影像組學在非小細胞肺癌基因突變中的應用進展

馮穎慧 綜述 陳曉東，羅澤斌，羅樹存 審校

廣東醫科大學附屬醫院放射科，廣東 湛江 524000

原發性肺癌是導致全球癌癥相關死亡的最主要原因，其發病機制至今尚不明確，但與吸煙、環境污染、職業接觸、遺傳易感性及既往慢性肺部疾病等危險因素有關。我國的肺癌死亡率較高，在2015 年至2030年期間或將增加約40%[1]。以肺癌患者的臨床信息為基礎，為其量身定制醫療方案，對提高其生活質量及延長其生存時間具有重要意義。隨著肺癌驅動基因學的發展，人們逐步發現基因層面的改變在肺癌的發生發展中發揮重要作用，這為疾病的治療提供了潛在靶點[2]。

1 非小細胞肺癌常見的基因突變與分子靶向治療

非小細胞肺癌(non-small cell lung cancer，NSCLC)中肺腺癌是最常見的組織亞型，所占的比例在50%以上，根據其相關驅動基因突變可進一步細分成更多的亞群。目前最常研究的肺腺癌驅動基因包括表皮生長因子受體(epidermal growth factor receptor，EGFR)、間變性淋巴瘤激酶(anaplastic lymphoma kinase，ALK)和鼠類肉瘤病毒癌基因(kirsten rat sarcoma viraloncogene，KARS)等[3]。

分子靶向治療是NSCLC 治療中最熱門、最有前途的領域之一，它通過利用腫瘤細胞與正常細胞間分子生物學上的差異，作用于腫瘤細胞的特定靶點，使腫瘤細胞死亡。由于并不損害腫瘤周圍的正常組織細胞，分子靶向治療比傳統化療具有更高的選擇性及更小的不良反應，對患者病情緩解效率高，耐受性好，改善預后明顯。

隨著個體化治療的發展，EGFR 已成為眾多研究中的焦點，一些分子生物標志物已被研究為對非小細胞肺癌對EGFR酪氨酸激酶抑制劑(TKIs)反應的潛在預測因子(如EGFR 表達、EGFR 基因復制增益和EGFR 突變)。如今EGFR-TKI 已被廣泛用作EGFR 基因突變型NSCLC的一、二線或輔助治療藥物。EGFR突變最常見于18～21外顯子，在亞裔人群中NSCLC患者的19外顯子缺失及21外顯子L858R位點突變分別占EGFR突變總數的40%～50%及39%～48%，這兩種最常見的突變類型及所占比例較少的18 外顯子突變(約4%)對EGFR-TKI 治療敏感，常用藥物主要有一代藥吉非替尼及二代藥阿法替尼，而20 外顯子T790M 基因突變會出現耐藥反應。在T790M 陽性患者中，EGFR-TKI 三代藥奧希替尼在隨機臨床試驗中已顯示出優于鉑雙重化療和第一代EGFR-TKI 的優勢，對突變型EGFR受體和藥代動力學的體外選擇性增強。但野生型肺癌病灶對上述藥物極不敏感，因此治療以化療為主。ALK基因突變作為NSCLC基因突變中較為常見的另一種類型，克唑替尼是其最為常用的抑制劑。EGFR 和ALK 酪氨酸激酶抑制劑在EGFR 突變和ALK 融合患者中的成功應用，將晚期NSCLC 引入了靶向治療的時代[4]。

KRAS 基因是NSCLC 中除EGFR 基因之外的最常見的驅動基因，但目前并沒有針對晚期NSCLC 中KRAS 基因突變的藥物，因此難以通過靶向治療及標準化療來取得預期療效。目前針對KRAS突變患者的治療主要還是干擾下游通路重要調控因子來阻止腫瘤細胞的生長。近年來，NSCLC的基因組研究發現了其他潛在的治療靶點，,包括RET 融合、MET 擴增、ROS1 重 排、以 及HER2、PIK3CA、BRAF、ERBB2、NRAS、KIT 突變等，這揭示了肺癌的遺傳異質性和復雜性，提示攜帶這些致癌驅動因子的NSCLC 可成為其他適應證或臨床開發藥物的靶點，具有潛在的臨床治療意義。

