影像组学在胃肠道间质瘤诊疗中的研究进展

摘要：胃肠道间质瘤（GIST）是胃肠道最主要的间叶源性肿瘤，其生物学特征复杂，风险程度各异，因此早期诊断及精准的危险度评估对于后续的治疗至关重要。影像组学可以从不同模态的影像数据中提取并分析具有强代表性的定量影像特征，通过机器学习的方法结合临床数据，完成对病变诊断和预测等工作。现有研究表明，影像组学不仅能用于GIST的鉴别诊断、危险度分层及预后判断，还在基因突变状态评估和治疗反应预测方面展现出潜力。本文就影像组学在GIST早期鉴别诊断、危险度分级、基因突变预测、治疗效果评估等方面展开综述，并报告其局限性，探讨未来的发展方向。

关键词：胃肠道间质瘤；影像组学；CT；机器学习

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

胃肠道间质瘤（GIST）是由卡哈尔间质细胞分化形成的胃肠道最常见的间叶源性肿瘤［1］ 。发病部位从食管到肛门皆可出现，胃和小肠最为多见［2］。GIST在组织学、生物学上具有异质性和多样性，因此术前很难判断恶性潜能［3］ 。术前活检可能导致肿瘤溃疡和出血，增加肿瘤扩散的风险［4］。因此，寻找无创、可靠且简便的术前生物标志物来预测GIST复发与转移风险具有重要的临床意义。影像组学可以通过分析肿瘤影像特征与其病理类型和分子特征的关系，实现对GIST的无创鉴别诊断［5］ 。还可以建立风险评估系统，预测GIST患者的危险度分级［6］ 。GIST中最常见的驱动基因突变为KIT和PDGFRA，基因突变状态直接影响患者对靶向药物（如伊马替尼）的敏感性和疗效［7］ 。影像组学技术通过分析影像特征与基因突变类型的关联性，可以无创预测肿瘤的基因状态，为GIST的个体化治疗选择提供参考［8］ 。影像组学在GIST治疗反应评估方面的应用也备受关注。通过分析治疗前后的影像特征变化，可以客观、定量地评估GIST患者对靶向治疗或其他治疗方式的反应，从而动态监测肿瘤进展或复发风险。然而，影像组学在GIST中的临床应用也面临数据标准化不足、样本量有限及模型泛化能力不强等挑战。本文就以上相关研究展开综述，并简要探讨其局限性，以及发展前景。

1 影像组学简介

影像组学是一种基于医学影像数据分析的技术，利用计算机算法从医学影像中高通量提取特征的一种新兴的医学图像分析方法［9］ 。后续有学者进一步补充，将影像组学的定义扩充为高通量地从CT、PET和MRI中提取并分析大量高阶的定量影像特征，并且增加成像模态，将定量分析等概念加入其中［10］ 。2014年，有学者发表突破性的应用成果，提出影像组学具有对某些临床疾病预后预测能力，进而引起了影像组学研究热潮［11］ 。影像组学从临床收集的不同模态的影像数据中提取并分析具有强代表性的定量影像特征，即使用大量自动化的特征描述算法，将图像数据转换到高维可挖掘的特征空间通过将其与临床信息进行对比分析，完成对病例数据的病变诊断和预测等工作［12，13］。影像组学分析涉及到多个环节，从图像采集开始，包括病变区域的分割，影像组学特征提取以及选择和筛选，最后构建预测模型，验证和在临床检验其研究结果［14-16］。

