影像组学可通过高通量提取定量影像特征解码肿瘤表型与生物学行为，是精准肿瘤学中具有变革性的无创工具。近年来，影像组学已从静态特征分析快速演进为动态多维评估，并在多种实体瘤中广泛探索，但其在泛癌种通用性、生物学可解释性及临床转化方面仍面临突出瓶颈。癌症仍是全球首要死因，实体瘤占成人恶性肿瘤的90%以上，而传统医学影像与有创活检在反映肿瘤异质性与动态演变方面存在固有局限。本综述概述了实体瘤通用的影像组学统一技术流程，强调了不同癌种的成像注意事项，并总结了针对多中心、多扫描仪及多癌种异质性的标准化策略。研究人员系统梳理了覆盖早期检测、分子分型、治疗反应预测及预后分层等场景的泛癌临床应用证据，以肺癌为典型范例，同时整合乳腺癌、结直肠癌、肝癌、胶质瘤与前列腺癌的相关证据。文中还讨论了多组学整合、生物学可解释性，以及域偏移（domain shift）、可重复性危机等转化瓶颈，最后展望了基础模型（foundation models）、因果推断（causal inference）与联邦学习（federated learning）等前沿方向，以推动通用且具备临床可操作性的影像组学进入常规临床实践。
1 引言
癌症是全球首要死亡原因，实体瘤占成人恶性肿瘤的90%以上。尽管手术、化疗、靶向治疗与免疫检查点阻断取得显著进展，临床肿瘤学仍面临持续挑战，包括早期诊断率低导致多数患者确诊时已处于晚期、显著的肿瘤间与肿瘤内异质性驱动治疗反应与预后差异巨大、有创组织活检在捕捉时空分子演变方面的固有局限，以及依赖实体瘤疗效评价标准（RECIST）的传统基于大小的疗效评估存在明显滞后。传统医学影像虽能提供关键的解剖与形态学信息，但主要局限于定性视觉判读，难以量化决定肿瘤行为与治疗敏感性的微观生物学特征。
影像组学被定义为从医学图像中系统提取并高通量挖掘海量定量特征，以生成可解释的无创生物标志物，从而桥接宏观影像表型与潜在的分子及细胞机制。自概念提出以来，影像组学已从简单的静态全肿瘤特征分析，快速演进为动态纵向监测与精细的亚区域异质性表征，近年来进一步与人工智能、多组学及液体活检融合，形成综合的多维临床决策系统。相较于有创检测方法，影像组学具备无创、可重复的全身肿瘤采样及成本效益优势，在几乎所有实体瘤类型的精准肿瘤学中均展现出普适性与变革价值。
影像组学的发展轨迹可分为三个关键阶段。第一阶段（2012–2018年）以传统静态特征分析为主，重点关注主要基于CT图像的一阶统计、纹理与形状特征。第二阶段（2019–2022年）见证了动态与亚区域方法的兴起，代表性方向包括用于量化纵向变化的Δ影像组学（delta radiomics）与用于分解肿瘤内亚区域的栖息地影像组学（habitat radiomics）。第三阶段（2023年至今）标志着多技术融合时代的到来，由深度学习、多组学融合、大规模数据协作与监管转化共同驱动。
本综述采用广泛的泛癌视角，覆盖肺癌、乳腺癌、结直肠癌、肝细胞癌、胶质瘤与前列腺癌等最常见且临床意义重大的实体瘤。研究人员采用了严格统一的文献筛选标准，优先纳入多中心前瞻性研究、高质量系统评价与荟萃分析以及临床实践指南，排除无外部验证的单中心小样本探索性研究、非肿瘤学研究及临床相关性有限的纯技术报告。综述围绕“技术–应用–转化”的连贯框架展开，旨在回答五个核心科学问题：泛癌影像组学的通用技术流程与癌种特异性成像适配；不同肿瘤类型临床应用的共享原则与异质性特征；多组学整合与生物学可解释性的机制与价值；限制临床转化的通用与癌种特异性瓶颈；以及迈向通用、因果且具备临床可用性的影像组学的未来方向。
