分享:
分享到微信朋友圈
X
综述
影像基因组学在预测结直肠癌肝转移基因突变中的应用进展
马佳琪 肖玲清 李晓夫

Cite this article as: Ma JQ, Xiao LQ, Li XF. Application progress of radiogenomics in the prediction of liver metastasis gene mutations in colorectal cancer[J]. Chin J Magn Reson Imaging, 2022, 13(9): 160-162, 170.本文引用格式:马佳琪, 肖玲清, 李晓夫. 影像基因组学在预测结直肠癌肝转移基因突变中的应用进展[J]. 磁共振成像, 2022, 13(9): 160-162, 170. DOI:10.12015/issn.1674-8034.2022.09.038.


[摘要] 结直肠癌(colorectal cancer, CRC)是最常见的消化道肿瘤之一,肝脏是晚期CRC最常见的转移部位,结直肠癌肝转移(colorectal liver metastasis, CRLM)是影响患者长期预后的主要不利因素。研究表明,CRLM通常与基因突变状态密切相关。传统影像学方法在CRLM基因突变状态的预测、诊疗及预后等方面仍然具有一定的局限性。近年来,影像基因组学在预测CRLM的基因突变状态,进而指导CRLM治疗决策制订、提高远期预后及总体生存率、预测治疗敏感性等方面已经展示出极大的潜力及广阔的应用前景。
[Abstract] Colorectal cancer (CRC) is the one of the common gastroenteritis tumors, liver is the most common metastatic site of advanced CRC, colorectal liver metastasis (CRLM) is the main adverse factor that effects the long-term prognosis of patients. It is shown that CRLM is usually associated with the gene mutation status intimately. Traditional imaging methods still have some limitations in the prediction, diagnosis, treatment and prognosis of CRLM gene mutation. In recent years, radiogenomics has shown great potential and broad application prospects in predicting gene mutation status of CRLM, guiding treatment decision making, improving long-term prognosis and overall survival rate, and predicting treatment sensitivity.
[关键词] 结直肠癌;肝转移;影像组学;影像基因组学;基因突变;结直肠癌肝转移
[Keywords] colorectal cancer;liver metastasis;radiomics;radiogenomics;gene mutation;colorectal liver metastasis

马佳琪 1   肖玲清 2   李晓夫 1*  

1 哈尔滨医科大学附属第二医院磁共振成像诊断科,哈尔滨 150086

2 新疆生产建设兵团第十师北屯市总医院影像中心,北屯 836099

*李晓夫,E-mail:davin2004@163.com

作者利益冲突声明:全部作者均声明无利益冲突。


基金项目: 新疆生产建设兵团财政科技计划项目 2021AB029
收稿日期:2022-04-20
接受日期:2022-07-29
中图分类号:R445.2  R735.37 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.09.038
本文引用格式:马佳琪, 肖玲清, 李晓夫. 影像基因组学在预测结直肠癌肝转移基因突变中的应用进展[J]. 磁共振成像, 2022, 13(9): 160-162, 170. DOI:10.12015/issn.1674-8034.2022.09.038

1 影像组学的概念及发展

       影像组学一词最早由荷兰学者Lambin[1]在2012年提出,其通过对医学图像中的信息进行高通量的定量提取、筛选,进而表达肿瘤特征的异质性。2012年11月,Kumar等[2]对影像组学的定义进行了拓展,他们提出影像组学是指从电子计算机断层扫描(computed tomography, CT)、正电子发射计算机断层显像(positron emission computed tomography, PET)或MRI等医学影像中高通量地提取并分析大量高级且定量的影像学特征。这个理念在随后的研究中被越来越多的学者改进与完善。2014年,Aerts等[3]进一步完善了影像组学方法,提出影像组学的工作流程,主要包括四个部分:图像获取、图像的分割、特征提取和筛选(包括形态学特征、一阶特征、二阶特征、高阶特征等)、数据的处理与分析并构建预测和分类模型[4, 5]

       近年来,影像基因组学技术发展较为迅速,其将影像组学图像信息与基因突变数据进行整合,在指导肿瘤患者选择不同治疗方式、评估对化疗和/或放疗治疗的敏感性、预测患者潜在耐药性等方面显示出极大的潜力[6, 7],对不同患者分类治疗,提高患者的远期生存率[8]。将影像组学和影像基因组学应用于结直肠癌肝转移(colorectal liver metastasis, CRLM)已成为近年来研究的热点。