2 GIST的早期诊断

GIST影像学表现与其他良性间质疾病（如神经鞘瘤、平滑肌瘤）或恶性肿瘤（如胃腺癌、淋巴瘤）重叠［17］ ，鉴别诊断比较困难［18-20］。而影像组学可以从CT、MRI等影像中提取多达数百种特征，利用机器学习算法对这些特征进行分析，能够有效区分GIST与其他胃肠道肿瘤（如平滑肌瘤、神经内分泌肿瘤等）［5］ 。有研究提取了40例异位胰腺和54例GIST患者CT 影像组学特征，采用基于径向基核函数的支持向量机作为分类器，建立相关模型，发现该影像组学模型可有效地鉴别异位胰腺与GIST［21］ 。有学者使用主观CT征象和影像组学标签的联合诊断模型，发现影像组学模型对于胃癌和胃间质瘤的鉴别诊断具有明确价值［22， 23］ 。该研究由多位放射科医师进行手动勾画，手动勾画是主流的影像组学技术［24］ ，但这种手动勾画会因为医师技术水平的原因产生差异，所以会对研究结果产生影响。另外不同的影像组学特征提取方式也可能对结果产生影响［10］ ，这也是该技术目前的局限。有研究为评估基于CT影像组学模型在区分GIST与其他肿瘤的诊断价值，对153例病理确诊的胃肠道间质肿瘤患者的临床数据进行回顾性分析，包括107例GIST、18例平滑肌瘤和28例神经鞘瘤，使用LASSO回归进行特征选择，并基于选定特征使用机器学习算法建立逻辑回归和随机森林模型，通过ROC曲线评估模型的诊断性能。结果表明基于影像组学特征的机器学习模型在预测GIST及其他间质肿瘤的病理分类方面具有良好的诊断价值，其中随机森林模型显示出优于逻辑回归模型的诊断效果［25］ 。有研究建立了一个基于支持向量机和残差神经网络的模型，该模型在GIST风险分层以及无复发生存率的预测方面表现出极高的准确性［17， 26， 27］。

研究表明，影像组学通过从CT、MRI等影像中提取多达数百种特征，利用机器学习算法对这些特征进行分析［14］ ，在早期诊断中，影像组学特征如纹理分析和形态学特征，能够揭示肿瘤的微观结构变化，具有比传统影像特征更高的敏感性［28］。从而可以有效区分GIST与其他胃肠道肿瘤（如平滑肌瘤、神经内分泌肿瘤等）。

3 术前预测GIST危险度分级

美国国立卫生研究院2008年的标准将GIST分为4个风险等级：极低、低、中、高风险［29］。这4个等级的判断主要基于肿瘤大小、肿瘤原发部位以及术后病理获得的核分裂象计数。GIST不同于胃癌，其瘤体较脆，术前通过活检取样确定危险度分级可能会引发肿瘤破溃转移［30］。术前准确预测这些信息，有助于决定是采取手术切除还是术前新辅助治疗（如靶向药物治疗），以便更好地控制肿瘤进展并减少复发风险。有研究探讨了CT和超声内镜预测胃间质GIST的恶性风险，并阐明影像组学可用于GIST危险分层［31］。也有学者通过基于逻辑回归分析的CT影像组学方法得出基于CT影像组学方法构建的模型对于 GIST危险度预测具有较高的准确性［32］。与传统的组织活检相比，影像组学可以通过非侵入性的影像学手段获得大量信息，避免了活检带来的潜在风险。

大多数影像组学研究的样本量有限，尤其是在预测高风险GIST时，少数数据样本可能导致模型过拟合［33］ 。因此，需要更多大规模以及多中心的前瞻性研究来验证影像组学模型预测能力［34］ 。一项多中心研究回顾性分析了在3家不同的医院的324例GIST患者的临床病理资料，结果显示使用CT的影像组学模型对GIST的术前风险分层具有良好的预测性能，并且具有个性化临床决策的巨大潜力［35］ 。此外，有学者探讨基于MR表观扩散系数图像提取的纹理特征参数评估GIST危险度分级的价值，研究证实了基于MR图像提取的影像组学特征纹理参数作为一种无创的方法对于评估GIST患者危险度分级具有较高的价值［36］ 。同样，也有研究使用基于MR的影像组学模型预测GIST风险分级，发现基于单一序列及联合3种MR序列的影像组学模型可无创性评估GIST的危险度分级［22］ 。有研究通过基于CT影像组学的GIST恶性潜能和核分裂象术前预测模型的建立，表明CT影像组学不仅可以预测GIST术前危险度分层，还可以用于预测术后核分裂象计数［23］。

影像组学在术前预测GIST危险度分级的研究领域具有广阔的前景，通过分析CT、MRI等影像的定量特征，能够在术前对肿瘤的恶性程度进行有效评估；但仍需进一步研究，以克服数据标准化、样本量有限等挑战，从而实现影像组学在临床实践中的广泛应用。未来有望实现影像组学特征的自动化提取和实时分析，结合手术计划和个体化治疗方案，提升临床决策的精确性。