本全景式综述从技术基础到泛癌应用再到转化前景，提供了全面且最新的影像组学概览。通过以研究最成熟、证据最充分的肺癌为核心范式，同时系统整合多种其他实体瘤的高级证据，清晰区分了可推广的影像组学原则与癌种特异性发现。综述批判性指出了当前的局限性、证据缺口与方法学缺陷，并为加速影像组学在临床肿瘤学日常实践中的可信落地提出了合理且可操作的路线图。
2 核心技术流程与跨癌种标准化
影像组学在所有实体瘤中遵循大体统一的技术工作流，但不同癌症独特的解剖位置、组织构成、生物学行为及常规临床成像协议要求针对性的方法学优化。本节系统介绍通用影像组学流程、癌种特异性成像注意事项、针对多源异质性的关键标准化策略、新兴高级技术分支，以及深度学习与传统手工特征在泛癌场景下的比较作用。
2.1 通用工作流：图像采集、分割与特征提取
核心影像组学流程包含四个顺序且相互依赖的步骤：标准化成像数据采集、准确可重复的兴趣区（ROI）分割、高维特征提取与降维，以及严格的模型构建与验证。每一步都直接决定最终影像组学模型的可靠性、可重复性与临床适用性。
成像采集是稳健影像组学分析的基础步骤。在大多数实体瘤中，计算机断层扫描（CT）因其高空间分辨率、广泛的临床可及性与成本效益，仍是应用最广泛的模态。正电子发射断层扫描（PET/CT）增加了关键的代谢与功能信息，可补充解剖细节。磁共振成像（MRI）提供更优的软组织对比度与丰富的多参数功能序列，包括弥散、灌注与肝胆期成像。超声常用于浅表器官、介入引导与系列随访。为确保特征计算的可重复性，必须标准化并记录层厚、重建核、管电压与窗宽窗位等扫描参数。
ROI分割是决定特征稳定性的关键环节，可分为三类且性能特征各异。由经验丰富的放射科医师完成的手动分割对复杂病灶准确性高，但效率低且观察者间差异显著。借助阈值或区域生长算法的半自动分割提高了效率，同时保持了合理的稳定性。基于深度学习模型的全自动分割效率与可重复性最高，适用于大规模多中心研究。分割策略的选择应依据肿瘤类型、病灶大小、边界清晰度、样本量与研究目的确定。
特征提取生成大量定量描述符，捕捉肉眼不可见的肿瘤特征，包括反映像素强度分布的一阶特征、描述空间像素相关性的纹理特征、刻画几何形态的形状特征，以及经小波或高斯拉普拉斯滤波增强的高阶特征。鉴于提取特征的高维与冗余性，特征选择对于消除噪声与多重共线性至关重要。常用方法包括相关性分析、最小绝对收缩与选择算子（LASSO）回归、最大相关最小冗余（mRMR）与递归特征消除，这些手段均可提升模型的泛化性、可解释性与临床实用性。
2.2 癌种特异性成像注意事项
不同实体瘤具有不同的解剖部位、组织密度、血供、边界特征与典型生长模式，这直接决定了影像组学中的最优成像模态、分割策略与有意义的特征集。这些癌种特异性属性必须被仔细考量，以确保模型性能与临床相关性。
肺癌的影像组学分析中，CT是无可争议的主导成像模态。为保留对早期检测与风险分层至关重要的磨玻璃结节与小外周病灶的细微结构特征，薄层重建（≤1.25 mm）与标准化肺窗设置是可靠特征提取的必要前提。鉴于小病灶、边界不清及外周分布的高发性，分割一致性在该恶性肿瘤中尤为关键，ROI勾画的微小变化即可引入显著不稳定性，降低影像组学模型的可重复性与预测性能。
乳腺癌采用乳腺钼靶、超声与动态增强MRI互补使用，以捕捉肿瘤病理生理的不同层面。钼靶在检测与早期恶性转化相关的微钙化方面表现优异；超声对致密乳腺实质内的小病灶具有高敏感性；动态增强MRI衍生的纹理特征与动力学强化曲线则反映血管生成、细胞密度与间质纤维化，均与肿瘤侵袭性、分子亚型及治疗反应密切相关。
结直肠癌的影像组学评估以盆腔MRI与腹部CT为标准成像框架。腹部CT可评估远处转移与结肠壁增厚，盆腔MRI对表征局部肿瘤侵犯、直肠系膜筋膜受累与区域淋巴结状态不可或缺，这些解剖与影像组学特征直接指导手术规划、新辅助治疗策略与预后分层。