2 影像基因组学在预测CRLM基因突变中的进展

       肝脏是结直肠癌(colorectal cancer, CRC)最常见的转移器官[9]。15%~25%的CRC患者在就诊时就伴随同步肝转移[10]。CRC的发生、发展是许多因素共同作用的结果,除了外界因素的影响,CRC的发生还与诸多基因突变有关,研究表明:APC、c-myc、RAS(KRAS和NRAS)、p53、p16、DCC、MCC、DPC4、BRAF等基因均参与大肠黏膜上皮癌变。其中,KRAS基因突变在CRC患者中的发生率为35%~45%,BRAF基因突变发生率为4.7%~8.7%,而BRAF基因中的V600E位点的突变几乎占BRAF基因突变的80%[11, 12, 13]。RAS和BRAF基因同时存在突变时会产生更为严重的不良预后,此类患者会在确诊之后的一年内死亡[14, 15]。因此,准确识别此类患者的基因状态显得尤为重要。

       近年来,影像组学在预测CRLM基因突变中得到快速发展。影像组学特征联合基因突变信息、患者临床信息,可以更全面、准确地评估患者病情,进一步提高诊断效能。然而,预测驱动基因的突变状态需要对获取的样本进行分析,传统的方法是从术中或者活检中获取样本进行病理学分析,这种方法有创,还会受到多种因素的影响,比如肿瘤异质性、基因突变状态的不一致性、肿瘤组织的无效性以及样本量不足等[14]。与传统的方法相比,基于MRI的影像组学预测基因突变状态并且针对多中心的不同肿瘤提供了临床决策和额外的信息,这种方法可以提高MRI在CRC诊断中的价值并且可以更好地发现肿瘤分子表型的潜在差异[16]。利用影像组学预测CRLM基因突变可以避免由肠道蠕动导致的CRC基因突变的偏差和低重复性,同时能确保基因状态的高度一致性[4,17, 18, 19]。Kawada等[20]研究发现基于PET/CT的影像组学特征可以预测CRLM患者的基因突变状态,当最大标准摄取值(maximum standard uptake value, SUVmax)截止值为13或14时,预测KRAS/BRAF基因突变状态的敏感度、特异度、准确率分别为74%、75%、75%。Granata等[21]研究发现扩散峰度成像(diffusion kurtosis imaging, DKI)-MRI衍生的参数平均扩散峰度的标准差值(the standard deviation value of mean of diffusional kurtosis, MK STD)可以预测CRLM患者的RAS基因突变,其敏感度、特异度、准确性分别为72%、85%、79%。Gültekin等[22]研究发现与野生型KRAS基因相比,伴有KRAS基因突变的CRLM患者有更低的表观扩散系数(apparent diffusion coefficient, ADC)和ADC平均值。Granata等[8]将K-邻近算法与预测因子相结合去推断RAS基因突变,其敏感度、特异度、准确性分别为90%、67.8%、76.9%。Mao等[23]研究表明,与野生型KRAS相比,伴有KRAS基因突变的CRLM有更高的ΔSUVmax和滞留指数[retention index,RI(%)],SUV值可以预测CRLM患者存在KRAS突变状态。Chen等[24]发现在CRC患者中TP53和KRAS突变与SUVmax和肿瘤最大摄取宽度的40%升高有关,进一步研究表明灰度共生矩阵对比度的增加与KRAS突变之间存在相关性,TP53突变与灰度运行长度矩阵中的低灰度强度值增加有关,而APC突变与灰度级区域长度矩阵中的低灰度级区域强度值相关[25]。Oh等[26]发现与野生组相比,KRAS突变组梯度滤波值和平均(和标准差)偏度显著升高,中等质地纹理特征的标准偏差较高,能够区分突变型KRAS和野生型KRAS。Shin等[27]发现,基线直肠MRI检查时,肿瘤轴向与纵向长度之比越大,KRAS发生突变的几率就越高,两者之间呈显著正相关。Xu等[28]研究表明,与KRAS野生型组相比,KRAS突变组的六种纹理特征(均值、方差、偏度、熵、灰度不均匀性、游程长度不均匀性)的平均值显著高于KRAS野生型组。来自强度直方图的特征,包括熵、标准差和偏度,与CRLM患者的KRAS突变和肿瘤分级相关[29]。以上研究均表明,影像组学特征在预测CRLM的基因突变程度方面具有广阔的研究前景,非侵入性获取的肿瘤基因表达信息可以弥补传统方法的不足,从而帮助临床医师对不同基因突变患者进行分类管理,为精准治疗提供支持与帮助,使患者获得更好的生存预后。