4 GIST基因突变预测

影像组学在GIST基因突变预测中的应用是当前的研究热点。基因改变和突变状态对GIST的最佳靶向治疗至关重要［37］ 。尤其是，PDGFRA突变型和野生型（野生型两种基因均无突变）GIST在接受酪氨酸激酶抑制剂的靶向治疗时，反应率或耐药性较低，这在很大程度上取决于具体的突变状态［2， 37］ 。所以GIST的基因突变状态（如KIT基因和PDGFRA基因的突变）对其生物学行为、预后及靶向治疗的反应具有重要影响［38］。通过影像组学的非侵入性手段预测这些基因突变，可以为个体化治疗提供早期依据［39］。有学者对CT影像组学预测GIST C-KIT基因9/11号外显子突变展开初步研究，回顾性分析了49例经基因病理学检查证实KIT基因突变的GIST患者的增强CT影像资料，结果表明CT影像组学具有鉴别GIST中KIT基因9/11号外显子突变的潜力［40］ 。也有类似研究回顾性分析了95例经手术证实且KIT基因突变型的GIST患者，同样认为基于CT纹理特征的模型可用于GIST KIT-11突变的预测［41］ 。也有研究发现基于增强CT的影像组学列线图模型对GIST患者KIT-9基因突变的预测价值［42］ 。影像组学在GIST基因突变预测中的应用为非侵入性评估提供了一个有前景的方向，尤其在KIT和PDGFRA基因突变的预测中取得了初步成果。Ki-67指数是GIST肿瘤细胞增殖的指标，并且与GIST的不良预后相关［43， 44］ 。但是大多数研究是基于单中心、小样本量的数据，样本规模较小可能限制了模型的推广性和稳健性。大规模的多中心前瞻性研究仍然稀缺。另外，影像组学特征的提取容易受到扫描设备和参数的影响，不同医院之间的影像数据可能不完全一致，这影响了研究结果的可重复性［45］ 。因此，建立统一的影像采集和处理流程是关键。虽然目前仍面临一些挑战，随着数据积累和技术进步，影像组学有望成为GIST个体化治疗的重要辅助工具。

5 GIST的治疗效果评估

GIST最常见的治疗方法包括手术切除和靶向治疗。对于不能完全切除或具有高复发风险的GIST，伊马替尼等靶向药物已成为标准疗法［46］ 。治疗效果的评估通常依赖于影像学技术，如CT或MRI，传统上采用RECIST标准来衡量肿瘤大小变化［47］ 。然而，RECIST标准主要基于肿瘤体积变化，不能充分反映分子水平和肿瘤内部的异质性［48］ ，这在靶向治疗期间尤其显得不足。因此，影像组学作为一种能够深入分析肿瘤异质性和微观变化的工具，在治疗效果评估中有很大潜力。有学者回顾性分析了82例GIST患者，其中来自第一个中心数据用于建立模型，来自第二个中心的数据用于验证模型，参考标准为KIT和PDGFRA突变状态，将患者分为伊马替尼敏感组和伊马替尼无反应组，结果表明影像组学在预测伊马替尼治疗GIST的疗效有明确效果［49］ 。有研究表明，即使肿瘤大小没有缩小，也可能发生对靶向治疗的反应［50］ ；但该研究也面临数据量不足的局限。因此，后续一项多中心回顾性研究收集了2个中心211例GIST患者的临床和影像学资料，共纳入147例肝转移性GIST患者，其中102例作为训练集，45例作为外部验证集，从非增强MR图像中提取影像组学特征，采用多因素回归分析构建影像组学列线图模型有效预测无进展生存期。结果显示影像组学是预测肝转移性GIST患者术前生存的独立预后因素［51］ 。影像组学通过分析常规的影像学数据，提供了一种无创的方式来监测肿瘤的治疗反应，无需进行额外的活检或侵入性检测。也可以在治疗开始后，通过量化肿瘤微观结构的变化，提前预测疗效和耐药性，较传统影像学标准具有更早期的反应检测能力。

