影像組學在胃腸道間質瘤診療中的研究進展

摘要：胃腸道間質瘤（GIST）是胃腸道最主要的間葉源性腫瘤，其生物學特征復雜，風險程度各異，因此早期診斷及精準的危險度評估對于后續的治療至關重要。影像組學可以從不同模態的影像數據中提取并分析具有強代表性的定量影像特征，通過機器學習的方法結合臨床數據，完成對病變診斷和預測等工作。現有研究表明，影像組學不僅能用于GIST的鑒別診斷、危險度分層及預后判斷，還在基因突變狀態評估和治療反應預測方面展現出潛力。本文就影像組學在GIST早期鑒別診斷、危險度分級、基因突變預測、治療效果評估等方面展開綜述，并報告其局限性，探討未來的發展方向。

關鍵詞：胃腸道間質瘤；影像組學；CT；機器學習

Research progress of radiomics in the diagnosis and treatment of gastrointestinal stromal

tumors

QIAO Jiling 1 ， ZHANG Zeping 1 ， SUI Changsheng 1 ， YANG Aijia 1 ， YANG Jing 2

1 The First Clinical Medical College of Gansu University of Chinese Medicine， Lanzhou 730000， China;" 2 First Department of General surgery，

Gansu Provincial Hospital， Lanzhou 730000， China

Abstract：Gastrointestinal stromal tumor （GIST） is the most common mesenchymal tumor of the gastrointestinal tract， withcomplex biological characteristics and varying risk levels， thus early diagnosis and precise risk assessment are crucial forsubsequent treatment. Imaging genomics can extract and analyze quantitative imaging features with strong representativenessfrom different modalities of imaging data， and complete the tasks of diagnosis and prediction by combining machine learningmethods with clinical data. Studies have shown that imaging genomics can not only be used for differential diagnosis， riskstratification， and prognosis assessment of GIST， but also show potential in gene mutation status assessment and treatmentresponse prediction. This review discussed the application of imaging genomics in early differential diagnosis， risk grading，gene mutation prediction， and treatment effect evaluation of GIST， and reported its limitations， in order to explore the futuredevelopment directions.

Keywords： gastrointestinal stromal tumor; radiomics; CT; machine learning

胃腸道間質瘤（GIST）是由卡哈爾間質細胞分化形成的胃腸道最常見的間葉源性腫瘤［1］ 。發病部位從食管到肛門皆可出現，胃和小腸最為多見［2］。GIST在組織學、生物學上具有異質性和多樣性，因此術前很難判斷惡性潛能［3］ 。術前活檢可能導致腫瘤潰瘍和出血，增加腫瘤擴散的風險［4］。因此，尋找無創、可靠且簡便的術前生物標志物來預測GIST復發與轉移風險具有重要的臨床意義。影像組學可以通過分析腫瘤影像特征與其病理類型和分子特征的關系，實現對GIST的無創鑒別診斷［5］ 。還可以建立風險評估系統，預測GIST患者的危險度分級［6］ 。GIST中最常見的驅動基因突變為KIT和PDGFRA，基因突變狀態直接影響患者對靶向藥物（如伊馬替尼）的敏感性和療效［7］ 。影像組學技術通過分析影像特征與基因突變類型的關聯性，可以無創預測腫瘤的基因狀態，為GIST的個體化治療選擇提供參考［8］ 。影像組學在GIST治療反應評估方面的應用也備受關注。通過分析治療前后的影像特征變化，可以客觀、定量地評估GIST患者對靶向治療或其他治療方式的反應，從而動態監測腫瘤進展或復發風險。然而，影像組學在GIST中的臨床應用也面臨數據標準化不足、樣本量有限及模型泛化能力不強等挑戰。本文就以上相關研究展開綜述，并簡要探討其局限性，以及發展前景。

1 影像組學簡介

影像組學是一種基于醫學影像數據分析的技術，利用計算機算法從醫學影像中高通量提取特征的一種新興的醫學圖像分析方法［9］ 。后續有學者進一步補充，將影像組學的定義擴充為高通量地從CT、PET和MRI中提取并分析大量高階的定量影像特征，并且增加成像模態，將定量分析等概念加入其中［10］ 。2014年，有學者發表突破性的應用成果，提出影像組學具有對某些臨床疾病預后預測能力，進而引起了影像組學研究熱潮［11］ 。影像組學從臨床收集的不同模態的影像數據中提取并分析具有強代表性的定量影像特征，即使用大量自動化的特征描述算法，將圖像數據轉換到高維可挖掘的特征空間通過將其與臨床信息進行對比分析，完成對病例數據的病變診斷和預測等工作［12，13］。影像組學分析涉及到多個環節，從圖像采集開始，包括病變區域的分割，影像組學特征提取以及選擇和篩選，最后構建預測模型，驗證和在臨床檢驗其研究結果［14-16］。

