基于人工智能的影像基因组学在结直肠癌中的应用进展

基于人工智能的影像基因组学在结直肠癌中的应用进展【摘要】结直肠癌作为全球高发的恶性肿瘤，其高度异质性使得患者预后和治疗反应差异巨大。影像基因组学作为一种新兴的交叉学科，旨在揭示影像特征与基因组特征之间的关联，识别潜在生物标志物，并整合多维信息用于肿瘤的诊断、分型、治疗决策及预后评估。近年来随着人工智能，特别是深度学习技术的飞速发展，进一步推动了影像基因组学在结直肠癌领域中的应用。本文系统性回顾了结直肠癌影像基因组学的研究进展，包括工作流程、临床应用、当前挑战以及未来发展方向，以期为该领域的研究者提供一个全面而清晰的视角。【关键词】结直肠肿瘤；影像基因组学；人工智能结直肠癌（colorectalcancer，CRC）是全球常见的恶性肿瘤，发病率和死亡率分别位居第三和第二位［1］。基因组分析能够深入解析CRC的驱动分子特征，揭示其发生与进展的分子机制，从而为临床精准治疗提供重要依据。随着高通量测序技术的发展，基因组学研究已从最初的DNA测序拓展至功能基因组学（如转录组、蛋白质组）和表观基因组学（如DNA与RNA甲基化），显著推动了CRC的精准医疗进程［2］。然而基因组分析常需通过侵入性方式获取组织样本，存在患者耐受性差、操作相关并发症、多次取样困难及肿瘤空间异质性导致样本代表性不足等问题，严重限制了其临床应用。2012年Lambin等［3］首次提出影像组学的概念，其核心在于通过高通量算法从医学影像中提取大量定量特征，随后进行特征筛选、分析及模型构建，以实现对疾病生物学行为及临床结局的无创预测。近十多年来该技术发展迅速，在CRC诊断、分型、疗效评估及预后预测等方面均取得了显著成果［47］，然而仍面临一个关键挑战，即难以对提取的影像组学特征提供明确的生物学解释。影像基因组学是影像组学和基因组学相结合的新概念，旨在揭示影像特征与基因组特征之间的关联，识别潜在生物标志物，并整合多维信息用于肿瘤的诊断、分型、治疗决策及预后评估［8］。近年来，人工智能（artificialintelligence，AI），尤其是深度学习（deeplearning，DL）技术发展迅速，在肿瘤自动分割、特征提取与筛选、多组学特征融合等方面均取得了优秀成果［2，9］。本研究在整合最新文献的基础上提出了一个更为连贯的影像基因组学框架，旨在系统推进CRC影像基因组学领域的发展与临床转化。一、影像基因组学工作流程影像基因组学作为新兴的交叉学科，其基本工作流程可概括为4个核心步骤［10］。1.数据收集：包括标准化采集的影像数据、相匹配的分子组学数据及临床信息。2.数据预处理：不同来源的原始数据需经过多种预处理步骤转化为高质量、标准化的数据，以确保后续分析的可靠性与准确性。如影像数据通常需进行去噪、重采样和归一化等处理，而分子组学数据则需进行质量控制、归一化及批次效应校正等［1112］。3.特征提取与分析：该阶段主要是将预处理后的数据转化为定量特征，并通过各种算法进行特征筛选与降维，为后续建模奠定基础。常用的特征筛选方法包括嵌入式（如最小绝对收缩和选择算子）、包裹式（如递归特征消除）、过滤式（如χ2检验）及机器学习（machinelearning，ML）模型（如随机森林）［2］。相比这些传统方法，DL在高维特征自动提取与降维方面表现出更高的效率和准确性，为复杂数据分析提供了更强有力的工具。4.数据整合与应用：多组学数据的有效整合是实现临床应用的关键。传统分析方法（如相关性分析）可初步揭示影像表型与分子特征之间的潜在关联［13］，而AI算法凭借其有效整合高维数据的能力，能够更全面地刻画影像特征与分子标志物之间的复杂映射关系，已成为当前多组学数据整合的主流策略。二、影像基因组学在CRC的临床应用（一）分子特征识别1.识别关键基因突变：在CRC的临床诊疗中，RAS和BRAF基因的突变状态是关键的决策依据，不仅预示不良预后［14］，更直接指导治疗方案的选择。RAS基因突变者不建议采用抗表皮生长因子受体单抗治疗，而对于BRAF突变型患者则推荐采用双联或三联化疗联合贝伐珠单抗［15］。影像组学作为一种无创评估工具，主要通过构建预测模型来实现对上述基因突变的预测，相关研究涵盖了多种影像模态与算法，均展现出良好性能［1620］。然而现有模型在参数、算法及模态选择上差异较大，整体表现尚不明确。Chen等［21］系统比较了基于不同模态与建模方法的ML模型在无创预测KRAS突变中的诊断性能，结果显示在数据模态上，各模型诊断效能从高到低依次为病理模型（cindex=0.94）、CT模型（cindex=0.87）、PET/CT模型（cindex=0.83）、MRI模型（cindex=0.77）和临床模型（cindex=0.65）；在建模方法上，DL模型在不同模态中均优于传统ML模型，其中以基于病理图像的DL模型性能最佳（cindex=0.96）。