3 影像基因组学预测CRLM患者的预后

       CRLM患者基因突变状态与患者的预后和远期生存密切相关。Modest等[30]和Souglakos等[31]研究表明,与野生型KRAS相比,伴有KRAS基因突变的CRLM患者有更为不良的无进展生存期(progression free survival, PFS)和总体生存率,BRAF和PK3CA基因突变也与更短的PFS和总体生存率相关。Deng等[32]研究表明伴有KRAS或者BRAF基因突变的晚期CRC患者有更短的无复发生存期(recurrence free survival, RFS)、无疾病生存期(disease free survival, DFS)[32]和复发后生存期(survival after recurrence, SAR)[33]。Margonis等[34]研究发现与KRAS基因突变相比,BRAF V600E突变与总体生存率和DFS有更强的相关性。

       不同影像学标志物在CRLM患者中的预测作用不同。对比增强CT(contrast-enhanced CT, CE-CT)影像组学分析可区分高级别和低级别CRC[35]。Badic等[36]研究表明,CRC中的平坦度、总熵、来自灰度级共生矩阵的熵(entropy of gray level co-occurrence matrix, GLCME)、灰度不均匀性等放射组学特征,联合ABCC2 mRNA水平、Ⅲ期肿瘤和淋巴结状态,在Cox单变量分析中与PFS显著相关;在多变量分析中,Ⅲ期肿瘤、ABCC2 mRNA水平和GLCM E是PFS的独立预后因素;而3D表面积/体积比、平面度、逆差力矩、逆差等放射组学特征联合ALDH1A1过表达可以作为总体生存率的预测因素,进一步的多变量分析表明,3D表面积/体积比和ALDH1A1是CRC的独立预后因素。Granata等[8]研究表明CE-MRI组学特征与K-邻近算法相结合可以预测RAS基因的突变状态,对患者进行预后危险分层。通过影像组学对于不同患者的预后程度进行预测,可以发现不同患者的组学特征存在差异,证明了其在预测预后方面具有明显优势。由于患者的随访调查过程较长,组学技术在此过程中不断进步与完善,组学特征的提取方法和技术可能较之前有细微差别,也会对最终的结果产生难以避免的影响。

4 影像基因组学预测CRLM治疗敏感性

       早期发现肝脏转移灶并选择合适的治疗方法是改善CRLM远期预后和总体生存率的关键。Starmans等[37]研究表明,CT影像组学和机器学习特征可以预测CRLM的肿瘤生长模式。CT影像组学特征可以表达CRLM患者肝转移灶的肿瘤异质性,可能有助于判断治疗前肝损害的分级[38],根据肝损害程度的不同选择合适的治疗方法。CRLM的治疗方式包括化疗、靶向治疗、免疫治疗、外科手术等。约20%~30%的CRLM患者可以进行R0期切除,超过80%的CRLM患者无法行根治性手术治疗,此类患者的5年存活率接近于零[9]。对无法手术切除的CRLM,有必要检测患者KRAS基因、NARS基因及BRAF基因状况。利用影像组学的方法可以无创地检测基因状态,针对不同的基因状态选择对该基因治疗敏感的方案,从而改善患者的预后效果。这就说明了影像组学在评价CRC基因突变层面具有较广阔的应用前景。