2 GIST的早期診斷

GIST影像學表現與其他良性間質疾病（如神經鞘瘤、平滑肌瘤）或惡性腫瘤（如胃腺癌、淋巴瘤）重疊［17］ ，鑒別診斷比較困難［18-20］。而影像組學可以從CT、MRI等影像中提取多達數百種特征，利用機器學習算法對這些特征進行分析，能夠有效區分GIST與其他胃腸道腫瘤（如平滑肌瘤、神經內分泌腫瘤等）［5］ 。有研究提取了40例異位胰腺和54例GIST患者CT 影像組學特征，采用基于徑向基核函數的支持向量機作為分類器，建立相關模型，發現該影像組學模型可有效地鑒別異位胰腺與GIST［21］ 。有學者使用主觀CT征象和影像組學標簽的聯合診斷模型，發現影像組學模型對于胃癌和胃間質瘤的鑒別診斷具有明確價值［22， 23］ 。該研究由多位放射科醫師進行手動勾畫，手動勾畫是主流的影像組學技術［24］ ，但這種手動勾畫會因為醫師技術水平的原因產生差異，所以會對研究結果產生影響。另外不同的影像組學特征提取方式也可能對結果產生影響［10］ ，這也是該技術目前的局限。有研究為評估基于CT影像組學模型在區分GIST與其他腫瘤的診斷價值，對153例病理確診的胃腸道間質腫瘤患者的臨床數據進行回顧性分析，包括107例GIST、18例平滑肌瘤和28例神經鞘瘤，使用LASSO回歸進行特征選擇，并基于選定特征使用機器學習算法建立邏輯回歸和隨機森林模型，通過ROC曲線評估模型的診斷性能。結果表明基于影像組學特征的機器學習模型在預測GIST及其他間質腫瘤的病理分類方面具有良好的診斷價值，其中隨機森林模型顯示出優于邏輯回歸模型的診斷效果［25］ 。有研究建立了一個基于支持向量機和殘差神經網絡的模型，該模型在GIST風險分層以及無復發生存率的預測方面表現出極高的準確性［17， 26， 27］。

研究表明，影像組學通過從CT、MRI等影像中提取多達數百種特征，利用機器學習算法對這些特征進行分析［14］ ，在早期診斷中，影像組學特征如紋理分析和形態學特征，能夠揭示腫瘤的微觀結構變化，具有比傳統影像特征更高的敏感性［28］。從而可以有效區分GIST與其他胃腸道腫瘤（如平滑肌瘤、神經內分泌腫瘤等）。

3 術前預測GIST危險度分級

美國國立衛生研究院2008年的標準將GIST分為4個風險等級：極低、低、中、高風險［29］。這4個等級的判斷主要基于腫瘤大小、腫瘤原發部位以及術后病理獲得的核分裂象計數。GIST不同于胃癌，其瘤體較脆，術前通過活檢取樣確定危險度分級可能會引發腫瘤破潰轉移［30］。術前準確預測這些信息，有助于決定是采取手術切除還是術前新輔助治療（如靶向藥物治療），以便更好地控制腫瘤進展并減少復發風險。有研究探討了CT和超聲內鏡預測胃間質GIST的惡性風險，并闡明影像組學可用于GIST危險分層［31］。也有學者通過基于邏輯回歸分析的CT影像組學方法得出基于CT影像組學方法構建的模型對于 GIST危險度預測具有較高的準確性［32］。與傳統的組織活檢相比，影像組學可以通過非侵入性的影像學手段獲得大量信息，避免了活檢帶來的潛在風險。

