Advanced Materials | 基于影像组学预测纳米药物的肿瘤积累量
Advanced Materials | 基于影像组学预测纳米药物的肿瘤积累量
纳米药物的肿瘤积累量在不同个体间存在巨大差异，如何在保持肿瘤原始状态的前提下实现精准预测成为亟待解决的难题。近日，南京医科大学第一附属医院王守巨教授团队开发了一种基于常规医学影像技术的创新解决方案，通过影像组学模型实现了对纳米药物肿瘤积累量的精准预测，相关研究成果发表在国际期刊《Advanced Materials》上。
受肿瘤异质性的影响，纳米药物的肿瘤积累量在不同个体间有巨大的差异。提前筛选出高积累的肿瘤，对于提高纳米药物疗效意义重大。德国亚琛工业大学Lammer Tawn教授提出能预测肿瘤纳米药物积累量（Nat. Biomed. Eng， 2024）的病理标志物组合，用于肿瘤分层筛选。但病理标本采样过程会干扰肿瘤原始状态，影响后继纳米药物分布，无法实现真正的“前瞻性预测”。如何在保持肿瘤原始状态的前提下，预测纳米药物的肿瘤积累量成为迫切要解决的难题。
近日，南京医科大学第一附属医院（江苏省人民医院）放射科王守巨教授团队开发了一种创新的非侵入性解决方案，该方案基于常规医学影像技术（CT和超声），结合可解释的影像组学模型，在保持肿瘤原始状态的前提下实现了对纳米药物肿瘤积累量的精准预测。相关研究成果发表在国际期刊Advanced Materials（IF = 27.4）。德国亚琛工业大学Lammer Tawn教授给予高度评价：“这项研究不仅具有重要的创新价值和科学意义，其整合的数据规模同样令人印象深刻。”
研究人员构建了一个包含七种小鼠肿瘤异种移植模型及三种尺寸金纳米颗粒的数据集，在测试集中实现了受试者工作特征曲线下面积AUROC = 0.851的优异性能。预测为"高积累者"的肿瘤中位纳米药物积累量是"低积累者"的2.69倍。通过分析该机器学习驱动的可解释影像组学模型，研究者揭示了与肿瘤微环境密切相关的影像特征。这一基于影像组学的纳米药物肿瘤积累量预测方法为实现精准患者分层提供了新工具，并有望推动个性化纳米医学治疗策略的发展。
图 1：影像组学预测纳米药物肿瘤积累量流程图
患者首先接受常规医学影像扫描以定位和表征肿瘤病变。随后，根据预先训练的影像组学模型对肿瘤进行分类（低纳米药物或高纳米药物积累者），为优化治疗策略提供依据。
图 5：影像组学模型性能
影像组学复合模型（模型1和4）在训练集和测试集中均能有效区分肿瘤的GNP积累水平。相比之下，仅基于GNP大小和细胞系信息的基线模型（模型5）无法准确分类。
研究结论：本研究结果强调了将医学影像数据与机器学习模型相结合的巨大潜力。该方法能够准确预测肿瘤内的纳米药物积累水平，为肿瘤分层提供了新的解决方案，并有望使纳米药物治疗策略更加精准，从而推动个性化医疗的发展。
本文以Interpretable Radiomics Model Predicts Nanomedicine Tumor Accumulation Using Routine Medical Imaging为题发表在 Advanced Materials上。