在GIST中，影像组学主要通过对肿瘤的形态学特征、纹理特征和强度特征等参数进行量化分析，并将这些数据与肿瘤的生物学行为（如转移、复发）进行关联［51］ 。研究表明，影像组学特征可以帮助评估GIST患者的预后、预测肿瘤的侵袭性和转移风险［52］ ，一项回顾性研究分析了10年236例GIST患者的临床资料，通过构建临床+影像组学特征模型，得出基于CT的影像组学列线图在术前无创预测GIST的转移方面具有巨大潜力［53］。尽管这项研究揭示了基于CT的影像组学列线图在术前无创预测GIST的转移方面具有巨大潜力，但是依然需要大量的病例数作为基础的数据支持后才会有临床意义。有研究回顾性分析了204例经病理证实的高危GIST患者，其中76例同时性肝转移，结果发现基于门静脉期CT图像纹理特征的影像组学标签可以无创性预测高危GIST肝转移［52］。有研究探讨了基于平扫和多相增强CT的影像组学模型在预测GIST中Ki-67表达的价值，发现在不同CT扫描相位下，支持向量机、逻辑回归及随机森林模型均表现出较高的准确性，但各模型之间的差异无统计学意义；开发的列线图具有较高的C指数（0.913），表明其预测效果优异，CT影像组学预测Ki-67表达在评估肿瘤细胞增殖活性和指导患者是否适合使用伊马替尼辅助治疗方面具有重要临床价值［54］ 。影像组学通过分析常规的影像学数据，提供了一种无创的方式来监测肿瘤的治疗反应，无需进行额外的活检或侵入性检测。影像组学特征可以在治疗开始后，通过量化肿瘤微观结构的变化，提前预测疗效和耐药性及转移风险，较传统影像学标准具有更早期的反应检测能力。影像组学能够捕捉到肿瘤内部异质性的信息，这是传统影像学方法难以提供的。这些信息对于理解肿瘤对靶向治疗的反应至关重要。

6 总结与展望

目前大量的相关研究证实影像组学在GIST诊疗方面具有巨大的研究潜力，相关研究也在尝试将影像组学与其他组学（如基因组学［38］ 、代谢组学）数据结合，探索GIST的复杂生物学特性。这种多组学结合的方式可以提供更全面的肿瘤特征分析，有助于更精确地预测患者的治疗反应和临床结局，但仍存在一些不足：首先，影像组学依赖从医学影像中提取的大量特征，这些特征的可重复性和标准化是一个重要挑战。由于不同设备、成像参数、成像方法之间的差异，特征提取的结果可能存在显著差异，这给跨机构或多中心研究带来了困难。因此，当前影像组学特征尚未完全标准化，影响了其广泛推广。其次，影像组学模型通常依赖机器学习或深度学习算法，这些模型虽然可以表现出较高的预测准确性，但其“黑箱”特性使得模型的可解释性较差。在临床应用中，医生需要了解为什么某个特征或模型输出会指向特定的治疗方案或预后结果，缺乏透明性的模型难以在临床中得到广泛应用。但是影像组学在GIST研究中的应用前景依然充满潜力，尤其是在精准医学、靶向治疗以及多组学分析方面。然而，现阶段的应用仍然面临诸多挑战，包括数据标准化、特征的生物学解释、数据量不足以及模型的可解释性等。未来随着数据共享的加强、技术的进步以及更多大规模、多中心研究的开展，影像组学在GIST研究中的价值有望进一步提升。

参考文献：

[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， 刘 峰， 汤林梦， 等. 增强CT影像组学术前预测胃肠道间质瘤危险度分级的价值[J]. 中国医学影像学杂志， 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]黄宏亮. CT影像特征及直方图分析对胃间质瘤与胃神经鞘瘤的鉴别诊断价值

[D]. 兰州： 兰州大学， 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]马泽兰. 基于影像组学鉴别Borrmann Ⅳ型胃癌和原发性胃淋巴瘤的研究

[D]. 广州： 南方医科大学， 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]中国临床肿瘤学会胃肠间质瘤专家委员会. 中国胃肠间质瘤诊断治疗共识（2017年版）[J]. 肿瘤综合治疗电子杂志， 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]储海瑞. 基于逻辑回归分析的CT影像组学方法在胃肠道间质瘤术前危险度分级预测的应用价值

[C]//2019浙江省医学会放射学学术大会， 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， 张冰倩， 黄亚男， 等. 基于磁共振表观扩散系数图像的放射组学特征评估胃肠道间质瘤危险度[J]. 中国医学影像学杂志，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影像组学分析鉴别胃肠道间质瘤c-kit基因9/11号外显子突变的初步研究[J]. CT理论与应用研究， 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]Koçak 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.（编辑：林 萍）