引言
头颈部鳞状细胞癌（HNSCC）是全球第六大常见恶性肿瘤，多数患者确诊时已处于中晚期，预后较差。传统影像学技术（如CT、MRI、PET）虽能清晰显示肿瘤形态，但难以量化肿瘤异质性。影像组学通过高通量提取医学影像中的定量特征，将图像转化为可挖掘的数据，为揭示肿瘤生物学行为提供了新视角。
HPV状态预测
HPV感染是口咽癌的重要致病因素，HPV阳性患者预后通常优于阴性者。基于CT或MRI的影像组学模型可通过机器学习（如LASSO回归）筛选特征（如纹理特征GLCM、小波变换特征），有效区分HPV状态。例如，Sohn等人的研究利用MRI影像组学特征在测试集中达到AUC 0.744的预测性能，但此类模型仍需多中心数据验证以提升临床适用性。
淋巴结转移与结外侵犯
超过40%的HNSCC患者就诊时已发生淋巴结转移，结外侵犯（ENE）是公认的不良预后指标。深度学习模型（如CNN）在CT图像中识别转移淋巴结的效能优于人工评估，如Kann等人开发的算法检测ENE的AUC达0.90。PET-CT影像组学还可区分转移性淋巴结与炎性反应，但需注意假阳性问题。
疗效与预后预测
影像组学特征（如熵、偏度）可独立预测放化疗后的总生存期（OS）和无进展生存期（PFS）。多模态融合策略（如结合MRI的T1加权与T2加权序列）能更全面捕捉肿瘤异质性，提升预测精度。例如，Zhang等人发现多序列MRI特征对晚期鼻咽癌的PFS预测优于单序列。此外，原发灶与淋巴结的联合模型有望优化风险分层。
治疗毒性预测
放疗常见毒性包括口干症（Xerostomia）、张口困难（Trismus）和吞咽困难（Dysphagia）。基于delta-影像组学（如每周CT扫描中腮腺特征变化）可早期预测远期口干症，van Dijk研究显示第3周特征预测效能最佳（p<0.001）。影像数据挖掘（IBDM）技术识别出的咀嚼肌区域辐射剂量与张口受限显著相关，为放疗计划优化提供靶点。
影像基因组学与影像蛋白组学
影像组学与基因组学整合可非侵入性推断肿瘤分子特征。例如，CT影像特征与HNSCC的DNA甲基化亚型（如MethylMix HPV+）或基因突变（如NSD1）显著相关，但TP53突变与影像异质性的关联尚存争议。研究还发现影像特征可预测PD-L1表达和CD8⁺+T细胞浸润，为免疫治疗疗效评估提供线索。
影像组学特征标准化挑战
不同影像设备、扫描参数及感兴趣区（ROI）勾画标准导致特征可重复性差。图像生物标志物标准化倡议（IBSI）虽提出统一规范，但当前研究仍存在特征定义差异（如灰度离散化策略）。排除坏死区域或采用PyRadiomics等工具可部分提升一致性，但全面标准化仍需跨机构协作。
结论与展望
影像组学在HNSCC的诊疗决策、预后评估及毒性预测中展现潜力，但其临床转化受限于回顾性研究设计及样本异质性。未来需通过前瞻性多中心试验、标准化流程及多组学整合（如基因组学、免疫标志物），推动影像组学向精准医疗迈进。