2 非小細胞肺癌基因突變的檢測手段

針對特定致癌基因驅動突變的靶向治療已成為治療肺癌患者的關鍵因素。對于臨床診治過程而言，至關重要的是要準確識別出具有某些特定基因改變的腫瘤，以使患者能夠獲得最佳治療效果。當懷疑患有惡性腫瘤的患者接受活檢后，治療計劃將主要取決于兩個特征：惡性腫瘤的組織學亞型和分子分析或與惡性腫瘤相關的基因突變。無論性別、種族、吸煙史或臨床危險因素，常規檢測EGFR 突變是有腺癌組織學的NSCLC 的標準做法。EGFR 突變檢測是以DNA為基礎的，可以對從診斷活檢、手術切除甚至細胞學標本中獲得的組織進行檢測。熒光原位雜交(FISH)測定法及免疫組織化學方法(immunohistochemistry，IHC)可以快速且經濟高效地提供具有臨床意義的結果，所以常作為補充試驗參與基因檢測。實時PCR分析和下一代測序(nextgeneration sequencing，NGS)等非原位檢測方法使基因組測序變得更加便宜和快捷，且其檢測效果良好，也是十分重要的檢測手段。此外，侵入性較低的液體活檢技術也是近年來肺癌基因檢測的研究熱點之一，主要涵蓋了外周血液中循環腫瘤細胞(circulating tumor cell，CTC)及循環腫瘤ctDNA等基因檢測方法[4，6-10]。

除上述常用的實驗室檢查方法之外，影像組學和液體活檢具有相似的優勢，作為一種微創的“測試”，可以很容易獲得，并且具有可重復性及廉價性等優點，能夠提取關于腫瘤類型的有價值的早期信息，幫助確定腫瘤的侵襲性，以預測進展和復發，亦可以對某些肺癌驅動基因進行評價。進行多手段的基因突變檢測可以更好的指導臨床應用靶向藥物，對肺癌的個體化治療具有重要的參考價值，從而導向更加明智的醫療決策。

3 影像組學概述

臨床數據的復雜性和數量的增長以及相關的腫瘤決策過程促進了精準醫學的出現，但傳統的影像醫學模式是基于形態學診斷的，不能提供精準醫療所需要的分子和基因水平的生物學信息。作為一個蓬勃發展中的領域，“影像組學”其含義是對通過CT、MR、PET 等影像手段中獲得的海量圖像進行特征性的挖掘，用于預測惡性腫瘤、組織學亞型、基因表達和治療及預后，為精準影像醫學診斷鋪墊基石，為建立精準醫療體系建立橋梁，這在癌癥研究中變得越來越重要。傳統影像學通過主觀視覺進行解釋評估，其優點是形象、直觀，但影像組學特征可以對病變和器官異質性進行更為客觀的評估，并且可以更詳細地反映有關組織微環境的信息。實際應用中放射組具體操作流程主要包括：①高質量圖像的獲取及重建：非小細胞肺癌的影像組學特征的可變性與不同CT掃描的圖像有關，為獲取高質量、符合標準的CT 影像，應制定好入組標準，確保入組數據需要具有相同或相似的采集參數。②圖像分割：在圖像處理領域，通過感興趣區域(ROI)來確定腫瘤區域以便進一步處理。目前圖像分割方法包括：人工手動分割、半自動分割以及自動分割，不同方法各有其特點。人工手動分割目前最常應用，由影像醫師進行勾畫，特點是精度高，但主觀性強，效率低下，而半自動或自動分割可提高數據的獲取效率，重復性高，但在距離鄰近結構(例如肺門，胸膜或鄰近血管)較近的病灶可能很復雜，可能需要手動繪制病灶輪廓以進行準確的分割。③特征提取及降維：影像特征的提取是影像組學分析的核心步驟，其中主要影像學特征包括強度、形狀、紋理、小波。高維度特征信息冗雜，需通過降維來獲取少數真正關鍵的特征。④模型構建及分析：運用機器學習的方式將篩選出來的組學特征建立分類或預測模型。為了確保臨床適用性，使用具有經過驗證的臨床結果的病例來訓練模型，并對其進行測試和驗證以評估臨床應用是至關重要的。