       在预测治疗敏感性方面,不同的影像组学特征具有不同的预测能力,比如,RAS基因突变可以预测患者对抗表皮生长因子受体(epidermal growth factor receptor, EGFR)疗法的耐药性,在CRLM患者中高频微卫星不稳定性可以指导免疫疗法,使高频微卫星不稳定型CRLM患者从中获益[39, 40]。Dercle等[41]回顾性分析了667例CRLM患者病例,比较了氟尿嘧啶,亚叶酸和伊立替康(5-fluorouracil leucovorin and irinotecan, FOLFIRI)加西妥昔单抗治疗组与单独FOLFIRI治疗组。使用随机森林算法建立的四个放射组学特征模型(包括肿瘤的形状、体积、对数熵、灰度差异矩阵对比度)用于预测抗EGFR疗法治疗CRLM患者的敏感性,结果显示影像组学特征在检测治疗敏感性方面优于现有的生物标志物。肿瘤形状和边界锐度特征与总体生存率密切相关,同时发现影像组学特征可以作为总体生存率的过渡替代标志物并且被用来指导西妥昔单抗的持续治疗决策。单克隆抗体药物可以显著提高CRC患者的预后,一些研究表明CRLM患者KRAS和NRAS基因突变与抗EGFR疗法的耐药性相关,而BRAF基因突变对EGFR疗法只产生轻微耐药性[42]。位于右半结肠的CRC比左半结肠更容易发生BRAF基因突变,这就导致发生在右半结肠的CRC更容易对抗EGFR疗法产生耐药性,具有不良预后[43, 44]。Giannini等[45]研究发现差异方差和肿瘤的异质性可以评估CRLM患者对HER2药物治疗的敏感性。对CRLM患者的基因突变状态进行分析、根据KRAS基因突变状态指导治疗,同时也能鉴别出哪些患者可以从肝脏切除术中获益更多[46]。影像组学特征可以预测CRLM患者的基因突变状态,而基因突变状态的改变可以预测患者对药物治疗的敏感性,两者结合可以为临床提供帮助。以上研究结果均表明影像组学在预测药物治疗CRLM的敏感性方面具有广阔的发展前景。然而,药物作用需要一定的时间和过程,在此过程中基因状态的改变是否受其他外在因素的影响尚未可知。

5 小结与展望

       影像组学作为一个多学科交叉的新兴领域,将影像组学特征与基因组学信息结合指导CRLM患者临床精准治疗,具有广阔的应用前景。然而,影像组学和影像基因组学目前还处于初级发展阶段,缺乏标准化定义和有效参考值,仍存在许多局限和不足之处。第一,由于图像提取技术、不同机器扫描参数和重建参数等差异导致影像组学相关研究的重复性较低。第二,利用不同的图像转换技术或特征选择方法对同一组影像组学数据进行分析时,可能会产生不同的结果。第三,对于感兴趣区的选择以及勾画上,大部分研究还是通过人为手动完成,这不仅大大增加医生的工作量,同时也存在一定的主观性,影响后续的模型建立,从而导致研究结果的低重复性和相似性。第四,目前的研究还存在样本量过小,以及多为单中心研究等问题。第五,对同一影像图像进行处理时,不同的软件之间也会有不同的参数选择,这是因为影像组学目前还缺乏标准化定义和有效参考值。

       综上,影像组学技术可以预测CRLM基因突变,结合基因组学信息,在CRLM的诊断、预测预后、预测治疗敏感性以及指导治疗、改善患者的远期预后和总体生存率等方面已经显示出巨大潜力。在未来的研究中,有待进行大样本量、多中心以及多变量的深入研究,将更多的影像组学研究与肿瘤基因突变信息、临床信息相结合,提高影像组学在临床上的应用率,使影像组学在CRLM患者的诊疗方面发挥出独有优势。

