论文链接：https://www.nature.com/articles/s41698-024-00666-y
期刊：npj Precision Oncology
团队：复旦肿瘤
数据集：多中心，乳腺癌患者
方法：放射组学、基因组学、转录组学、代谢组学
“尽管深度学习放射组学目前具有卓越的预测性能，但团队的研究更喜欢放射组学，因为它具有标准化和可重复的特征提取过程。”
1、增强MRI的肿瘤和瘤周放射组学特征预测乳腺癌预后（高危vs低危）
“瘤周特征占大部分特征，表明瘤周成像在患者预后分层中起着重要作用。”
2、放射组学预测结果与生物学特征比对，揭示联系
“通过放射组学特征区分的高危和低危肿瘤，发现其具有不同的生物学特征（来自基因&转录&代谢组学）。其中，高危肿瘤高度增殖和耗能，而低危肿瘤缺乏明确的特征，具有经典的乳腺癌标志性通路上调。”
3、放射组学特征+临床特征预测治疗反应
总结：“团队的研究引入了一种基于肿瘤和瘤周放射组学特征的多中心验证的预后预测特征，与乳腺癌的能量代谢相关。这种放射组学特征，补充了预测治疗反应的临床特征。”