随着分子技术的发展，特别是下一代基因测序技术的发展，通过基因或蛋白质分子技术，从癌症的分子机制去探索其发生的根源，寻找致癌基因的突变位点和癌症基因的分子表达通路，获取分子标记物，已成为当前肿瘤标记物研究的主流。其突出特点是生物分子层次的解释性强，但获取上述分子标记物的费用及技术门槛高，需借助手术或穿刺活检侵入性采样，只能单点单次采集，无法全面描述肿瘤组织的时间与空间异质性。
随着医学影像技术的快速发展，通过医学影像可无创、实时、可重复地获取肿瘤全局形态与分子功能信息，借助模式识别、机器学习等图像分析手段，构建与预后或疗效显著相关的肿瘤影像标记物。通过影像标记物，我们可对肿瘤进行早期诊断，并能在治疗过程中随时跟踪肿瘤的发展情况。但影像标记物可解释性不强，尤其是缺乏潜在的生物和分子机制的解释。
开展肿瘤影像基因组学研究，结合影像学和基因组学各自优势，探索影像标记物与分子标记物的关联，可将分子层次信息（如基因表达量、致癌基因的表达通路等）融入影像学方法，有潜力发现无侵入且生物学可解释性强的预后影像学标记物，从而促进影像学标记物在个体化医疗的应用与发展，在肿瘤疗效与预后评估、新治疗靶点和肿瘤生物机制理解方面，均具有积极意义。
中科院苏州医工所高欣、夏威、陈颖、张睿等人以肝细胞癌为实验对象，开展了影像基因组学的初步研究。该研究获取了癌症基因图谱数据库（The Cancer Genome Atlas，TCGA）上371例肝细胞癌患者基因表达数据与总生存期，及其中38例患者的增强CT数据。针对CT数据，采用基于体素的子区域聚类方法，将肿瘤区域划分为3个子区域。从各子区域中，提取了影像组学特征，并采用稳定性和冗余性分析方法筛选影像特征。针对基因表达数据，采用权重基因共表达网络分析（WGCNA），获取多个基因模块，并分析总生存期数据，得到具有生存期预测能力的预后基因模块。为了理解预后基因模块的生物学功能解释，对基因模块注释分析。通过构建影像特征与预后基因模块的Spearman秩相关矩阵，找出了与基因模块显著相关的影像特征。最后利用 Cox 比例风险回归模型，评估了这些影像特征的总生存期预测能力。
研究结果表明，8个影像组学特征与基因模块显著相关，最终确定其中2个影像组学特征有潜力作为肝细胞癌生存期预测的影像学标记物。其中，子区域体积分数 (volume fraction_2)，与代表癌症相关通路的6个基因模块均显著相关，且该影像特征与肝细胞癌患者的总生存期（P =0.022，风险比=0.24）显著相关；描述肿瘤子区域异质性的纹理特征集群突出 (cluster prominence_3)，与代表脂肪代谢和补体活动的基因模块显著相关，且也与总生存期（P=0.021，风险比=0.17）显著相关。
相关研究结果发表在Physics in Medicine and Biology (SCI IF 2.742):
Wei Xia, Ying Chen, Rui Zhang, Zhuangzhi Yan, Xiaobo Zhou, Bo Zhang, Xin Gao*, Radiogenomics of Hepatocellular Carcinoma: Multiregion Analysis-Based Identification of Prognostic Imaging Biomarkers by Integrating Gene Data——A Preliminary Study, Physics in Medicine and Biology, 2018, 63(3). 文章链接：http://iopscience.iop.org/article/10.1088/1361-6560/aaa609/meta
该研究工作得到了国家自然科学基金（81571772）等项目资助。
图1. 肿瘤增强CT图像子区域聚类分割结果, 第一列是原始 CT图像，第二列是肿瘤区域局部熵特征热图，第三列是生成的3个不同颜色代表的子区域。
图 2. 采用WGCNA方法获得的基因聚类树状图及基因模块。（a）基因树状图，每种颜色表示一个基因模块；（b）每个基因模块中基因的数量。
图3. Kaplan-Meier生存分析曲线图。（a）与（b）分别显示了影像特征 “volume fraction_2”与“cluster prominence_3”对总生存期的预测能力。可以看出影像特征值较大的患者生存率较高（红线），反之则生存率较低（蓝线）。