[1]
Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: Extracting more information from medical images using advanced feature analysis[J]. Eur J Cancer, 2012, 48(4): 441-446. DOI: 10.1016/j.ejca.2011.11.036.
[2]
Kumar V, Gu YH, Basu S, et al. Radiomics: the process and the challenges[J]. Magn Reson Imaging, 2012, 30(9): 1234-1248. DOI: 10.1016/j.mri.2012.06.010.
[3]
Aerts HJWL, Velazquez ER, Leijenaar RTH, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach[J/OL]. Nat Commun, 2014 [2022-04-20]. https://pubmed.ncbi.nlm.nih.gov/24892406. DOI: 10.1038/ncomms5006.
[4]
Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data[J]. Radiology, 2016, 278(2): 563-577. DOI: 10.1148/radiol.2015151169.
[5]
Mayerhoefer ME, Materka A, Langs G, et al. Introduction to radiomics[J]. J Nucl Med, 2020, 61(4): 488-495. DOI: 10.2967/jnumed.118.222893.
[6]
Abdollahi H, Mofid B, Shiri I, et al. Machine learning-based radiomic models to predict intensity-modulated radiation therapy response, Gleason score and stage in prostate cancer[J]. Radiol Med, 2019, 124(6): 555-567. DOI: 10.1007/s11547-018-0966-4.
[7]
Fusco R, Granata V, Petrillo A. Introduction to special issue of radiology and imaging of cancer[J/OL]. Cancers (Basel), 2020 [2022-04-20]. https://pubmed.ncbi.nlm.nih.gov/32961946. DOI: 10.3390/cancers12092665.
[8]
Granata V, Fusco R, Avallone A, et al. Radiomics-derived data by contrast enhanced magnetic resonance in ras mutations detection in colorectal liver metastases[J/OL]. Cancers (Basel), 2021 [2022-04-20]. https://pubmed.ncbi.nlm.nih.gov/33504085. DOI: 10.3390/cancers13030453.
[9]
Kassahun WT. Unresolved issues and controversies surrounding the management of colorectal cancer liver metastasis[J/OL]. World J Surg Oncol, 2015 [2022-04-20]. https://pubmed.ncbi.nlm.nih.gov/25890279. DOI: 10.1186/s12957-014-0420-6.
[10]
史艳龙, 蔚玮, 陈亮, 等. 肝切除治疗结直肠癌肝转移预后影响因素研究进展[J]. 中国实用外科杂志, 2020, 40(12): 1448-1452. DOI: 10.19538/j.cjps.issn1005-2208.2020.12.27.
Shi YL, Wei W, Chen L, et al. Progress in the study of prognostic factors of hepatectomy in the treatment of colorectal cancer liver metastasis[J]. Chin J Pract Surg, 2020, 40(12): 1448-1452. DOI: 10.19538/j.cjps.issn1005-2208.2020.12.27.
[11]
Bruera G, Cannita K, Di Giacomo D, et al. Prognostic value of kras genotype in metastatic colorectal cancer (mcrc) patients treated with intensive triplet chemotherapy plus bevacizumab (fir-b/fox) according to extension of metastatic disease[J/OL]. BMC Med, 2012 [2022-04-20]. https://pubmed.ncbi.nlm.nih.gov/23136868. DOI: 10.1186/1741-7015-10-135.
[12]
Jones JC, Renfro LA, Al-Shamsi HO, et al.Non-V600 BRAF mutations define a clinically distinct molecular subtype of metastatic colorectal cancer[J]. J Clin Oncol, 2017, 35(23): 2624-2630. DOI: 10.1200/JCO.2016.71.4394.
[13]
Fanelli GN, Dal Pozzo CA, Depetris I, et al. The heterogeneous clinical and pathological landscapes of metastatic Braf-mutated colorectal cancer[J/OL]. Cancer Cell Int, 2020 [2022-04-20]. https://cancerci.biomedcentral.com/articles/10.1186/s12935-020-1117-2. DOI: 10.1186/s12935-020-1117-2.
[14]
He P, Zou Y, Qiu J, et al. Pretreatment 18F-FDG PET/CT imaging predicts the KRAS/NRAS/BRAF gene mutational status in colorectal cancer[J/OL]. J Oncol, 2021 [2022-04-20]. https://www.hindawi.com/journals/jo/2021/6687291. DOI: 10.1155/2021/6687291.
[15]
Oliveira C, Velho S, Moutinho C, et al. KRAS and BRAF oncogenic mutations in MSS colorectal carcinoma progression[J]. Oncogene, 2007, 26(1): 158-163. DOI: 10.1038/sj.onc.1209758.
[16]
Guo XF, Yang WQ, Yang Q, et al. Feasibility of MRI radiomics for predicting KRAS mutation in rectal cancer[J]. Curr Med Sci, 2020, 40(6): 1156-1160. DOI: 10.1007/s11596-020-2298-6.
[17]
