影像組學在非小細胞型肺癌中的應用研究進展*

秦 旭 綜述,張喜榮 審校

(陜西中醫藥大學醫學技術學院,陜西 咸陽 712000)

肺癌是全球第2常見癌癥類型,其中非小細胞肺癌(NSCLC)是主要的亞型,占80%～85%[1-2]。近年來,我國肺癌發病率和死亡率呈上升趨勢[3]。惡性肺部病變的早期檢測至關重要,早期接受治療的肺癌患者5年生存率為57%,僅5 %發展為進展期。影像學檢查是早期肺癌篩查和診斷、制定治療策略、預后評估和隨訪的一種重要無創性工具[4]。隨著醫學設備、影像學技術的迅速發展及精準醫療的提出,影像組學作為一種新興手段被放射科醫生熟知,其具備以非侵入性方式捕獲腫瘤異質性的能力,從而可提高肺癌診斷的特異性和準確性[5]。肺癌精準醫學研究的主要目的包括早期檢測和晚期量身定制治療和護理策略[6]。影像組學從CT、磁共振成像(MRI)和正電子發射斷層掃描成像/計算機斷層掃描成像(PET/CT)圖像中提取和整合特征,在判斷腫瘤組織學類型、分級分期、評估治療效果和判斷預后等方面取得較好的效果[7]。本文就影像組學在肺癌應用中的研究進展進行了綜述。

1 影像組學簡述

影像組學是指從醫學圖像中分離出病灶,通過高通量特征的提取和分析來建立函數或數學模型,在宏觀和微觀層面反映腫瘤學的診斷特征和發病機制,從而幫助臨床進行疾病診斷和制訂治療決策[8]。影像組學可單獨使用,也可與人口統計學、組織學、基因組學或蛋白質組學等數據結合使用,解決更多臨床問題[9]。影像組學的流程分為圖像采集、圖像分割、特征提取、模型構建4個步驟[8-9]。

1.1圖像采集 目前主要是從CT、MRI、PET-CT等設備獲取圖像信息。但不同成像設備、不同醫療單位的掃描協議存在差異,影響提取數據的準確性[10]。因此,在多中心采集圖像必須遵守標準化成像原則,并對掃描圖像進行標準化處理,提取的圖像數據應用圖像歸一化和重采樣技術進行校準[10],以實現影像組學研究的可重復性和準確性。

1.2圖像分割 準確的圖像分割是影像組學分析中一個關鍵且具有挑戰性的步驟,分割方法包括手動分割、半自動或自動分割。手動分割可以精準勾畫腫瘤,準確性高,被視為圖像分割的“黃金標準”,但是費時、費力且存在一定的主觀性[9]。近年來,半自動或自動分割技術快速發展,其穩定性優于手動分割,已逐漸成為圖像分割的主要方法,但尚未研究出一種適合所有圖像的半自動或自動分割方法[10]。隨著人工智能在醫學中的應用,深度學習算法如卷積神經網絡已成功應用于重建、去噪、分割和分類等方面,在醫學圖像分析中具有良好的穩定性,可以克服圖像噪聲及腫瘤異質性等方面問題,具有很大發展潛力[11]。

1.3特征提取 影像組學領域的重點是從對反映病灶生物學特性和腫瘤異質性的數字圖像中提取定量特征,并將其轉換為可挖掘的高維數據。目前,如何準確地進行特征提取及精準應用定量特征是亟須解決的難題。提取的主要特征包括形狀、強度、紋理及小波等,各影像特征又包含眾多詳細特征指標,不同指標特征反映病灶內部的不同信息[8]。提取的特征數量越多并不一定代表模型性能越好,高維特征可能會導致多重共線和過擬合等問題。因此,在提取和分析定量特征之后,需要對數據進行降維,從而得到具有代表性的特征以建立精準預測模型[9]。最具信息量的特征是根據與其他特征的獨立性、可重復性和數據的突出性來識別的。然后,分析所選特征與治療結果或基因表達的關系。最終目標是將成像特征納入治療結果的預測模型,并評估其對常用預測因子的附加值,從而提供準確的風險分層。