大多數影像組學研究的樣本量有限，尤其是在預測高風險GIST時，少數數據樣本可能導致模型過擬合［33］ 。因此，需要更多大規模以及多中心的前瞻性研究來驗證影像組學模型預測能力［34］ 。一項多中心研究回顧性分析了在3家不同的醫院的324例GIST患者的臨床病理資料，結果顯示使用CT的影像組學模型對GIST的術前風險分層具有良好的預測性能，并且具有個性化臨床決策的巨大潛力［35］ 。此外，有學者探討基于MR表觀擴散系數圖像提取的紋理特征參數評估GIST危險度分級的價值，研究證實了基于MR圖像提取的影像組學特征紋理參數作為一種無創的方法對于評估GIST患者危險度分級具有較高的價值［36］ 。同樣，也有研究使用基于MR的影像組學模型預測GIST風險分級，發現基于單一序列及聯合3種MR序列的影像組學模型可無創性評估GIST的危險度分級［22］ 。有研究通過基于CT影像組學的GIST惡性潛能和核分裂象術前預測模型的建立，表明CT影像組學不僅可以預測GIST術前危險度分層，還可以用于預測術后核分裂象計數［23］。

影像組學在術前預測GIST危險度分級的研究領域具有廣闊的前景，通過分析CT、MRI等影像的定量特征，能夠在術前對腫瘤的惡性程度進行有效評估；但仍需進一步研究，以克服數據標準化、樣本量有限等挑戰，從而實現影像組學在臨床實踐中的廣泛應用。未來有望實現影像組學特征的自動化提取和實時分析，結合手術計劃和個體化治療方案，提升臨床決策的精確性。

4 GIST基因突變預測

影像組學在GIST基因突變預測中的應用是當前的研究熱點。基因改變和突變狀態對GIST的最佳靶向治療至關重要［37］ 。尤其是，PDGFRA突變型和野生型（野生型兩種基因均無突變）GIST在接受酪氨酸激酶抑制劑的靶向治療時，反應率或耐藥性較低，這在很大程度上取決于具體的突變狀態［2， 37］ 。所以GIST的基因突變狀態（如KIT基因和PDGFRA基因的突變）對其生物學行為、預后及靶向治療的反應具有重要影響［38］。通過影像組學的非侵入性手段預測這些基因突變，可以為個體化治療提供早期依據［39］。有學者對CT影像組學預測GIST C-KIT基因9/11號外顯子突變展開初步研究，回顧性分析了49例經基因病理學檢查證實KIT基因突變的GIST患者的增強CT影像資料，結果表明CT影像組學具有鑒別GIST中KIT基因9/11號外顯子突變的潛力［40］ 。也有類似研究回顧性分析了95例經手術證實且KIT基因突變型的GIST患者，同樣認為基于CT紋理特征的模型可用于GIST KIT-11突變的預測［41］ 。也有研究發現基于增強CT的影像組學列線圖模型對GIST患者KIT-9基因突變的預測價值［42］ 。影像組學在GIST基因突變預測中的應用為非侵入性評估提供了一個有前景的方向，尤其在KIT和PDGFRA基因突變的預測中取得了初步成果。Ki-67指數是GIST腫瘤細胞增殖的指標，并且與GIST的不良預后相關［43， 44］ 。但是大多數研究是基于單中心、小樣本量的數據，樣本規模較小可能限制了模型的推廣性和穩健性。大規模的多中心前瞻性研究仍然稀缺。另外，影像組學特征的提取容易受到掃描設備和參數的影響，不同醫院之間的影像數據可能不完全一致，這影響了研究結果的可重復性［45］ 。因此，建立統一的影像采集和處理流程是關鍵。雖然目前仍面臨一些挑戰，隨著數據積累和技術進步，影像組學有望成為GIST個體化治療的重要輔助工具。