该分析也指出目前研究仍普遍存在样本量小、外部验证不足等问题，如外部验证集中仅包含1个PET/CT模型，其结果可能无法反映该模态的真实临床性能，而且目前尚缺乏基于CT的DL模型。因此未来研究需扩大样本规模、加强多中心与前瞻性验证，并探讨DL在CT中的应用，以提升CRC基因突变预测的精度和临床价值。2.识别微卫星不稳定性（microsatelliteinstability，MSI）状态：MSI是CRC患者治疗方式选择的重要参考指标，微卫星高度不稳定者更可能从免疫治疗中获益［22］。影像组学为MSI的无创预测提供了可行途径，相关研究包含了多种影像模态、算法及扫描期相等［2327］。一项最新的荟萃分析对现有模型进行系统比较后发现MRI模型总体预测性能优于CT模型，合并曲线下面积（areaunderthecurve，AUC）分别为0.9和0.815，但这些研究的影像组学质量评分普遍较低，表明现有研究在特征提取、模型构建与验证等方面仍缺乏标准化，模型可靠性受限，未来研究需着力提升方法学规范性［28］。与此同时DL算法的引入也为该领域提供了新方向，如Yao等［29］构建的多模态DL模型在MSI状态预测中表型优异，AUC、灵敏度和特异度均超过0.9。3.识别综合分子分型：CRC共识分子分型（consensusmolecularsubtype，CMS）是目前应用最广泛的分子分型系统［30］，将CRC划分为4个亚型，CMS1（MSI免疫型）、CMS2（经典型）、CMS3（代谢型）和CMS4（间质型），其中CMS4型患者预后最差［31］。一项新研究基于6332例CRC患者的CT图像，采用掩码图像重建任务进行自监督预训练，并结合VisionTransformer编码器及从影像报告中提取的文本语义特征构建了一个DL模型，该模型在CMS分型中显著优于未预训练模型，AUC分别为0.859和0.737，尤其在CMS1亚型的识别中表现突出［32］。此外也有学者尝试从免疫微环境角度构建新的分型体系，通过单样本基因集富集分析量化免疫细胞浸润，经共识聚类划分出免疫热型与冷型，并筛选出与之相关的CT影像组学特征，为无创评估肿瘤免疫状态提供了新方向［33］。综上所述，影像组学及其衍生技术通过整合多模态影像与ML算法，在预测CRC关键生物标志物方面已取得显著进展，不仅有望克服传统基因检测方法中存在的有创性、高成本及时效性差等局限，还有助于指导临床实现个体化精准治疗。（二）风险分层大规模临床统计数据显示30%~40%的Ⅰ~Ⅲ期CRC患者在术后出现局部复发或远处转移［34］。然而现有的TNM等预后评估体系难以提供充分的术后风险分层信息，准确识别高风险患者已成为临床实践中亟待解决的问题。近年来基于AI的影像基因组学正展现出应对这一挑战的巨大潜力。早期一项小样本研究通过特征层面的统计关联分析发现CT影像组学形状及纹理特征与ABCC2、CD166等CRC关键基因表达相关，且证实联合多维特征建模可提升预后分层效能［35］，但此类研究多停留在统计相关层面，对生物学机制验证有限。在此基础上后续研究不断拓展和深化，如Zhong等［36］在方法学上进行拓展，分析尺度由单基因扩展至基因组规模。研究首先采用无监督去卷积方法识别出4个基因组亚克隆，并量化各亚克隆在不同肿瘤样本中的比例，进而将其映射至影像组学空间形成影像基因组学特征。通过进一步的生存建模及功能富集分析，作者发现与预后显著相关的影像基因组学特征与细胞外基质和免疫通路显著相关，如original_gldm_DependenceEntropy在细胞外基质通路中显著富集，original_shape_SurfaceVolumeRatio则在免疫通路中显著富集。该研究的最终模型完全由影像组学特征构成，并在多个独立影像队列中获得稳定验证，间接表明影像组学特征可能反映了部分基因组信息，即使在缺乏基因数据的情况下仍能有效预测预后，极大降低了临床应用门槛。相较于上述侧重于联合建模以提升预测性能的研究，Chen等［37］则进一步聚焦于影像组学特征的可解释性问题，首先基于CT影像组学特征构建预后模型并完成风险分层，随后进行了3阶段影像基因组学分析：（1）影像组学特征与生物学通路关联分析，高风险组中肿瘤增殖相关的细胞周期通路上调，免疫反应通路下调；（2）特征水平反向验证，从基因组数据出发，使用无监督加权基因共表达网络分析对肿瘤微环境相关基因聚类，发现5个基因模块与影像组学特征显著相关。此外作者还进一步根据HR将影像组学特征细分为危险性与保护性特征，其中保护性特征与免疫炎症相关通路正相关，而危险性特征则与肿瘤增殖相关通路正相关；（3）多表型水平生物学验证，分别从免疫细胞浸润、外周血炎症指标及病理侵袭表型3个层面揭示了不同风险组的特征差异，结果显示高风险组免疫抑制更明显、外周炎症反应更强、增殖活性和侵袭性更高。