1.4模型構建 影像組學的最終目的是利用篩選出來的最優影像組學特征構建疾病早期診斷、腫瘤類型及治療預后的預測模型。目前常用的模型有回歸模型、分類模型、人工神經網絡、多變量模型等。Bagging和boosting算法是較常用的建模方法,其通過在訓練過程中整合特征選擇和有效采樣,并引入穩健分類器或回歸器訓練。該方法可以將重點從基于專家的特征選擇轉移到直接讓分類器評估候選特征并識別具有預測價值的特征,使模型精確度更高。最近,神經網絡模型重新成為強大的分類和特征構建模型。給定足夠的訓練數據時,卷積神經網絡優于特征選擇方案,因為最佳特征是從圖像數據本身構建的,而不是從預定義和有限的特征候選集中選擇特征。一個限制是需要過多的訓練數據,這種限制最近已經被遷移學習等策略成功地解決,這些策略利用了跨問題域的視覺特征的相似性。

2 影像組學在NSCLC診療中的應用

2.1在NSCLC篩查和早期診斷中的應用 影像組學作為一種新興的技術,已經被廣泛應用于NSCLC篩查和早期診斷中,其主要基于醫學影像分析、計算機輔助診斷及人工智能等技術,對腫瘤形態、紋理等多重特征進行綜合分析,有效提高了NSCLC檢測效率和準確性。

早期診斷是NSCLC治療成功的關鍵。影像組學通過對CT、PET等影像分析,能夠快速發現可能存在的NSCLC病灶,從而提高患者生存率。近年來,越來越多的研究表明,基于深度學習的影像組學技術在肺癌早期診斷方面具有良好的效果。CHAE等[12]研究使用深度學習模型結合傳統的特征提取方法,實現了對肺結節的自動化篩查和分類,為肺癌早期診斷提供了一種新的解決方案。有研究表明,在聯合使用傳統機器學習算法和深度學習算法的情況下,NSCLC篩查靈敏度可以高達90.2%,而誤診率則降低至11.5%[13]。

虛擬胸透也是一種潛在的影像組學技術,可用于NSCLC早期篩查。虛擬胸透可將多個X射線影像合并成一個三維圖像,從而提高準確性。一項2022年的研究表明,通過使用虛擬胸透技術和計算機視覺算法對肺部結節進行診斷,可實現95.2%的準確率和90.2%的靈敏度[14]。此外,PET-CT也在NSCLC早期診斷中得到廣泛應用。一項研究表明,利用人工智能算法對PET-CT圖像進行分析,可以提高NSCLC早期診斷精確度,并且可以實現更好的定量評估[15]。

2.2在NSCLC惡性程度評估中的應用 腫瘤惡性程度評估是一個復雜的過程,需要考慮多個因素,如腫瘤大小、形態、紋理等。傳統方法主要依賴于人的判斷,存在主觀性和誤差。影像組學技術的一個重要應用是基于人工智能的深度學習模型。深度學習模型可以通過大量的醫學影像數據,自動學習腫瘤特征,并建立高度準確的預測模型。

SONG等[16]對661例NSCLC患者的CT影像組學特征進行了研究,結果顯示,CT影像組學為NSCLC的轉移潛力或侵襲性提供了可靠信息,為指導NSCLC個體化治療方案的選擇提供了臨床價值。在肺癌組織學亞型區分方面,結合手工勾畫圖像和邏輯回歸分析的臨床特征可以有效區分小細胞肺癌(SCLC)和NSCLC,其受試者工作特征曲線下面積(AUC)為0.94,準確率為86.2%。此外,該研究選擇了5個手工制作的放射性組學特征作為區分肺鱗狀細胞癌和腺癌的特征,其AUC為0.89。對920例患者的研究顯示,影像組學在鑒別腺癌、鱗狀細胞癌和小細胞肺癌方面均具有較高的性能[17]。最近的研究表明,影像組學可以提供Ki-67表達水平信息[18]。

PET-CT能夠同時提取功能和結構特征,具有比單獨PET或CT更廣闊的應用前景[19]。HYUN等[20]關于210例肺腺癌和186例肺鱗癌患者的研究表明,基于PET-CT的影像組學可以區分肺腺癌和肺鱗癌。ZHANG等[21]關于248例未經治療肺癌患者的研究表明,綜合臨床和放射特征預測表皮生長因子受體(EGFR)突變模型的AUC可達到0.87。此外,對于EGFR突變患者,深度放射評分是一種非侵入性工具,可用于識別對酪氨酸激酶或免疫檢查點抑制劑敏感的NSCLC患者。