5 GIST的治療效果評估

GIST最常見的治療方法包括手術切除和靶向治療。對于不能完全切除或具有高復發風險的GIST，伊馬替尼等靶向藥物已成為標準療法［46］ 。治療效果的評估通常依賴于影像學技術，如CT或MRI，傳統上采用RECIST標準來衡量腫瘤大小變化［47］ 。然而，RECIST標準主要基于腫瘤體積變化，不能充分反映分子水平和腫瘤內部的異質性［48］ ，這在靶向治療期間尤其顯得不足。因此，影像組學作為一種能夠深入分析腫瘤異質性和微觀變化的工具，在治療效果評估中有很大潛力。有學者回顧性分析了82例GIST患者，其中來自第一個中心數據用于建立模型，來自第二個中心的數據用于驗證模型，參考標準為KIT和PDGFRA突變狀態，將患者分為伊馬替尼敏感組和伊馬替尼無反應組，結果表明影像組學在預測伊馬替尼治療GIST的療效有明確效果［49］ 。有研究表明，即使腫瘤大小沒有縮小，也可能發生對靶向治療的反應［50］ ；但該研究也面臨數據量不足的局限。因此，后續一項多中心回顧性研究收集了2個中心211例GIST患者的臨床和影像學資料，共納入147例肝轉移性GIST患者，其中102例作為訓練集，45例作為外部驗證集，從非增強MR圖像中提取影像組學特征，采用多因素回歸分析構建影像組學列線圖模型有效預測無進展生存期。結果顯示影像組學是預測肝轉移性GIST患者術前生存的獨立預后因素［51］ 。影像組學通過分析常規的影像學數據，提供了一種無創的方式來監測腫瘤的治療反應，無需進行額外的活檢或侵入性檢測。也可以在治療開始后，通過量化腫瘤微觀結構的變化，提前預測療效和耐藥性，較傳統影像學標準具有更早期的反應檢測能力。

在GIST中，影像組學主要通過對腫瘤的形態學特征、紋理特征和強度特征等參數進行量化分析，并將這些數據與腫瘤的生物學行為（如轉移、復發）進行關聯［51］ 。研究表明，影像組學特征可以幫助評估GIST患者的預后、預測腫瘤的侵襲性和轉移風險［52］ ，一項回顧性研究分析了10年236例GIST患者的臨床資料，通過構建臨床+影像組學特征模型，得出基于CT的影像組學列線圖在術前無創預測GIST的轉移方面具有巨大潛力［53］。盡管這項研究揭示了基于CT的影像組學列線圖在術前無創預測GIST的轉移方面具有巨大潛力，但是依然需要大量的病例數作為基礎的數據支持后才會有臨床意義。有研究回顧性分析了204例經病理證實的高危GIST患者，其中76例同時性肝轉移，結果發現基于門靜脈期CT圖像紋理特征的影像組學標簽可以無創性預測高危GIST肝轉移［52］。有研究探討了基于平掃和多相增強CT的影像組學模型在預測GIST中Ki-67表達的價值，發現在不同CT掃描相位下，支持向量機、邏輯回歸及隨機森林模型均表現出較高的準確性，但各模型之間的差異無統計學意義；開發的列線圖具有較高的C指數（0.913），表明其預測效果優異，CT影像組學預測Ki-67表達在評估腫瘤細胞增殖活性和指導患者是否適合使用伊馬替尼輔助治療方面具有重要臨床價值［54］ 。影像組學通過分析常規的影像學數據，提供了一種無創的方式來監測腫瘤的治療反應，無需進行額外的活檢或侵入性檢測。影像組學特征可以在治療開始后，通過量化腫瘤微觀結構的變化，提前預測療效和耐藥性及轉移風險，較傳統影像學標準具有更早期的反應檢測能力。影像組學能夠捕捉到腫瘤內部異質性的信息，這是傳統影像學方法難以提供的。這些信息對于理解腫瘤對靶向治療的反應至關重要。

6 總結與展望

目前大量的相關研究證實影像組學在GIST診療方面具有巨大的研究潛力，相關研究也在嘗試將影像組學與其他組學（如基因組學［38］ 、代謝組學）數據結合，探索GIST的復雜生物學特性。這種多組學結合的方式可以提供更全面的腫瘤特征分析，有助于更精確地預測患者的治療反應和臨床結局，但仍存在一些不足：首先，影像組學依賴從醫學影像中提取的大量特征，這些特征的可重復性和標準化是一個重要挑戰。由于不同設備、成像參數、成像方法之間的差異，特征提取的結果可能存在顯著差異，這給跨機構或多中心研究帶來了困難。因此，當前影像組學特征尚未完全標準化，影響了其廣泛推廣。其次，影像組學模型通常依賴機器學習或深度學習算法，這些模型雖然可以表現出較高的預測準確性，但其“黑箱”特性使得模型的可解釋性較差。在臨床應用中，醫生需要了解為什么某個特征或模型輸出會指向特定的治療方案或預后結果，缺乏透明性的模型難以在臨床中得到廣泛應用。但是影像組學在GIST研究中的應用前景依然充滿潛力，尤其是在精準醫學、靶向治療以及多組學分析方面。然而，現階段的應用仍然面臨諸多挑戰，包括數據標準化、特征的生物學解釋、數據量不足以及模型的可解釋性等。未來隨著數據共享的加強、技術的進步以及更多大規模、多中心研究的開展，影像組學在GIST研究中的價值有望進一步提升。

參考文獻：

[1] Jemal A， Bray F， Center MM， et al. Global cancer statistics[J]. CACancer J Clin， 2011， 61（2）： 69-90.