4 影像組學在非小細胞肺癌診療中的作用

4.1 影像組學與非小細胞肺癌基因突變的狀態評估 影像組學具有定量預測肺癌基因突變的潛力，目前以探究肺腺癌EGFR 突變狀態與CT 圖像紋理特征間相關性的研究較多。YU等[11]使用已建立的預測模型鑒別EGFR突變型和野生型肺癌的敏感性和特異性，在驗證組的EGFR 突變型和EGFR 野生型肺癌的鑒別診斷中分別具有0.803、0.867 和0.778 的準確性、敏感性和特異性，在區分EGFR 突變型和野生型肺癌上取得良好鑒別信息。LI 等[12]從312 例NSCLC 患者的計算機斷層掃描圖像中提取580個放射學特征以預測EGFR 亞型19Del 和L858R，獲 得EGFR 19Del 和L858R聯合模型的接收器工作特性曲線下的各個區域分別為0.793 和0.775，提示表皮生長因子受體19Del和L858R有著獨特的成像表型，證明影像組學可用于EGFR 突變亞型的預測。此外，LI 等[13]指出基于PET和CT放射學特征的影像組學特征在區分表皮生長因子受體突變型和野生型表皮生長因子受體病例方面優于單個影像學特征、基于PET 或CT 影像學特征和常規PET 參數，包括最大標準攝取值(SUVmax)、SUV均值、SUV 峰、代謝腫瘤體積(Mtv)和總病變糖酵解(Tlg)，區分EGFR突變。

因此，結合了影像組學特征和臨床因素，能更好地提高對NSCLC 患者EGFR 突變分化的診斷效能。除EGFR 基因外，影像組學特征也可用于預測及鑒別某些基因突變表型。SHIRI 等[14]從150 例NSCLC 患者中發現影像組學特征具有預測和鑒別EGFR 及KARS 基因突變的潛力。有部分學者認為傳統CT 影像學征象有助于預測晚期肺腺癌中是否存在EGFR突變，但各項相關研究結果不一。結合紋理分析有望更好地實現影像表型與分子表型的結合，結合影像組學特征與定性語義特征(空洞形成、分葉等)更有助于預測EGFR 基因突變，且隨著腫瘤定量紋理特征的增加，定性語義特征的預測價值也隨之增加。在患者無法耐受手術或進行活檢的情況下，基于CT 圖像的影像組學能更好地反映體內肺癌病灶的整體特征，使非侵入性評估腫瘤異質性成為可能。多特征的影像組學標記將影像數據轉換成高維定量數據，而多層次數據與精細化決策的整合可協助病理學家和腫瘤學家實現NSCLC 在精準醫學中的精確診斷和治療。

4.2 影像組學與非小細胞肺癌靶向治療的療效評估 當前評估腫瘤反應的標準是基于對實體腫瘤標準的反應評估(RECIST)，但該標準在準確監測治療反應方面的能力具有一定的局限性，而影像組學通過捕捉大量的腫瘤特征，能更好地展示腫瘤的發展和治療效果。AERTS等[15]在吉非替尼治療之前和治療后3周對47 例早期NSCLC 患者進行了評估，認為影像組學可以識別出對吉非替尼有反應的表型。楊春生等[16]發現不同時相的CT掃描影像組學特征均可預測肺腺癌EGFR 突變狀態、篩選EGFR-TKIs 治療優勢人群。以上均說明影像學方法在治療方案實施前能夠提供給更多有效信息，基于個體患者特征的預后模型可以改善未來的治療決策和結果。此外，PET 也可用于評估靶向治療的早期反應，特別是在酪氨酸激酶抑制劑使用后病灶的變化情況[17]。在60 例接受新輔助藥物EGFR受體抑制劑厄洛替尼治療的NSCLC患者中，治療3 周后的FDG/PET 顯像被證明與評估組織病理學反應有關，SUVmax 的顯著降低與良好的組織病理學反應有關。在同一時間點，CT圖像上腫瘤大小的相對變化并不是一個顯著的預測因子，但FDG/PET-CT 成像的SUV 強度可能比腫瘤體積的縮小更快地作出反應。如果在EGFR-TKI治療的最初幾周內沒有發生代謝反應，患者可以避免繼續使用療效差且副作用較大的藥物。因此進一步完善FDG-PET/CT反應標準可以指導臨床是否要對患者繼續進行靶向治療及后續觀察，以為患者尋求個性化和精確的治療選擇。50%檢測出EGFR 突變的NSCLC 患者在使用第一代及第二代EGFR-TKI治療后9～13個月內出現耐藥性，因此在靶向藥物治療過程中需要對腫瘤進行基因檢測分析以發現耐藥突變位點，從而調整治療方案，這就要求NSCLC 患者在進行靶向治療過程中需再次獲取基因檢測分型，以尋找明確獲得性耐藥突變位點，對其NSCLC患者的基因表型進行二次檢測，可能會找到新的藥物靶點，從而指導患者用藥，且有益于深入對耐藥機制的研究[18-22]。