Shi RC, Chen WX, Yang BW, et al. Prediction of KRAS, NRAS and BRAF status in colorectal cancer patients with liver metastasis using a deep artificial neural network based on radiomics and semantic features[J]. Am J Cancer Res, 2020, 10(12): 4513-4526.
[18]
Park JE, Kim HS, Park SY, et al. Prediction of core signaling pathway by using diffusion-and perfusion-based MRI radiomics and next-generation sequencing in isocitrate dehydrogenase wild-type glioblastoma[J]. Radiology, 2020, 294(2): 388-397. DOI: 10.1148/radiol.2019190913.
[19]
Wang XH, Long LH, Cui Y, et al. MRI-based radiomics model for preoperative prediction of 5-year survival in patients with hepatocellular carcinoma[J]. Br J Cancer, 2020, 122(7): 978-985. DOI: 10.1038/s41416-019-0706-0.
[20]
Kawada K, Nakamoto Y, Kawada M, et al. Relationship between 18F-fluorodeoxyglucose accumulation and KRAS/BRAF mutations in colorectal cancer[J]. Clin Cancer Res, 2012, 18(6): 1696-1703. DOI: 10.1158/1078-0432.CCR-11-1909.
[21]
Granata V, Fusco R, Risi C, et al. Diffusion-weighted mri and diffusion kurtosis imaging to detect ras mutation in colorectal liver metastasis[J/OL]. Cancers, 2020 [2022-04-20]. https://pubmed.ncbi.nlm.nih.gov/32858990. DOI: 10.3390/cancers12092420.
[22]
Gültekin MA, Türk HM, Beşiroğlu M, et al. Relationship between kras mutation and diffusion weighted imaging in colorectal liver metastases; preliminary study[J/OL]. Eur J Radiol, 2020 [2022-04-20]. https://pubmed.ncbi.nlm.nih.gov/32109834. DOI: 10.1016/j.ejrad.2020.108895.
[23]
Mao WJ, Zhou J, Zhang H, et al. Relationship between KRAS mutations and dual time point 18F-FDG PET/CT imaging in colorectal liver metastases[J]. Abdom Radiol (NY), 2019, 44(6): 2059-2066. DOI: 10.1007/s00261-018-1740-8.
[24]
Chen SW, Lin CY, Ho CM, et al. Genetic alterations in colorectal cancer have different patterns on 18F-FDG PET/CT[J]. Clin Nucl Med, 2015, 40(8): 621-626. DOI: 10.1097/RLU.0000000000000830.
[25]
Chen SW, Shen WC, Chen WT, et al. Metabolic imaging phenotype using radiomics of [18F] FDG PET/CT associated with genetic alterations of colorectal cancer[J]. Mol Imaging Biol, 2019, 21(1): 183-190. DOI: 10.1007/s11307-018-1225-8.
[26]
Oh JE, Kim MJ, Lee J, et al. Magnetic resonance-based texture analysis differentiating KRAS mutation status in rectal cancer[J]. Cancer Res Treat, 2020, 52(1): 51-59. DOI: 10.4143/crt.2019.050.
[27]
Shin YR, Kim KA, Im S, et al. Prediction of KRAS mutation in rectal cancer using MRI[J]. Anticancer Res, 2016, 36(9): 4799-4804. DOI: 10.21873/anticanres.11039.
[28]
Xu Y, Xu Q, Ma Y, et al. Characterizing mri features of rectal cancers with different kras status[J/OL]. BMC Cancer, 2019 [2022-04-20]. https://pubmed.ncbi.nlm.nih.gov/31727020. DOI: 10.1186/s12885-019-6341-6.
[29]
Lubner MG, Stabo N, Lubner SJ, et al. CT textural analysis of hepatic metastatic colorectal cancer: pre-treatment tumor heterogeneity correlates with pathology and clinical outcomes[J]. Abdom Imaging, 2015, 40(7): 2331-2337. DOI: 10.1007/s00261-015-0438-4.
[30]
Modest DP, Ricard I, Heinemann V, et al. Outcome according to KRAS-, NRAS- and BRAF-mutation as well as KRAS mutation variants: pooled analysis of five randomized trials in metastatic colorectal cancer by the AIO colorectal cancer study group[J]. Ann Oncol, 2016, 27(9): 1746-1753. DOI: 10.1093/annonc/mdw261.
[31]
Souglakos J, Philips J, Wang R, et al. Prognostic and predictive value of common mutations for treatment response and survival in patients with metastatic colorectal cancer[J]. Br J Cancer, 2009, 101(3): 465-472. DOI: 10.1038/sj.bjc.6605164.
[32]
Deng YH, Wang L, Tan SY, et al. KRAS as a predictor of poor prognosis and benefit from postoperative FOLFOX chemotherapy in patients with stage Ⅱ and Ⅲ colorectal cancer[J]. Mol Oncol, 2015, 9(7): 1341-1347. DOI: 10.1016/j.molonc.2015.03.006.