[2] Parab TM， DeRogatis MJ， Boaz AM， et al. Gastrointestinal stromaltumors： a comprehensive review[J]. J Gastrointest Oncol， 2019， 10（1）： 144-54.

[3] Miettinen M， Sobin LH， Lasota J. Gastrointestinal stromal tumors ofthe stomach： a clinicopathologic， immunohistochemical， andmolecular genetic study of 1765 cases with long-term follow-up[J].Am J Surg Pathol， 2005， 29（1）： 52-68.

[4] Demetri GD， von Mehren M， Antonescu CR， et al. NCCN TaskForce report： update on the management of patients withgastrointestinal stromal tumors[J]. J Natl Compr Canc Netw， 2010，8 Suppl 2（0 2）： S1-S41;quizS42-4.

[5] Starmans MPA， Timbergen MJM， Vos M， et al. Differentialdiagnosis and molecular stratification of gastrointestinal stromaltumors on CT images using a radiomics approach[J]. J DigitImaging， 2022， 35（2）： 127-36.

[6] Song YC， Li J， Wang HX， et al. Radiomics nomogram based oncontrast-enhanced CT to predict the malignant potential ofgastrointestinal stromal tumor： a two-center study[J]. Acad Radiol，2022， 29（6）： 806-16.

[7] Mao HJ， Zhang BQ， Zou MY， et al. MRI-based radiomics models forpredicting risk classification of gastrointestinal stromal tumors[J].Front Oncol， 2021， 11： 631927.

[8] Weeda YA， Kalisvaart GM， van Velden FHP， et al. Early predictionand monitoring of treatment response in gastrointestinal stromaltumors by means of imaging： a systematic review[J]. Diagnostics，2022， 12（11）： 2722.

[9] Lambin P， Rios-Velazquez E， Leijenaar R， et al. Radiomics：extracting more information from medical images using advancedfeature analysis[J]. Eur J Cancer， 2012， 48（4）： 441-6.

[10]Kumar V， Gu YH， Basu S， et al. Radiomics： the process and thechallenges[J]. Magn Reson Imaging， 2012， 30（9）： 1234-48.

[11]Aerts HJ， Velazquez ER， Leijenaar RT， et al. Decoding tumourphenotype by noninvasive imaging using a quantitative radiomicsapproach[J]. Nat Commun， 2014， 5： 4006.

[12]Gillies RJ， Kinahan PE， Hricak H. Radiomics： images are more thanpictures， they are data[J]. Radiology， 2016， 278（2）： 563-77.

[13]董婷宇， 劉 峰， 湯林夢， 等. 增強CT影像組學術前預測胃腸道間質瘤危險度分級的價值[J]. 中國醫學影像學雜志， 2022， 30（1）： 66-71.

[14]Lewis S， Hectors S， Taouli B. Radiomics of hepatocellular carcinoma[J]. Abdom Radiol， 2021， 46（1）： 111-23.

[15]Miranda Magalhaes Santos JM， Clemente Oliveira B， Araujo-FilhoJAB， et al. State-of-the-art in radiomics of hepatocellular carcinoma：a review of basic principles， applications， and limitations[J].Abdom Radiol， 2020， 45（2）： 342-53.

[16]Varghese BA， Cen SY， Hwang DH， et al. Texture analysis ofimaging： what radiologists need to know[J]. AJR Am J Roentgenol，2019， 212（3）： 520-8.

[17]黃宏亮. CT影像特征及直方圖分析對胃間質瘤與胃神經鞘瘤的鑒別診斷價值

[D]. 蘭州： 蘭州大學， 2021.

[18]Choi JW， Choi D， Kim KM， et al. Small submucosal tumors of thestomach：" differentiation" of" gastric" schwannoma" fromgastrointestinal stromal tumor with CT[J]. Korean J Radiol， 2012，13（4）： 425-33.

