然而，这一前沿策略在推进至临床常规应用时遭遇了瓶颈。正如研究团队所指出的，目前临床上极为缺乏可靠的、无创的工具来在术前准确识别哪些患者真正达到了 pCR。如果无法在术前精准区分 pCR 与非 pCR 患者，免除手术的临床决策将面临巨大的复发风险。在 2026 年美国临床肿瘤学会（ASCO）年会上，针对局部晚期胃癌围手术期治疗领域的一项研究（Abstract 4058）引起了业界的广泛关注。该研究的确立初衷即为开发并验证一种全新的预测模型——通过深度整合 CT 影像组学（CT radiomics）与外周血单核苷酸多态性（SNP）数据，构建放射基因组学模型，以期填补术前无创、精准预测 pCR 的技术空白。
研究方法——多中心队列奠定基石，多模态特征融合构建放射基因组学模型
为确保预测模型的稳健性、避免单一中心的样本偏倚，并全面验证其在不同临床环境下的泛化能力，该研究采用了严谨的回顾性、多中心临床研究设计。研究共计纳入了来自 14 个不同医疗机构的 642 例局部晚期胃癌或胃食管结合部癌（LAGC/GEJC）患者，所有入组患者均接受了围手术期免疫联合化疗。
患者被分为主要队列（n = 442；其中训练集 n = 309，内部验证集 n = 133）和外部验证队列（n = 200）。该研究在特征提取环节充分贯彻了「无创」或「微创」的临床导向原则。在影像学维度，研究者直接从患者术前的常规 CT 图像中提取影像组学特征；在基因组学维度，研究者则通过抽取患者的外周血，对单核苷酸多态性（SNPs）进行基因分型以获取核心数据。
研究团队采用了 LASSO 回归算法进行特征选择降维。分别生成了代表影像学信息的影像组学标签以及代表基因学信息的基因组学标签。随后，研究者运用了多因素逻辑回归分析方法，将提取出的标签信息以及相关的临床常规变量进行整合，从而开发出联合放射基因组学模型。在模型性能的综合评估指标上，研究团队主要选用了受试者工作特征曲线下面积（AUC）以量化预测的准确度，并采用了决策曲线分析以全面评估模型在不同阈值概率下的临床实际净获益。
研究结果——联合模型预测效能优异，多重验证彰显临床决策净获益
经过 LASSO 算法的降维与筛选，研究团队从原始的高维数据中最终锁定了 14 个最具预测价值的影像组学特征，以及 8 个对 pCR 具有高相关性的外周血 SNP 特征。
核心 AUC 性能表现：数据对比的综合分析显示，无论是与单一的影像组学评分模型还是单一的基因组学评分模型相比，整合后的放射基因组学模型在所有独立队列中均表现出了始终如一的优越性能。
训练集表现：联合模型展现出了极高的预测精度，其 AUC 达到了 0.915（95% CI 0.880～0.950）。这一数据表现不仅超越了基于单纯影像学的 Rad-score 模型（AUC 为 0.832），也全面领先于单纯基于基因数据的 Gen-score 模型（AUC 为 0.798），且两者与联合模型的差异均具有极其显著的统计学意义（P 值均 < 0.001）。
验证集表现：在包含 133 例患者的内部验证集中，联合模型的 AUC 达到了 0.882（95% CI 0.825～0.939）。更为关键的是，在包含 200 例患者的外部验证集中，该联合模型依然取得了 0.852（95% CI 0.795～0.909）的 AUC 成绩。两个不同层级的联合模型均优于任一单一模态。
在评估临床实用价值的决策曲线分析（DCA）中，结果清晰地证明：采用该联合模型相较于单一评估模式，能够为临床决策带来更为显著的净临床获益。在设定的最佳截断值（optimal cutoff）下进行测算，该联合模型在整个验证队列中，准确无误地识别出了高达 91.5% 的真实 pCR 病例。
研究结论——无创评估技术突破，为局部晚期胃癌外科策略革新提供依据
基于涵盖 14 个医疗机构、642 例患者的大样本多中心队列数据验证，研究团队得出了高度确切的结论：这种整合了 CT 影像组学特征与外周血 SNP 标签的全新放射基因组学模型，能够针对接受了围手术期免疫联合化疗的 LAGC/GEJC 患者，实现准确且无创的病理完全缓解（pCR）预测。
在 2026 年 ASCO 大会的学术平台上，这一开创性无创预测工具的问世，为胃癌围手术期精准医疗领域提供了关键的证据支撑。该研究充分表明，这种多模态的放射基因组学生物标志物组合可能在未来的临床实践中发挥核心作用，用以可靠地支持识别和筛选适合实施「免除手术」管理的局部晚期胃癌候选患者，从而推动胃癌综合治疗策略向着更加个体化、微创化与精准化的方向持续迈进。
审批号: CN-186610
有效期至: 2027-07-02
声明：本材料由阿斯利康支持，仅供医疗卫生专业人士参考
内容审核：刘瑞子