临床前模型构建与CT影像采集
建立HRD与同源重组 proficient（HRP）的对比模型，获取治疗前后影像数据。
使用307只小鼠，携带三种同基因异种移植瘤（LNCaP AR前列腺癌、HCT116和DLD-1结直肠癌），包括FANCA-/-、FANCD2-/-、BRCA2-/-（HRD）及野生型/DNA-PKcs-/-（HRP）。在CP-506（缺氧激活前药）或对照治疗前及治疗后6、24、48、72小时进行显微CT扫描（40kVp和80kVp双能量）。
获得543张可分析CT扫描（414张无治疗扫描用于分类任务，129张治疗后扫描用于反应预测）。
肿瘤区域（ROI）分割
采用半自动化流程：先用20例手动标注训练DynUNet分割模型，生成候选轮廓，再经四人联合审核校正，获得所有扫描的标准化肿瘤ROI。
HRD状态分类模型开发（三种方法对比）
1 手工影像组学（HCR）
提取93个基础特征（一阶统计、GLCM、GLSZM等）及372个LoG滤波后特征；经Z-score归一化、相关性聚类、Lasso降维后，用SVM分类。评估传统预定义特征对HRD的预测能力。
训练集AUC 0.77–0.79，测试集AUC 0.70–0.76，性能有限且对数据量敏感（10%数据时AUC<0.5）。
2 监督式深度学习（sDL）
使用简化通道的ResNet-50，输入40kVp、80kVp或双通道图像，经数据增强（旋转、翻转、噪声等）训练1,000轮。评估从头训练的深度网络性能。
训练集AUC 0.71–0.78，测试集AUC 0.77–0.85，优于HCR但仍受限于小样本。
3 基础模型（FM，核心方法）
采用基于大规模人类CT预训练的ResNet-50编码器，添加三层MLP（4096→512→64→2）作为分类头，微调学习率10⁻⁶，五折交叉验证。利用预训练权重克服临床前数据稀缺问题。
训练集AUC 0.89–0.90，测试集AUC 0.87–0.88，准确率约85%，显著优于HCR和sDL（p<0.05）。sDL与FM共识亚组（71%病例）AUC达0.93。
治疗反应预测：DNA损伤强度（DDI）
验证HRD相关影像特征能否预测CP-506诱导的微观DNA损伤。
治疗后48小时取肿瘤组织，γ-H2AX免疫组化染色定量DNA损伤；以FM提取的64维HRD相关特征+治疗状态为输入，逻辑回归预测高/低损伤（以中位数二分）。
训练集AUC 0.92，测试集AUC 0.75；预测HRD组在治疗后显示出显著更高的DNA损伤（p<0.001），证实影像特征可捕捉治疗敏感性。
生存分析（事件无生存期，EFS）
评估HRD特征对肿瘤生长延迟的宏观预后价值。
因主实验动物需处死后取组织，采用平行实验（151只小鼠）的肿瘤体积数据拟合Weibull分布，合成主实验的EFS数据（肿瘤体积增至4倍的时间）。使用Cox比例风险模型基于HRD特征计算风险评分，Kaplan-Meier分析比较高/低风险组。
低风险组EFS显著延长（HR=0.25, p<0.0001, C-index=0.69）；结合预测HRD状态与风险分层，低危/预测HRD组生存最优，证实影像特征具有预后预测价值。
模型可解释性分析
解析FM决策的生物学基础，识别关键影像特征。
采用回归概念向量（RCV）方法，计算各影像组学特征的可学习性（R²）和双向相关性（Br）评分；对比HCR模型的SHAP值。
87%的特征（269/309）被FM有效学习；纹理异质性（如Coarseness、ClusterShade）是HRD分类的关键，低Coarseness（高异质性）与HRD概率正相关；HCR与FM在12个关键特征中的8个方向一致，但FM捕捉了更多传统方法遗漏的异质性特征。
统计验证
DeLong检验比较ROC曲线，Mann-Whitney U检验比较组间差异，Fisher精确检验评估混淆矩阵，Benjamini-Hochberg校正多重比较，Bootstrap计算95%置信区间。确保结果稳健性。
FM显著优于传统方法（p<0.05），所有主要发现均经多重检验校正后仍显著。
