人工智能時代下的影像組學在肺癌中的應用研究進展

韓志萍 唐興 楊庭義 常寧 張勇 張信信 徐永強 張艱

1空軍軍醫大學西京醫院呼吸與危重癥醫學科,西安 710032；2空軍軍醫大學西京醫院放射科,西安 710032

近幾十年來,隨著成像技術的發展,肺癌領域的影像學應用越來越普及,但肺癌的診斷仍然主要依賴放射醫師和臨床醫師的主觀經驗和半定量分析判斷,與基因組學、蛋白質組學、代謝組學等相比,僅能提供有限的價值信息,對影像信息的挖掘利用尚有很大空間。因此,有學者提出了利用醫學影像大數據進行深度挖掘并量化分析的影像組學,受到了國內外學者的廣泛關注。

1 影像組學概念及研究內容

伴隨著人工智能時代的發展,模式識別工具及數據集的不斷增加促進了高通量提取、量化分析醫學圖像的發展,它可以使圖像轉換成可采集的數據,結合患者其他信息,能夠為臨床決策提供更精準的依據[1]。2012年,Lambin等[2]正式提出了影像組學的概念,定義影像組學(又稱放射組學)為通過自動化的高通量影像特征數據提取,利用復雜的生物信息學工具開發模型,建立影像特征與臨床表型、基因分子標志等的關聯,從而進行腫瘤診斷和臨床表型預測的過程。隨后,Kumar等[3]將影像組學概念完善為高通量地從MRI、CT 及PET 中提取大量高維的定量影像特征并進行分析。影像組學廣泛應用于各類疾病中,尤其在腫瘤領域的輔助診斷、療效評估和預后分析中具有較大的應用前景。

2 影像組學相關流程

(1)收集高品質和標準化圖像;(2)采用自動分割方法,或由有經驗的放射科醫師或腫瘤放療醫師對圖像中腫瘤區域進行標定和分割;(3)從這些分割的腫瘤區域中提取定量影像特征。這些特征主要包括形態特征、統計特征、區域性特征以及模型基礎上的特征四大類;(4)利用支持向量機、決策樹等方法基于圖像特征的獨立性、可重復性和數據的顯著性進行篩選,然后構建模型,分析這些特征與基因、表型、療效、預后等的關系,最終目標是通過將影像特征納入預測模型,輔助臨床提供更多有價值的信息[2-3]。

3 影像組學在肺癌中的應用

Aerts等[4]是最早將影像組學應用于肺癌的學者,他們的研究證實了影像組學特征可捕捉腫瘤異質性,與腫瘤病理類型、T 分期、基因表達的模式以及患者的預后都有顯著關聯。此后,影像組學在肺癌中的應用成為一大研究熱點,廣泛應用于肺部結節良惡性的鑒別、腫瘤表型的綜合評價,包括組織類型、細胞分子、基因狀態[5-6]以及療效評估、預后分析等方面[4,7-8]。

3.1 影像組學輔助診斷

3.1.1 影像組學用于肺結節篩查及鑒別診斷 肺結節診治指南中推薦使用低劑量CT 用于篩查[9],但低劑量CT 存在較高的假陽性率,使得肺結節的定性診斷一直以來是臨床上難以解決的問題之一,影像組學的研究為肺結節篩查及良惡性鑒別提供了更多有價值的信息。Ma等[10]提出了一種應用影像組學方法計算機輔助自動檢測肺結節的系統,對1 004例患者的CT 資料進行了評估,在區分真實的肺結節與假陽性結節中獲得了88.9%的陽性檢出率。另有學者利用影像組學方法對593例患者的肺部結節進行良惡性鑒別,總體準確率達82.7%[11]。

楊春然等[12]應用影像組學方法對604例患者胸部CT上的2 803個肺結節進行了惡性程度預測,結果顯示對于單個肺結節,平均預測準確率為77.85% [每一類預測受試者工作特征曲線下面積(area under the curve,AUC)均＞0.94];對于每例患者,準確率為75.16%。影像組學方法不僅可以高效篩選肺結節,減輕放射科醫師的工作負擔,而且可以預測其惡性程度,輔助臨床診斷,減少人為失誤。

3.1.2 影像組學輔助病理診斷 影像組學方法可結合成像參數與臨床特征,以非侵入性的方式,在無法獲取腫瘤或活檢標本時輔助病理診斷,幫助制定下一步的治療方案。已有研究證實部分影像組學特征是病理分級的獨立影響因素,可作為預測腫瘤侵襲性的指標,實現對早期肺癌患者治療分層的目標[13]。

Yuan等[14]利用影像組學方法來鑒別原位腺癌/微浸潤腺癌和浸潤性腺癌,結果顯示區分原位腺癌/微浸潤腺癌與浸潤性腺癌的準確率達80.5%,顯著高于容量分析(準確率69.5%,P=0.049)?；貧w分析表明,影像組學方法比容量分析具有更佳的預測性能。Satrajit[15]應用影像組學方法區分鱗癌與腺癌的預測精度在63%以上,區分細支氣管肺泡癌與非細支氣管肺泡癌的準確率在77%左右。Saad和Choi[16]提出了一個利用影像組學方法進行非小細胞肺癌定量分類的分析器,結果顯示分類器模型對非小細胞肺癌的病理分型平均準確度達81%,其中最好的模型減少了53%的未分類或組織學亞型不明確。影像組學在活檢取材有限或腫瘤分化較差導致病理難以定性診斷時可提供更多有價值的信息。

