:extractingmoreinformationfrommedicalimagesforthediagnosisandprognosticpredictionofovariancancer[J].MilMedRes,2024,11(1):77.DOI:10.1186/s40779-024-00580-1.[43]SalehjahromiM,KarpinetsTV,SujitSJ,etal.SyntheticPETfromCTimprovesdiagnosisandprognosisforlungcancer:proofofconcept[J].CellRepMed,2024,5(3):101463.DOI:10.1016/j.xcrm.2024.101463.[44]JinCB,KimH,LiuM,etal.DeepCTtoMRsynthesisusingpairedandunpaireddata[J].Sensors(Basel),2019,19(10):2361.DOI:10.3390/s19102361.[45]WangJ,WangK,YuY,etal.Self-improvinggenerativefoundationmodelforsyntheticmedicalimagegenerationandclinicalapplications[J].NatMed,2025,31(2):609-617.DOI:10.1038/s41591-024-03359-y.[46]LinY,ChengM,WuC,etal.MRI-basedartificialintelligencemodelsforpost-neoadjuvantsurgerypersonalizationinbreastcancer:anarrativereviewofevidencefromwesternpacific[J].LancetRegHealthWestPac,2025,57:101254.DOI:10.1016/j.lanwpc.2024.101254.[47]VyasA,KumarK,Sh