[33]
Taieb J, Shi Q, Pederson L, et al. Prognosis of microsatellite instability and/or mismatch repair deficiency stage Ⅲ colon cancer patients after disease recurrence following adjuvant treatment: results of an ACCENT pooled analysis of seven studies[J]. Ann Oncol, 2019, 30(9): 1466-1471. DOI: 10.1093/annonc/mdz208.
[34]
Margonis GA, Buettner S, Andreatos N, et al. Association of braf mutations with survival and recurrence in surgically treated patients with metastatic colorectal liver cancer[J/OL]. JAMA Surg, 2018 [2022-04-20]. https://pubmed.ncbi.nlm.nih.gov/29799910. DOI: 10.1001/jamasurg.2018.0996.
[35]
Huang XM, Cheng ZX, Huang YQ, et al. CT-based radiomics signature to discriminate high-grade from low-grade colorectal adenocarcinoma[J]. Acad Radiol, 2018, 25(10): 1285-1297. DOI: 10.1016/j.acra.2018.01.020.
[36]
Badic B, Hatt M, Durand S, et al. Radiogenomics-based cancer prognosis in colorectal cancer[J/OL]. Sci Rep, 2019 [2022-04-20]. https://pubmed.ncbi.nlm.nih.gov/31278324. DOI: 10.1038/s41598-019-46286-6.
[37]
Starmans MPA, Buisman FE, Renckens M, et al. Distinguishing pure histopathological growth patterns of colorectal liver metastases on CT using deep learning and radiomics: a pilot study[J]. Clin Exp Metastasis, 2021, 38(5): 483-494. DOI: 10.1007/s10585-021-10119-6.
[38]
Tharmaseelan H, Hertel A, Tollens F, et al. Identification of ct imaging phenotypes of colorectal liver metastases from radiomics signatures-towards assessment of interlesional tumor heterogeneity[J/OL]. Cancers (Basel), 2022 [2022-04-20]. https://pubmed.ncbi.nlm.nih.gov/35406418. DOI: 10.3390/cancers14071646.
[39]
Asaoka Y, Ijichi H, Koike K. PD-1 blockade in tumors with mismatch-repair deficiency[J/OL]. N Engl J Med, 2015 [2022-04-20]. https://pubmed.ncbi.nlm.nih.gov/26028255. DOI: 10.1056/nejmc1510353.
[40]
陈功. 结直肠癌免疫治疗现状及进展[J]. 精准医学杂志, 2019, 34(1): 1-5. DOI: 10.13362/j.jpmed.201901001.
Chen G. Current situation and progress of immunotherapy for colorectal cancer[J]. J Precis Med, 2019, 34(1): 1-5. DOI: 10.13362/j.jpmed.201901001.
[41]
Dercle L, Lu L, Schwartz LH, et al. Radiomics response signature for identification of metastatic colorectal cancer sensitive to therapies targeting EGFR pathway[J]. J Natl Cancer Inst, 2020, 112(9): 902-912. DOI: 10.1093/jnci/djaa017.
[42]
Rizzo S, Bronte G, Fanale D, et al. Prognostic vs predictive molecular biomarkers in colorectal cancer: is KRAS and BRAF wild type status required for anti-EGFR therapy?[J]. Cancer Treat Rev, 2010, 36(Suppl 3): S56-S61. DOI: 10.1016/S0305-7372(10)70021-9.
[43]
van Brummelen EMJ, de Boer A, Beijnen JH, et al. BRAF mutations as predictive biomarker for response to anti-EGFR monoclonal antibodies[J]. Oncologist, 2017, 22(7): 864-872. DOI: 10.1634/theoncologist.2017-0031.
[44]
Salem ME, Weinberg BA, Xiu J, et al. Comparative molecular analyses of left-sided colon, right-sided colon, and rectal cancers[J]. Oncotarget, 2017, 8(49): 86356-86368. DOI: 10.18632/oncotarget.21169.
[45]
Giannini V, Rosati S, Defeudis A, et al. Radiomics predicts response of individual HER2-amplified colorectal cancer liver metastases in patients treated with HER2-targeted therapy[J]. Int J Cancer, 2020, 147(11): 3215-3223. DOI: 10.1002/ijc.33271.
[46]
Tsilimigras DI, Ntanasis-Stathopoulos I, Bagante F, et al. Clinical significance and prognostic relevance of KRAS, BRAF, PI3K and TP53 genetic mutation analysis for resectable and unresectable colorectal liver metastases: a systematic review of the current evidence[J]. Surg Oncol, 2018, 27(2): 280-288. DOI: 10.1016/j.suronc.2018.05.012.

上一篇 功能磁共振成像技术评估肝细胞癌生物学行为的研究进展
下一篇 MRI评估直肠癌新辅助放化疗后肿瘤反应的研究进展
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2