[19]Choi YR， Kim SH， Kim SA， et al. Differentiation of large （≥ 5 Cm）gastrointestinal stromal tumors from benign subepithelial tumors inthe stomach： radiologists' performance using CT[J]. Eur J Radiol，2014， 83（2）： 250-60.

[20]Huh CW， Jung DH， Kim JS， et al. CT versus endoscopic ultrasoundfor differentiating small （2-5 Cm） gastrointestinal stromal tumorsfrom leiomyomas[J]. AJR Am J Roentgenol， 2019， 213（3）： 586-91.

[21]Sun K， Yu SX， Wang Y， et al. Development of a multi-phase CT-based radiomics model to differentiate heterotopic pancreas fromgastrointestinal stromal tumor[J]. BMC Med Imaging， 2024， 24（1）： 44.

[22]Sun ZQ， Hu SD， Li J， et al. Radiomics study for differentiatinggastric cancer from gastric stromal tumor based on contrast-enhanced CT images[J]. J Xray Sci Technol， 2019， 27（6）： 1021-31.

[23]馬澤蘭. 基于影像組學鑒別Borrmann Ⅳ型胃癌和原發性胃淋巴瘤的研究

[D]. 廣州： 南方醫科大學， 2017.

[24]Lambin P， Leijenaar RTH， Deist TM， et al. Radiomics： the bridgebetween medical imaging and personalized medicine[J]. Nat RevClin Oncol， 2017， 14（12）： 749-62.

[25]Du B， Zhu ZH， Pu J， et al. Analysis of the diagnostic value of CTradiomics models in differentiating GIST and other mesenchymaltumors[J]. Hell J Nucl Med， 2024， 27（2）： 141-8.

[26]Chen T， Ning ZY， Xu LL， et al. Radiomics nomogram for predictingthe malignant potential of gastrointestinal stromal tumourspreoperatively[J]. Eur Radiol， 2019， 29（3）： 1074-82.

[27]Chen T， Liu SQ， Li Y， et al. Developed and validated a prognosticnomogram for recurrence-free survival after complete surgicalresection of local primary gastrointestinal stromal tumors based ondeep learning[J]. EBioMedicine， 2019， 39： 272-9.

[28]Cai PQ， Lv XF， Tian L， et al. CT characterization of duodenalgastrointestinal stromal tumors[J]. AJR Am J Roentgenol， 2015， 204（5）： 988-93.

[29]Joensuu H. Risk stratification of patients diagnosed withgastrointestinal stromal tumor[J]. Hum Pathol， 2008， 39（10）： 1411-9.

[30]中國臨床腫瘤學會胃腸間質瘤專家委員會. 中國胃腸間質瘤診斷治療共識（2017年版）[J]. 腫瘤綜合治療電子雜志， 2018， 4（1）： 31-43.

[31]Jia X， Wan L， Chen X， et al. Risk stratification for 1- to 2-cm gastricgastrointestinal stromal tumors： visual assessment of CT and EUShigh-risk features versus CT radiomics analysis[J]. Eur Radiol，2023， 33（4）： 2768-78.

[32]儲海瑞. 基于邏輯回歸分析的CT影像組學方法在胃腸道間質瘤術前危險度分級預測的應用價值

[C]//2019浙江省醫學會放射學學術大會， 杭州.

[33]Fusco R， Granata V， Grazzini G， et al. Radiomics in medicalimaging： pitfalls and challenges in clinical management[J]. Jpn JRadiol， 2022， 40（9）： 919-29.

[34]Park JE， Park SY， Kim HJ， et al. Reproducibility and generalizabilityin radiomics modeling： possible strategies in radiologic andstatistical perspectives[J]. Korean J Radiol， 2019， 20（7）： 1124-37.

[35]Wang MH， Feng Z， Zhou LX， et al. Computed-tomography-basedradiomics model for predicting the malignant potential ofgastrointestinal stromal tumors preoperatively： a multi-classifier andmulticenter study[J]. Front Oncol， 2021， 11： 582847.

[36]毛海佳， 張冰倩， 黃亞男， 等. 基于磁共振表觀擴散系數圖像的放射組學特征評估胃腸道間質瘤危險度[J]. 中國醫學影像學雜志，2020， 28（5）： 390-3.

[37]Oppelt PJ， Hirbe AC， Van Tine BA. Gastrointestinal stromal tumors（GISTs）： point mutations matter in management， a review[J]. JGastrointest Oncol， 2017， 8（3）： 466-73.