肝细胞癌中，增强CT与MRI是影像组学分析的一线成像模态。源自这些模态的功能与灌注相关影像组学特征反映了富血供肿瘤的特征性血流动力学改变，以及背景肝功能储备与实质病变状态，共同支持准确的病灶表征、风险分层与治疗可行性评估。
胶质瘤中，脑部MRI是影像组学分析的金标准成像模态。多参数MRI序列，包括T1加权、T2加权、液体衰减反转恢复（FLAIR）与弥散加权成像，捕捉肿瘤浸润、瘤周水肿、血脑屏障破坏与细胞密度等关键病理生理特征，支持无创评估肿瘤级别、分子亚型与预后。
前列腺癌中，多参数MRI是无创影像组学诊断的基石。联合T2加权、弥散加权与动态增强序列，能够可靠检测具有临床意义的病灶，尤其在移行带，影像组学模型可改善风险分层、减少不必要的前列腺穿刺活检，并指导靶向采样与治疗选择。
2.3 标准化挑战：多中心、多扫描仪与多癌种
异质性是制约泛癌影像组学临床转化的最关键瓶颈，主要源于三大相互关联的来源，严重损害模型可重复性与泛化性。设备与参数异质性源于扫描仪厂商、管电压、管电流、层厚、重建算法与后处理设置的差异，同一病灶的特征值可出现15%–20%的波动，直接扭曲模型性能。分割异质性来自观察者间差异、半自动与自动方法差异及ROI边界定义差异，形状与纹理特征对此尤为敏感。特征定义异质性则由软件实现方式不同所致，导致特征不可比，阻碍跨研究验证与荟萃分析。
为解决上述挑战，需要多层标准化策略。图像预处理包括体素间距归一化、强度裁剪、伪影去除与噪声抑制。特征标准化遵循影像生物标志物标准化倡议（IBSI）的统一定义，结合Z分数或最小–最大归一化。工作流程标准化遵循影像组学诊断准确性报告标准（STARD-RAD）、医学影像人工智能清单（CLAIM）以及个体化预后或诊断多变量预测模型透明报告（TRIPOD-AI）。质量控制通过影像组学质量评分（RQS）、诊断准确性研究质量评估工具第二版（QUADAS-2）与预测模型偏倚风险评估工具（PROBAST）执行。高级校正方法包括基于体模的校准、ComBat批次校正与循环一致生成对抗网络（CycleGAN）域自适应，已被证实可有效降低多中心与多扫描仪偏倚。
2.4 新兴分支：动态、Δ与亚区域影像组学
传统静态影像组学仅捕捉基线肿瘤表型，不足以反映治疗或疾病进展诱导的动态生物学变化。若干新兴分支通过实现动态与空间精细化分析，显著拓展了影像组学的能力与临床价值。
Δ影像组学量化两个或多个时间点（如治疗前、治疗中、治疗后）影像组学特征的变化，这对评估治疗效果至关重要。该分支聚焦于随时间推移的动态肿瘤特征变异，而非仅静态基线特征，通过捕捉治疗诱导的肿瘤演变（包括大小、密度、纹理与血供的变化），可在常规影像检测到解剖变化前数周实现对治疗反应的早期预测、动态患者风险分层与不良事件预警。
栖息地影像组学利用聚类算法将肿瘤划分为具有生物学意义的亚区域（增殖区、坏死区、乏氧区与侵袭区），每一区域均与特定的分子谱和治疗敏感性相关联。与传统将肿瘤视为均质实体的方法不同，它解码肿瘤内异质性——这是治疗抵抗与复发的主要驱动因素。不同亚区域对治疗的反应存在差异，因此独立的亚区域分析可提供精确的肿瘤生物学洞察，辅助个性化治疗设计。
动态影像组学整合纵向多时间点成像数据（在治疗与随访期间采集），构建随肿瘤行为演化的实时自适应风险模型。它超越Δ影像组学，纳入连续而非离散的时间变化，实现对进展与反应的动态监测，自适应模型随新的成像数据更新，提供实时风险评估以指导及时的治疗调整。
2.5 深度学习影像组学与传统手工特征