3.2 影像組學與基因表達 隨著 “精準醫療”的發展,肺癌患者的診療已進一步深入到了基因水平,然而在極低濃度下存在的突變基因很難被檢測到,并且由于腫瘤的異質性,通過活檢組織的檢測也可能存在假陰性[17]。影像組學分析可以捕獲有關基因突變的有用信息,在無法手術或活檢時聯合臨床特征可能為診斷提供附加利益,從而輔助制定治療方案。

Liu等[18]研究表明表皮生長因子受體(epidermal growth factor receptor,EGFR)突變組與野生型組的11種影像組學特征有統計學差異;多因素logistic回歸模型顯示,在臨床模型中加入影像組學特征后,預測EGFR 突變能力顯著提高(AUC由0.667提高到0.709,P＜0.000 1)。多項研究得出類似結論,表明影像組學方法預測EGFR 基因突變狀態的性能顯著優于傳統影像參數(腫瘤體積、最大直徑),但未發現影像組學特征與KRAS突變相關[19-20]。

另有研究表明間變性淋巴瘤激酶(anaplastic lymphoma kinase,ALK)與c-ros原癌基因1/轉染重排陽性患者的影像組學特征也有顯著差異[8]。Yamamoto等[21]發現ALK 陽性的非小細胞肺癌在CT 成像上有鮮明的特點,利用這些影像特征組成的影像組學標簽在年齡≤60歲的患者中預測ALK 融合的準確度達78.8%,尤其在可手術的患者(ⅢA 期或更早)中區分能力更強,靈敏度可達100%,特異度88.1%,準確度89.4%。由此可見,影像組學對基因表型的預測具有一定價值,未來整合影像與基因組學的研究必將成為熱點之一。

3.3 影像組學與療效評估 臨床實踐過程中,對療效的準確預估和評價是治療方案制定和調整的重要依據。已有研究表明影像組學特征會在治療期間發生變化[22],可用于預測術前新輔助化療的療效,區分病理性完全緩解和大體殘留病變。Coroller等[23]研究結果顯示影像組學特征對于新輔助化療后是否達病理性完全緩解和大體殘留病變均有顯著的預測價值(AUC 值分別為0.67和0.72～0.75,P＜0.05),且均優于傳統特征(最大標準攝取值和體積,AUC=0.62)。Aerts等[24]研究表明治療前影像組學數據可預測EGFR 突變狀態與吉非替尼的療效,展示了影像組學方法來提高酪氨酸激酶抑制劑敏感和耐藥患者的分層和療效評估的潛力。因此,應用影像組學方法,可提早預估患者療效,及時調整其治療方案,避免反復多次的療效評估,減少患者的放射暴露及經濟、心理負擔,使更多患者獲益。

3.4 影像組學與臨床預后 肺癌是目前世界上病死率最高的癌癥,即使經過有效治療后仍會出現局部復發、遠處轉移、放射性肺損傷等一系列問題。因此,臨床上需要一種能夠正確分層高?；颊叩牟呗?影像組學在預測患者臨床預后方面表現出具大的潛力。Hawkins等[25]應用影像組學方法構建模型預測600例患者肺癌的發生,結果表明預測肺結節在1年和2年后轉變為肺癌的準確度分別為80%和79%,顯著優于傳統的體積測量方法。多項研究表明無論是患者治療前的影像組學特征還是治療期間發生的影像組學特征的變化均與患者預后顯著相關,可預測遠處轉移、局部復發的風險以及無疾病生存期和總生存期[26-27]。Aerts等[4]從1 019例患有肺癌或頭頸癌患者的CT 數據中提取了440個特征進行影像組學分析,發現大量影像組學特征具有預測預后的能力,其中許多特征在此之前被認為是沒有意義的。Zhou等[28]建立了一個聯合臨床信息、PET 和CT的影像組學特征的模型來預測體部立體定向放療后早期發生遠處轉移的風險,最高敏感度達76%,特異度達94%(AUC=0.83)。另有學者應用影像組學方法對體部立體定向放療治療后患者的臨床預后進行了分析,結果表明影像組學特征不僅可定量、客觀地評價放射性肺損傷[29],且早在立體定向放療治療3個月后即可預測疾病進展情況[30]。這些研究結果表明將影像組學特征與臨床特征相結合,可有效提高預測患者預后的能力,可能是未來人工智能在醫學應用方面的發展方向。

4 展望

目前肺癌的影像組學研究仍處于早期的階段,還有許多問題有待解決,由于其本質上是高通量的數據挖掘,因此必須有恰當的特征選擇策略來提高其預測性能,同時還要最大限度地減少模型過擬合來增加概括能力,可重復性以及標準化的問題也需要更大數據的研究[31]?？傊?在人工智能時代,各種癌癥 “組學”嶄露頭角,影像組學在肺癌領域中有巨大的潛在應用價值,影像組學與其他 “組學”的整合研究將成為未來的研究方向之一[32]。

利益沖突所有作者均聲明不存在利益沖突