[38]Zhang QW， Zhang RY， Yan ZB， et al. Personalized radiomicssignature to screen for KIT-11 mutation genotypes among patientswith gastrointestinal stromal tumors： a retrospective multicenterstudy[J]. J Transl Med， 2023， 21（1）： 726.

[39]Joensuu H， Wardelmann E， Sihto H， et al. Effect of KIT andPDGFRA mutations on survival in patients with gastrointestinalstromal tumors treated with adjuvant imatinib： an exploratoryanalysis of a randomized clinical trial[J]. JAMA Oncol， 2017， 3（5）：602-9.

[40]胡子琳， 王淑梅. CT影像組學分析鑒別胃腸道間質瘤c-kit基因9/11號外顯子突變的初步研究[J]. CT理論與應用研究， 2022， 31（1）：73-9.

[41]Guo CG， Zhou H， Chen X， et al. Computed tomography texture-based models for predicting KIT exon 11 mutation ofgastrointestinal stromal tumors[J]. Heliyon， 2023， 9（10）： e20983.

[42]Wei YZ， Lu ZM， Ren Y. Predictive value of a radiomics nomogrammodel based on contrast-enhanced computed tomography for KITexon 9 gene mutation in gastrointestinal stromal tumors[J]. TechnolCancer Res Treat， 2023， 22： 15330338231181260.

[43]Basilio-de-Oliveira RP， Pannain VLN. Prognostic angiogenicmarkers （endoglin， VEGF， CD31） and tumor cell proliferation（Ki67）" for" gastrointestinal" stromal" tumors[J]." World" JGastroenterol， 2015， 21（22）： 6924-30.

[44]Zhang QW， Gao YJ， Zhang RY， et al. Personalized CT-basedradiomics nomogram preoperative predicting Ki-67 expression ingastrointestinal stromal tumors： a multicenter development andvalidation cohort[J]. Clin Transl Med， 2020， 9（1）： 12.

[45]Ko?ak B. Key concepts， common pitfalls， and best practices inartificial intelligence and machine learning： focus on radiomics[J].Diagn Interv Radiol， 2022， 28（5）： 450-62.

[46]Kelly CM， Gutierrez Sainz L， Chi P. The management of metastaticGIST： current standard and investigational therapeutics[J]. JHematol Oncol， 2021， 14（1）： 2.

[47]Gouda MA， Janku F， Wahida A， et al. Liquid biopsy responseevaluation criteria in solid tumors （LB-RECIST） [J]. Ann Oncol，2024， 35（3）： 267-75.

[48]Eisenhauer EA， Therasse P， Bogaerts J， et al. New responseevaluation criteria in solid tumours： revised RECIST guideline（version 1.1）[J]. Eur J Cancer， 2009， 45（2）： 228-47.

[49]Cappello G， Giannini V， Cannella R， et al. A mutation-basedradiomics signature predicts response to imatinib in GastrointestinalStromal Tumors （GIST）[J]. Eur J Radiol Open， 2023， 11： 100505.

[50]Apfaltrer P， Meyer M， Meier C， et al. Contrast-enhanced dual-energyCT of gastrointestinal stromal tumors： is iodine-related attenuation apotential indicator of tumor response？[J]. Invest Radiol， 2012， 47（1）： 65-70.

[51]Yang LS， Zhang D， Zheng T， et al. Predicting the progression-freesurvival of gastrointestinal stromal tumors after imatinib therapythrough multi-sequence magnetic resonance imaging[J]. AbdomRadiol， 2024， 49（3）： 801-13.

[52]Zheng J， Xia Y， Xu AQ， et al. Combined model based on enhancedCT texture features in liver metastasis prediction of high-riskgastrointestinal stromal tumors[J]. Abdom Radiol， 2022， 47（1）：85-93.

[53]Ao WQ， Cheng GH， Lin B， et al. A novel CT-based radiomicnomogram for predicting the recurrence and metastasis of gastricstromal tumors[J]. Am J Cancer Res， 2021， 11（6）： 3123-34.

[54]Liu Y， He CY， Fang WD， et al. Prediction of Ki-67 expression ingastrointestinal stromal tumors using radiomics of plain andmultiphase contrast-enhanced CT[J]. Eur Radiol， 2023， 33（11）：7609-17.（編輯：林 萍）