传统手工影像组学与深度学习影像组学是两种互补且截然不同的分析范式。手工特征是预定义的数学描述符，包括强度统计、纹理指数、形状参数及滤波衍生的高阶值，其构建基于先验的图像特征知识。这些特征透明度高、可解释性好，在小样本或单中心研究中表现可靠，特别适合与组织学或分子标志物的生物学注释与机制验证。然而，手工特征捕捉高维、隐含与跨模态模式的能力有限，可能限制其在复杂多场景或大规模数据集中的性能。
相比之下，深度学习影像组学依赖卷积神经网络（CNN）或其他深度架构，直接从原始图像中自动学习层次化特征表示，无需人工特征工程。这种数据驱动的范式在多模态信息融合、抽象影像模式捕捉方面表现卓越，在大样本、多中心与跨癌种任务中性能优越。然而，深度学习模型常被视为“黑箱”，可解释性有限，且需要大量标注数据与高计算成本，阻碍了其生物学验证与临床透明度。
在当前泛癌影像组学实践中，融合手工特征与深度学习表示的混合策略已成为共识。这种组合方法兼顾了手工特征的可解释性与生物学基础，以及深度学习模型的强大特征学习能力。在可解释人工智能（XAI）技术的辅助下，混合框架增强了深度学习输出的可解释性，同时强化了手工特征的预测能力，在不同癌种中实现了模型准确性、稳健性、生物学可解释性与临床可转化性的最佳平衡。
3 多组学整合：泛癌视角
单独的影像组学仅捕捉肿瘤的宏观表型信息，而这种单一维度的分析只能观察肿瘤的表面现象，无法深入揭示影像表型背后的内在生物学机制。相比之下，多组学整合——将影像组学与基因组学、转录组学、蛋白质组学和代谢组学相结合——能够深度解码驱动影像表型的潜在分子通路、基因表达程序与细胞过程，帮助解释不同肿瘤为何呈现不同的影像特征，从而桥接宏观影像表现与微观生物学机制。
这种多组学整合进一步形成了全面的“影像–分子–临床”泛癌决策支持系统。通过融合影像数据、分子数据与临床信息，该系统不仅显著提升疾病诊断、治疗反应预测与预后评估的准确性，还增强了影像组学特征的生物学可解释性，使临床医生能够更全面地理解肿瘤生物学，从而为临床决策、个性化治疗与随访管理提供更科学、更具针对性的指导。
3.1 影像基因组学：连接跨癌种影像表型与分子通路
影像基因组学是一门交叉学科，旨在建立影像组学特征与基因组、转录组或表观基因组谱之间的定量关系。通过探索影像表型的固有生物学基础，它将影像组学特征从纯粹的统计学相关转化为具有生物学可解释性的生物标志物，从而增强影像组学在临床肿瘤学中的转化价值。
在多种实体瘤中，已识别出一致的影像基因组学关联。增殖相关通路，包括E2F靶点与G2/M检查点调节因子，与纹理异质性和熵呈强相关，反映了肿瘤内结构紊乱的程度。免疫相关通路，如干扰素-γ（IFN-γ）信号与T细胞活化，与PET代谢参数及肿瘤内代谢异质性密切相关，将影像特征与肿瘤免疫微环境联系起来。血管生成通路，以血管内皮生长因子（VEGF）信号为代表，相应地体现在对比增强模式与灌注相关特征中，提供了肿瘤血供的无创指标。
癌种特异性的影像基因组学特征也有充分记录。表皮生长因子受体（EGFR）突变型肺癌通常表现为磨玻璃成分比例高且熵低；人表皮生长因子受体2（HER2）阳性乳腺癌表现出特征性的纹理异质性；异柠檬酸脱氢酶（IDH）突变型胶质瘤呈现独特的MRI信号模式。这些保守的跨癌种与癌种特异性关联验证了影像组学的生物学基础，并支持其在恶性肿瘤无创分子分型中的临床应用。
3.2 影像组学与液体活检（循环肿瘤DNA、外泌体）
液体活检涵盖循环肿瘤DNA（ctDNA）、循环肿瘤细胞（CTC）与外泌体，可实时无创监测肿瘤演变与治疗干预期间的动态分子改变。作为一种微创方法，它捕捉肿瘤遗传学与负荷的纵向变化，而这些变化可能无法仅通过静态影像完全反映。因此，影像组学与液体活检的协同整合建立了一个强大的多模态监测框架，其性能优于单独使用任一模态。