该研究提供了一种全新的、系统化的多阶段影像基因组学分析框架，显著增强了影像组学模型的生物学可解释性。总之，上述研究展现了影像基因组学在CRC预后预测中的潜力，这种从相关性分析到机制验证的研究框架为影像基因组学在CRC预后评估中的临床转化奠定了基础。（三）疗效评估CRC的治疗方案多样，包括放化疗、靶向及免疫治疗等，但患者反应差异显著。尽管影像组学在这方面已取得显著进展，其模型可解释性仍是一大挑战。近年来，影像基因组学通过将影像表型与多层次分子及病理特征相结合，为提升模型可解释性提供了新的研究思路。Xie等［38］通过对CT影像组学特征无监督聚类将患者分为辅助化疗获益组与观察组，随后从3个层面对两组的生物学机制进行阐释：（1）分子通路层面，基因集变异分析显示辅助化疗获益组主要富集于与上皮结构完整性及血管生成与功能状态相关通路，而观察组则以细胞增殖及能量代谢相关通路为主；（2）肿瘤微环境层面，辅助化疗获益组有更高的内皮细胞和功能性免疫细胞浸润；（3）病理层面，辅助化疗获益组表现为坏死和出血较少、血管结构更成熟及免疫细胞向肿瘤核心区浸润；而观察组则呈现血管紊乱、灌注不良及免疫细胞空间排斥特征。该研究从“影像特征分子通路肿瘤微环境病理表型”的多维度整合分析，将影像组学分型与血管相关特征及免疫浸润状态系统关联，构建了一条从影像表型到辅助化疗获益的可解释性生物学路径，为后续相关研究提供了思路。除传统辅助化疗决策外，影像基因组学在免疫治疗疗效评估中也同样展现出显著潜力。Zhang等［33］构建了一种由免疫表型引导的可解释影像组学模型，用于预测CRC患者新辅助免疫治疗疗效。研究首先在同时具备RNA测序数据及CT影像的队列中，基于肿瘤免疫细胞浸润特征进行无监督聚类得到两类免疫表型（免疫热/冷型），并据此筛选出与免疫表型显著相关的影像组学特征。在此基础上，作者在接受过新辅助免疫治疗的纯影像队列中进一步筛选与疗效相关的特征，并采用决策树构建最终预测模型，其验证集AUC达到了0.904。同时还采用SHAP方法对关键影像组学特征的贡献进行量化分析，增强了模型的可解释性。尽管该研究样本量有限，模型稳定性和泛化性还需验证，但其提出的“免疫表型影像组学特征治疗反应”的分析框架为后续开展可解释疗效预测研究提供了新的方法学参考。上述两项研究并未以提升模型预测性能为主要目标，而是更侧重于对潜在生物学机制的深入挖掘，这一思路也反映了当前影像基因组学的研究热点，即通过将影像表型与多层次生物学信息进行深度融合，为模型预测结果提供明确的生物学解释。未来模型的发展必然是在保证预测性能的同时具备明确的生物学解释。三、当前的挑战和未来的方向1.数据获取：高质量、匹配良好的多模态数据是影像基因组学发展的基石，然而临床实践中普遍存在数据缺失与不一致问题。为解决数据缺失，研究方法已从传统的均值填补、回归等方法演进至多重插补、链式方程等更稳健的策略，而DL更是推动了该领域新技术的出现［3940］。在图像领域，生成式AI和数据增强技术通过生成高质量合成影像也能有效补偿数据的不平衡与缺失［4142］。在数据不一致方面，TCGA、GDC等公共数据库通过标准化整理多组学数据一定程度上可缓解该问题，但匹配数据仍相对稀缺。为应对这一挑战，推动跨机构合作以构建大规模数据集必是未来的发展方向，在此过程中可以采用差分隐私、联邦学习等隐私增强技术来保护患者隐私安全，通过通用标准化数据模型提升不同机构间的数据兼容性［4344］。2.数据整合：多模态数据的整合与分析是推动精准肿瘤学发展的关键，有效的整合能提升模型精度，不当的整合反而会增加冗余与计算负担。因此，如何在整合过程中尽可能保留有价值特征来提高模型预测能力仍是当前面临的重要挑战。现有的多组学整合策略主要分为三类：统计与相关分析方法（如散点图、Pearson相关系数分析）、多变量方法（如主成分分析、多组学因子分析），以及ML和AI技术［45］。前两类方法发展较早且应用广泛，但存在稳定性较差和计算效率低等问题，难以应对大规模、高复杂性的多组学数据。AI技术凭借强大的多组学数据处理与建模能力在此领域进展显著，应用范围涵盖了从随机森林、支持向量机等传统ML算法到卷积神经网络、递归神经网络及图神经网络等一系列先进DL技术。利用AI进行多模态数据整合必将成为未来推动精准医学发展的主流途径。3.模型泛化：当前多数的影像基因组学模型依赖于小样本回顾性数据，存在数据与分析方法上的偏倚，加之影像特征易受多种因素干扰，导致模型稳定性与可重复性较差，泛化能力受限。为提升模型的可靠性与临床适用性，可从以下方面进行改进。（1）采用标准化算法以减少不同设备与中心间的差异；（2）筛选具有高稳健性的特征用于建模；（3）使用来源广泛的异质数据训练模型，并开展多中心验证；（4）推动代码与数据开源共享。4.