4.3 影像組學與非小細胞肺癌的預后、復發及轉移評估 評估腫瘤的預后、復發及轉移需要常規隨訪和影像學檢查[23-26]。影像組學領域一直致力于預測腫瘤的預后和療效的預處理特征的準確性，以及早期發現腫瘤反應、復發、遠處轉移、放射性肺損傷、死亡和其他預后情況。捕獲腫瘤內異質性的預后影像學特征與潛在的基因表達模式有關，結合紋理分析有助于在隨訪過程中早期發現復發及遠處轉移。PHILLIPS等[27-28]從98例接受根治性放療的Ⅰ～Ⅲ期NSCLC患者中，從治療前的600 多個特征中選擇了15 個最具預測性的紋理特征，將遠處轉移的風險分為高風險和低風險，CI 為0.62，這提示使用簡單的影像組學特征能夠預測遠處轉移的風險。在類似的研究中，從接受放化療的III期患者的大體腫瘤總體積中提取紋理特征，最后根據傳統的預后因素(如腫瘤分期)及紋理特征可將患者分為高風險和低風險兩組，其總體生存率和局部控制率的CI分別為0.89和0.91。XU等[29]從治療前的胸部CT 所捕獲的影像學特征，可應用于預測Ⅲ/Ⅳ期ALK 陽性非小細胞肺癌患者的腦轉移；ZHONG 等[30]構建了一個基于患者治療前的胸部CT 平掃模型以預測肺腺癌隱匿性淋巴結轉移，其研究表明影像組學特征模型的預測效能優于臨床病理信息模型；CHEREZOV 等[31]基于腫瘤異質性的概念，提出了一種利用紋理特征揭示腫瘤生存環境的方法，異質性程度有助于識別腫瘤的惡性程度和侵襲性，這些結果顯示，在肺癌患者中區分長期和短期生存率的AUC 為0.9，準確率為85%。GANESHAN 等[32]發現NSCLC 的腫瘤異質性可以通過平掃CT 掃描的紋理分析來評估，并且有可能為NSCLC 患者提供一個獨立的生存預測因子；在其另一項研究中，紋理參數確定了相關的聯系，并證明了這些參數可作為腫瘤缺氧和血管生成的影像學相關因素。VAN DJJK 等[33]通過收集124 例ⅠA～ⅡB 期NSCLC 患者的術前資料，利用影像學特征(RS)和臨床病理數據建立預測模型，最后得出腫瘤和癌周RS 聯合TNM 分期系統對非小細胞肺癌患者個體化復發風險的估計優于單獨TNM 分期。大量研究表明紋理分析參數與傳統預測因子(包括TNM 分期、AJCC 分期、年齡、性別、組織學、并發癥和體能狀況)相結合有助于提高預后模型的準確性[34-40]。

5 問題與展望

雖然當前影像組學在NSCLC 的診療中已取得重大進展，但在臨床實踐中仍處于初步探索階段，仍存在許多問題亟待解決：(1)獲取圖像的局限性。當前，在不同機器設備之間缺乏針對胸部CT 采集圖像和采集后處理的公認標準，不同參數設置、掃描序列所獲取的影像特征存在差異性，可能導致處理結果的偏差，因此在影像組學研究中，對圖像采集及重建要更為嚴格規范；(2)樣本量的局限性。構建模型的普遍性和預測性能需要大量的、穩定的數據，基于相對較小的數據集會增加I 型錯誤的可能性，通過跨區域、多所醫院的數據共享建立大型影像組學數據庫以獲取更多有效數據或是一個良好的解決方案；(3)病例入組的局限性。入組的非小細胞肺癌病例主要選擇邊界較清晰的實性病灶，因此含實性成分較少或呈純磨玻璃密度的病灶、帶有空洞的病灶未能得到紋理提取與分析勾畫，與縱隔胸膜分界不清、或合并肺葉實變不張、被大量胸水掩蓋的病灶亦無法提取有效影像信息，因此需要精度更高的圖像分割算法。盡管如今仍有許多問題無法避免，需要妥善處理，但影像組學仍是實現精準醫療的重要戰略，通過解決上述問題，影像組學在臨床上的應用將更為廣泛。