将治疗中期ctDNA动力学与Δ影像组学特征相结合，可实现连续的动态风险分层与疾病进展的早期预测，往往早于可检测的解剖学变化。影像组学参数与ctDNA特征的联合分析也显著提高微小残留病（MRD）检测的灵敏度，可在常规影像检出肿瘤复发前数月实现可靠的复发预测。此外，CTC计数与反映肿瘤内异质性的影像组学标志物的联合分析，提高了转移风险评估的精度，为高风险的患病人群提供了更稳健的分层。
这种整合协同策略已在肺癌、结直肠癌、乳腺癌与肝癌等多种常见恶性肿瘤中显示出广泛适用性。通过弥补单模态检测固有的局限性，这种组合方法更全面、准确地描绘了肿瘤负荷、生物活性与时空异质性，从而支持精准肿瘤学中更精细的临床决策。
3.3 跨模态图像融合（PET/CT、PET/MRI等）
不同的成像模态提供有关肿瘤解剖、功能、代谢与细胞密度的独特且互补的信息。每种模态捕捉肿瘤病理生理的不同层面，没有任何单一的成像技术可以完全代表恶性病变的复杂生物学特征。跨模态融合有效地整合了这些多维信息，从而显著增强影像组学模型的稳定性、预测能力与临床适用性。
CT与PET/CT的融合结合了CT的高分辨率解剖细节与PET衍生的定量代谢活动，通过联合评估结构变化与代谢改变，提高了肺结节表征、肿瘤分期与治疗反应评估的准确性。同样，MRI与PET/CT的融合利用了MRI优异的软组织分辨率与PET的代谢敏感性，在脑、肝、盆腔与腹膜后肿瘤评估中具有显著优势。此外，多参数MRI融合整合多个MRI序列，通过捕捉细胞密度、灌注与微结构等多种组织特性，实现了前列腺癌与胶质瘤中更精细的风险分层。
跨模态整合可在多个层面实施。特征级融合将不同模态的定量影像组学特征拼接起来，构建综合特征空间；决策级融合通过加权集成的方式合并单个模型的预测结果以提升整体性能；基于深度学习的跨模态注意力机制自动学习不同模态之间的内在关联。这些融合策略均提升了模型在广泛癌种中的稳健性、诊断准确性与泛化能力。
3.4 生物学可解释性：迈向泛癌影像组学图谱
较差的生物学可解释性仍然是阻碍影像组学模型广泛临床采纳与监管批准的主要障碍。尽管回顾性研究中预测性能良好，许多影像组学特征缺乏与潜在肿瘤生物学的明确机制联系，限制了其转化潜力。为解决这一关键局限，目前正在开发多种互补策略，以将影像组学从纯粹的相关性分析工具转变为具有坚实生物学基础的、机制可解释的技朮。
先进的可解释人工智能（XAI）技术，如梯度加权类激活映射（Grad-CAM）与局部可解释模型无关解释（LIME），能够可视化驱动模型预测的关键图像区域与定量特征，从而提高透明度与临床直观性。病理–影像空间配准与对齐通过将影像组学特征与Ki-67、CD8与PD-L1等公认的组织学标志物相关联，进一步验证了影像组学特征，桥接宏观影像特征与微观组织学特征。因果推断方法也被用于区分影像组学特征与临床结局之间的真实因果关系与虚假统计相关性。
与此同时，正在开发的泛癌影像组学图谱旨在建立连接多种癌种中影像组学特征、分子通路与组织学表型的统一标准化映射。该图谱将作为一个共享参考资源，系统地用相应的生物学与临床注释标注影像特征，实现对影像组学模型的一致解释、跨癌种推广与可靠验证。这种综合性图谱的成功构建与实施，将极大地促进影像组学模型稳健、可信地转化为常规肿瘤学实践。
4 临床应用：面向主要癌种的问题导向分析