模型可解释：随着影像基因组学模型日益复杂，其预测性能提升但可解释性却下降。DL模型的“黑匣子”决策机制使得其在临床应用中可能会产生难以预料的错误，威胁患者安全。因此在提升模型性能的同时，增强可解释性已成为关键挑战。当前可解释性方法主要包括：（1）将生物学知识融入模型设计；（2）采用诸如回归模型和决策树等可解释模型；（3）应用事后解释技术，特征归因（如SHAP）、注意力机制（如类激活图）等［44］。近年来可解释DL技术也在不断发展，如生成对抗网络和解耦变分自编码器等［4647］，这些方法有望更清晰揭示数据间的复杂关联。此外为了使模型在临床中真正可用，临床医师的参与至关重要。医师可以通过反馈临床经验及参与模型优化等方面参与模型的解释过程，推动模型落地［44］。四、总结影像基因组学通过将无创获取的宏观影像与微观分子信息相关联，为实现真正的精准医疗提供了强大动力。在AI的驱动下，该领域的研究正从简单的关联验证逐步转向深度探索。尽管面临数据、算法和临床转化等多重挑战，但随着技术的不断进步和多学科合作的深入，AI驱动的影像基因组学有望在未来成为CRC患者临床决策的强有力工具。参考文献[1]BrayF,LaversanneM,SungH,etal.Globalcancerstatistics2022:GLOBOCANestimatesofincidenceandmortalityworldwidefor36cancersin185countries[J].CACancerJClin,2024,74(3):229-263.DOI:10.3322/caac.21834.[2]GuoY,LiT,GongB,etal.Fromimagestogenes:radiogenomicsbasedonartificialintelligencetoachievenon-invasiveprecisionmedicineincancerpatients[J].AdvSci(Weinh),2025,12(2):e2408069.DOI:10.1002/advs.202408069.[3]LambinP,Rios-VelazquezE,LeijenaarR,etal.Radiomics:extractingmoreinformationfrommedicalimagesusingadvancedfeatureanalysis[J].EurJCancer,2012,48(4):441-446.DOI:10.1016/j.ejca.2011.11.036.[4]GrosuS,WespP,GraserA,etal.Machinelearning-baseddifferentiationofbenignandpremalignantcolorectalpolypsdetectedwithCTcolonographyinanasymptomaticscreeningpopulation:aproof-of-conceptstudy[J].Radiology,2021,299(2):326-335.DOI:10.1148/radiol.2021202363.[5]WeiQ,ChenL,HouX,etal.MultiparametricMRI-basedradiomicmodelforpredictinglymphnodemetastasisafterneoadjuvantchemoradiotherapyinlocallyadvancedrectalcancer[J].InsightsImaging,2024,15(1):163.DOI:10.1186/s13244-024-01726-4.[6]ZhengHD,HuangQY,HuangQM,etal.T2-weightedimaging-basedradiomic-clinicalmachinelearningmodelforpredictingthedifferentiationofcolorectaladenocarcinoma[J].WorldJGastrointestOncol,2024,16(3):819-832.DOI:10.4251/wjgo.v16.i3.819.[7]Prieto-de-la-LastraC,Carbonell-AsinsJA,BuenoA,etal.Aradiomics-basedartificialintelligencemodeltoassesstheriskofrelapseinlocalizedcoloncancer[J].ESMOOpen,2025,10(8):105495.DOI:10.1016/j.esmoop.2025.105495.