MRI技術在肺癌的診斷中相對于CT和PET/CT等影像學技術而言,其應用仍不普及。然而,近年來一些研究表明,MRI也可以用于NSCLC惡性程度評估,并且取得了一定的進展[22]。一項研究通過比較不同組織的MRI信號強度差異時發現,在T2加權影像中觀察到的信號強度越高,患者存活率越低,提示MRI信號強度可以作為預測NSCLC惡性程度和預后的一個潛在指標[23]。

2.3在淋巴結轉移診斷中的作用 國際肺癌研究協會的一項大型數據庫顯示,肺癌淋巴結轉移患者5年生存率為26%～53%[24]。關于轉移性淋巴結的精確評估、淋巴結清掃程度的研究仍存在爭議。肺癌淋巴結轉移是影響腫瘤和淋巴結分期的重要因素。因此,術前無創評估淋巴結對于確定肺癌分期、手術計劃和預后至關重要[25]。CT是目前臨床診斷淋巴結轉移最常用的無創方法,如果能提高診斷準確性,將為確定放療靶點和手術范圍提供更重要的臨床指導。已有研究證實了利用影像組學特征預測直腸癌、乳腺癌和食管癌中淋巴結轉移的可行性[26]。SHA等[24]對86例具有病例診斷結果的肺癌淋巴結轉移患者進行影像學組學模型構建,結果顯示,不同分期的診斷模型均具有鑒別良惡性淋巴結的能力,CT平掃比CT增強掃描能選擇更多的紋理特征,CT平掃的紋理特征對鑒別縱隔轉移淋巴結更有意義。TAU等[27]使用卷積神經網絡訓練PET圖像,結果顯示,以中等性能預測淋巴結轉移的準確率為80%,遠處轉移的準確率為63%。在CT圖像中整合大量人眼無法識別或區分的特征的方法,對診斷NSCLC患者縱隔淋巴結轉移具有較高的準確度和靈敏度,從而有望提高NSCLC治療療效。

2.4在預測NSCLC治療反應中的作用 NSCLC常用的治療方式包括手術、立體定向消融放射治療、細胞毒性化療、酪氨酸激酶抑制劑治療和免疫檢查點抑制劑治療等[28]。影像學檢查是評估NSCLC治療反應的主要手段,主要依賴于腫瘤大小,輔以其他腫瘤特征的定性評估,如密度、形狀等。從定量角度來看,這種方法不了解醫學圖像中的大量信息,影像組學可以構建治療反應的預測模型,提供定量標記物及治療策略等[29]。有研究對分別接受聯合放化療和酪氨酸激酶抑制劑治療后行手術切除患者進行了多變量分析,結果顯示,接受聯合放化療患者的峰度(OR=1.107,P=0.009)和接受酪氨酸激酶抑制劑治療患者的強度變異性(OR=1.093,P=0.028)是獨立預測病理反應的指標。有學者進行了一項前瞻性研究,調查了接受放化療聯合手術切除的NSCLC患者基于PET的定量特征與病理反應之間的關系,結果顯示,最大標準化攝取值的早期變化是病理完全緩解的一個極好的預測因子[30]。影像組學的預測模型必須在臨床實踐中進行前瞻性研究,提高重復性和臨床實用性。

3 小 結

雖然影像組學在NSCLC臨床診斷方面具有非常重要的價值,但是仍然存在著不足。首先,可重復性低是影像組學領域中亟待解決的問題,大部分影像組學研究只使用了分裂樣本方法,即單中心數據集被分成訓練和驗證數據集后進行特征提取,這種模型通常具有重復性低的缺點[31]。其次,缺乏具有高質量數據的大型數據集及標準化數據采集方法。影像組學模型預測的準確性與設備的性能、掃描協議、影像科醫生圖像處理能力及選取的數據特征息息相關。目前,不同設備在NSCLC患者圖像采集和圖像后處理方面的標準不統一,很大程度上影響著模型預測的準確性,因此需要大型的、多中心的數據集來便創建穩健的模型[32]。最后,有研究對肺癌影像組學方法進行綜述時發現,不同研究間無法確定可靠的放射組學特征[32]。

目前,在數據和方法學方面的挑戰阻礙了影像組學在臨床實踐中的廣泛應用。未來,影像組學有望克服這些障礙,朝著更安全、更有效的模型訓練模式發展,融合多模態圖像,并結合多學科或多組學來形成“醫學組學”,以滿足精準醫療的要求。