影像组学生物标志物通过解决肿瘤学中共同的临床挑战，在许多实体瘤中提供一致且可转化的临床决策支持，而非仅在单一疾病实体内评估应用。综述综合了肺癌、乳腺癌、结直肠癌、肝癌、前列腺癌与胶质瘤的证据，以识别共享的机制与预测模式，同时强调独特的癌种特异性特征。这种泛癌结构厘清了广泛通用的原则与肿瘤特有的表型特征，形成了坚实的证据基础，支持在不同肿瘤学场景中稳健、可扩展的临床实施。
4.1 早期检测与筛查
早期检测是降低癌症相关死亡率、改善各瘤种长期生存最具影响力的策略，而影像组学提供了一种无创、定量且高度可扩展的方法，以增强传统癌症筛查项目的性能。通过从临床影像中提取高维定量特征，影像组学能够在接受常规筛查的人群中实现更灵敏、更特异的风险分层。
在肺癌中，基于CT的影像组学可实现良恶性肺结节的高性能分类，尤其对磨玻璃混浊与小亚厘米病灶具有重要价值，这类病灶仅靠放射科医师的视觉评估仍具有诊断挑战性。在乳腺癌中，钼靶与超声图像的影像组学分析降低了假阳性召回率，提高了对主观判读可能被遗漏的早期浸润性癌的识别能力。在结直肠癌中，CT结肠成像衍生的影像组学特征有助于分层结直肠息肉的恶性潜能，支持更有针对性的干预。在肝脏肿瘤中，增强影像组学分析改善了异型增生结节与早期肝细胞癌的鉴别，促进及时干预。在前列腺癌中，多参数MRI影像组学提高了对具有临床意义疾病的检测能力，同时减少了不必要的前列腺穿刺活检。
一个统一的泛癌原则是，影像组学通过量化人类视觉感知极限之外的细微纹理、形态与功能影像特征，改善早期检测。癌种特异性差异主要体现在成像模态的选择、不同影像组学特征的相对重要性，以及将影像组学输出整合到现有临床诊断路径的方式上。
4.2 无创分子分型
影像组学能够无创推断分子亚型、驱动基因突变与关键治疗靶点，从而最大限度地减少连续有创活检的需求，并缓解组织采样偏倚的固有局限。通过捕捉潜在分子改变的宏观影像相关特征，影像组学分析提供了肿瘤分子状态的重复性与全病灶评估，这是传统组织学采样无法完全实现的。
在肺癌中，影像组学模型预测EGFR、KRAS、ALK与ROS1改变以及程序性死亡配体1（PD-L1）表达的一致性受试者工作特征曲线下面积（AUC）稳定超过0.85，支持稳健的无创基因分型。在乳腺癌中，影像组学特征与雌激素受体（ER）、孕激素受体（PR）和人表皮生长因子受体2（HER2）状态以及内在分子亚型显著相关。在结直肠癌中，影像组学有助于预测RAS/RAF突变与微卫星不稳定性，二者均指导临床治疗决策。在胶质瘤中，影像组学特征可可靠识别IDH突变、1p/19q共缺失与O6-甲基鸟嘌呤-DNA甲基转移酶（MGMT）甲基化状态，这些定义了主要的临床分子亚组。在前列腺癌中，影像组学特征与Ki-67增殖指数及既定的分子风险分层系统密切相关。
一个统一的泛癌原则是，影像表型直接反映潜在的基因组与转录组异常。癌种特异性差异主要源于驱动基因流行率、突变谱以及与谱系特异性分子程序相关的独特影像特征的差异。
4.3 治疗反应预测
影像组学能够在多种恶性肿瘤中实现早期、动态且无创的治疗反应预测，往往比肿瘤大小的可检测变化早数周，填补了肿瘤学中关键的未满足需求——及时评估治疗效果可直接指导临床决策。通过捕捉随时间推移的肿瘤表型的细微定量变化，影像组学分析提供了比传统解剖成像更早的治疗效果读数，使能够及时调节治疗策略以优化结局。
在放化疗中，Δ影像组学量化影像组学特征的纵向变化，在肺癌、食管癌与直肠癌中比标准RECIST标准早4–6周预测治疗反应，有助于早期识别无反应者。在免疫治疗中，影像组学特征有效区分“热”（免疫活跃）与“冷”（免疫静息）肿瘤，预测客观反应率，并预测一系列实体瘤中免疫相关不良事件的风险。在靶向治疗中，影像组学模型可靠预测肺癌、乳腺癌与结直肠癌的治疗效果与早期获得性耐药的出现，支持个性化调整靶向药物。在抗血管生成治疗中，影像组