[8]HeW,HuangW,ZhangL,etal.Radiogenomics:bridgingthegapbetweenimagingandgenomicsforprecisiononcology[J].MedComm(2020),2024,5(9):e722.DOI:10.1002/mco2.722.[9]郑楷宜,武毫,袁文静,等.三维nnU-Net深度学习网络基于腹部CT图像自动分割结直肠癌的可行性研究[J].中华放射学杂志,2024,58(8):829-835.DOI:10.3760/112149-20231231-00505.[10]ChangL,LiuJ,ZhuJ,etal.Advancingprecisionmedicine:thetransformativeroleofartificialintelligenceinimmunogenomics,radiomics,andpathomicsforbiomarkerdiscoveryandimmunotherapyoptimization[J].CancerBiolMed,2025,22(1):33-47.DOI:10.20892/j.issn.2095-3941.2024.0376.[11]ScapicchioC,GabelloniM,BarucciA,etal.Adeeplookintoradiomics[J].RadiolMed,2021,126(10):1296-1311.DOI:10.1007/s11547-021-01389-x.[12]SlovinS,CarissimoA,PanarielloF,etal.Single-cellRNAsequencinganalysis:astep-by-stepoverview[J].MethodsMolBiol,2021,2284:343-365.DOI:10.1007/978-1-0716-1307-8_19.[13]Negreros-OsunaAA,ParakhA,CorcoranRB,etal.Radiomicstexturefeaturesinadvancedcolorectalcancer:correlationwithBRAFmutationand5-yearoverallsurvival[J].RadiolImagingCancer,2020,2(5):e190084.DOI:10.1148/rycan.2020190084.[14]GuoTA,WuYC,TanC,etal.ClinicopathologicfeaturesandprognosticvalueofKRAS,NRASandBRAFmutationsandDNAmismatchrepairstatus:asingle-centerretrospectivestudyof1,834ChinesepatientswithStageⅠ-Ⅳcolorectalcancer[J].IntJCancer,2019,145(6):1625-1634.DOI:10.1002/ijc.32489.[15]GuoL,WangY,YangW,etal.Molecularprofilingprovidesclinicalinsightsintotargetedandimmunotherapiesaswellascolorectalcancerprognosis[J].Gastroenterology,2023,165(2):414-428.e7.DOI:10.1053/j.gastro.2023.04.029.[16]HuJ,XiaX,WangP,etal.PredictingkirstenratsarcomavirusgenemutationstatusinpatientswithcolorectalcancerbyradiomicsmodelsbasedonmultiphasicCT[J].FrontOncol,2022,12:848798.DOI:10.3389/fonc.2022.848798.[17]林礼波,陈晓丽,胥豪,等.基于CT影像组学预测结直肠癌KRAS基因突变[J].中国医学影像学杂志,2023,31(6):617-621.DOI:10.3969/j.issn.1005-5185.2023.06.012.[18]ZhaoH,SuY,WangY,etal.Usingtumorhabitat-derivedradiomicanalysisduringpretreatment18F-FDGPETforpredictingKRAS/NRAS/BRAFmutationsincolorectalcancer[J].CancerImaging,2024,24(1):26.DOI:10.1186/s40644-024-00670-2.[19]CaiM,ZhaoL,QiangY,etal.CHNet:amulti-taskglobal-localcollaborativehybridnetworkforKRASmutationstatuspredictionincolorectalcancer[J].ArtifIntellMed,2024,155:102931.DOI:10.1016/j.artmed.2024.102931.[20]ZhouB,TanH,WangY,etal.Acomputedtomography-basedradiomicspredictionmodelforBRAFmutationstatusincolorectalcancer[J].AbdomRadiol(NY),2025,50(11):5162-5174.DOI:10.1007/s00261-025-04983-z.[21]ChenK,QuY,HanY,etal.PerformanceofmachinelearningindiagnosingKRAS(KirstenRatSarcoma)mutationsincolorectalcancer:systematicreviewandmeta-analysis[J].JMedInternetRes,2025,27:e73528.DOI:10.2196/73528.[22]TaiebJ,SvrcekM,CohenR,etal.Deficientmismatchrepair/microsatelliteunstablecolorectalcancer:Diagnosis,prognosisandtreatment[J].EurJCancer,2022,175:136-157.DOI:10.1016/j.ejca.2022.07.020.[23]李陆,卜文,孙巧玉,等.基于多种机器学习算法的MRI影像组学模型预测直肠癌微卫星不稳定状态[J].肿瘤影像学,2024,33(6):577-585.DOI:10.19732/ki.2096-6210.2024.06.002.[24]CaoY,ZhangG,ZhangJ,etal.Predictingmicrosatelliteinstabilitystatusincolorectalcancerbasedontriphasicenhancedcomputedtomographyradiomicssignatures:amulticenterstudy[J].FrontOncol,2021,11:687771.DOI:10.3389/fonc.2021.687771.[25]ChenW,ZhengK,YuanW,etal.ACT-baseddeeplearningforsegmentingtumorsandpredictingmicrosatelliteinstabilityinpatientswithcolorectalcancers:amulticentercohortstudy[J].RadiolMed,2025,130(2):214-225.DOI:10.1007/s11547-024-01909-5.[26]MaY,LinC,LiuS,etal.Radiomicsfeaturesbasedoninternalandmarginalareasofthetumorforthepreoperativepredictionofmicrosatelliteinstabilitystatusincolorectalcancer[J].FrontOncol,2022,12:1020349.DOI:10.3389/fonc.2022.1020349.[27]CaiZ,XuZ,ChenY,etal.MultiparametricMRIsubregionradiomicsforpreoperativeassessmentofhigh-risksubregionsinmicrosatelliteinstabilityofrectalcancerpatients:amulticenterstudy[J].IntJSurg,2024,110(7):4310-4319.DOI:10.1097/JS9.0000000000001335.[28]CapelloIngoldG,MartinsdaFonsecaJ,KolendaZloićS,etal.PreoperativeradiomicsmodelsusingCTandMRIformicrosatelliteinstabilityincolorectalcancer:asystematicreviewandmeta-analysis[J].AbdomRadiol(NY),2025,50(11):5148-5161.DOI:10.1007/s00261-025-04981-1.[29]YaoX,DengS,HanX,etal.Deeplearningalgorithm-basedMRIradiomicsandpathomicsforpredictingmicrosatelliteinstabilitystatusinrectalcancer:amulticenterstudy[J].AcadRadiol,2025,32(4):1934-1945.DOI:10.1016/j.acra.2024.09.008.[30]GuinneyJ,DienstmannR,WangX,etal.Theconsensusmolecularsubtypesofcolorectalcancer[J].NatMed,2015,21(11):1350-1356.DOI:10.1038/nm.3967.[31]刘媛,陈小萌,姚宏伟,等.不同结直肠癌共识分子分型临床特点分析[J].国际外科学杂志,2020,47(8):549-554.DOI:10.3760/115396-20200507-00134.[32]YangJ,CaiD,LiuJ,etal.CRCFound:acolorectalcancerCTimagefoundationmodelbasedonself-supervisedlearning[J].AdvSci(Weinh),2025,12(41):e07339.DOI:10.1002/advs.202407339.[33]ZhangY,ZhangX,ZhongX,etal.Immunophenotype-guidedinterpretableradiomicsmodelforpredictingneoadjuvantanti-PD-1responseinstageⅢ-Ⅳd-MMR/MSI-Hcolorectalcancer[J].JImmunotherCancer,2025,13(8):e011569.DOI:10.1136/jitc-2025-011569.[34]NorsJ,IversenLH,ErichsenR,etal.IncidenceofrecurrenceandtimetorecurrenceinstageⅠtoⅢcolorectalcancer:anationwidedanishcohortstudy[J].JAMAOncol,2024,10(1):54-62.DOI:10.1001/jamaoncol.2023.5098.[35]BadicB,HattM,DurandS,etal.Radiogenomics-basedcancerprognosisincolorectalcancer[J].SciRep,2019,9(1):9743.DOI:10.1038/s41598-019-46286-6.[36]ZhongME,DuanX,Ni-Jia-TiMY,etal.CT-basedradiogenomicanalysisdissectsintratumorheterogeneityandpredictsprognosisofcolorectalcancer:amulti-institutionalretrospectivestudy[J].JTranslMed,2022,20(1):574.DOI:10.1186/s12967-022-03788-8.[37]ChenX,HuangY,WeeL,etal.Integratedanalysisofradiomics,RNA,andclinicopathologicphenotyperevealsbiologicalbasisofprognosticriskstratificationincolorectalcancer[J].SciBull(Beijing),2024,69(23):3666-3671.DOI:10.1016/j.scib.2024.10.005.[38]XieC,NingZ,GuoT,etal.Multimodaldataintegrationforbiologically-relevantartificialintelligencetoguideadjuvantchemotherapyinstageⅡcolorectalcancer[J].EBioMedicine,2025,117:105789.DOI:10.1016/j.ebiom.2025.105789.[39]YoonJ,ZameWR,vanderSchaarM.Estimatingmissingdataintemporaldatastreamsusingmulti-directionalrecurrentneuralnetworks[J].IEEETransBiomedEng,2019,66(5):1477-1490.DOI:10.1109/TBME.2018.2874712.[40]LuoY.Evaluatingthestat