影像組學在鼻咽癌的研究進展*

楊 秀,楊 嶠,孫建國△

(1.陸軍軍醫大學第二附屬醫院腫瘤科,重慶 400037;2.解放軍第九四一醫院超聲診斷科,西寧 810007)

據Globocan2020年的數據,中國鼻咽癌患者占全球近50%[1]。鼻咽癌是中國地域特色的惡性腫瘤[2]。男性發病率為女性的2～3倍[3]。鼻咽癌對放射線高度敏感,初診鼻咽癌的5年生存率高達85%以上[4],但部分患者在早期出現治療失敗。文獻報道,鼻咽癌3年原發部位復發率為5%～10%,頸部淋巴引流區復發率為5%,3年遠處轉移率高達20%[5],是局部復發的高危期[6]。因此,在精準醫療新時代,根據患者特征制訂個體化治療方案是當前研究熱點。

目前,TNM分期系統是指導鼻咽癌治療的金標準[7]。然而,該系統只關注腫瘤病灶及其對局部或全身組織結構的破壞,這種基于解剖關系的分期對改善患者預后提供的信息有限,因為在臨床上已經觀察到相同分期患者有不同預后。與傳統的解剖成像相比,正電子發射計算機斷層顯像(positron emission tomography,PET)結合了生物代謝信息和高分辨率軟組織圖像等優點,在鼻咽癌診斷和治療中發揮著重要作用[8]。

影像組學是2012年由荷蘭學者LAMBIN首次提出,他將傳統影像圖像的黑白灰階信息轉變為定量影像組學特征,為臨床提供有價值的診療信息[9]。影像組學提供了腫瘤異質性的信息,包括腫瘤細胞異質性、退行性變化和新生血管形成、腫瘤侵襲性[10]等,這難以在視覺上評估[11-12]。當前,影像組學已廣泛用于實體腫瘤[13-14]。本文就影像組學在鼻咽癌中的應用及研究進展做一綜述。

1 影像組學的興起

影像組學是轉化研究的一個新興領域,從醫學圖像的感興趣區域中提取定量特征,結合相關臨床信息,分析來自腫瘤區域、轉移病灶和正常組織的異質性,探索形態和功能圖像中的微觀變化[12]。隨著現代醫學成像的進步,影像組學從被認為是定性科學,演變成一門定量科學,其通過量化過程,將醫學圖像轉換為有意義且可挖掘的數據。然而,定量數據不容易被人類的大腦解釋,它們只能從計算機中提取并通過復雜的算法進行分析。此外,從影像圖像中提取和研究大量定量圖像特征用于預測或解碼隱藏的遺傳和分子特征,以支持決策。

影像組學的工作流程包括：(1)圖像采集;(2)圖像重建和處理;(3)分割感興趣區域;(4)提取影像組學特征;(5)分析特征之間相關性;(6)機器學習,通過自動提取和選擇特征來改善工作流程[15-16]。不同的是,傳統放射影像學僅能直觀地解釋圖像,而影像組學使得定量分析成為可能,因為圖像即數據。影像組學對治療結果和癌癥遺傳學具有潛在的預測能力,這在個性化醫療中具有重要的應用。因此,影像組學可能提供巨大的潛力來捕獲重要的表型信息,如腫瘤異質性,從而為個性化治療提供有價值的信息[17]。影像組學研究在腫瘤學成像領域的高流行率得益于大量成像和非成像數據的可用性、各種大型臨床試驗的開展,以及推動腫瘤學研究的各種社會和經濟因素[18]。

2 影像組學在鼻咽癌中的應用

影像組學已廣泛應用于肺癌[19]、食道癌[20]、胰腺癌[21]、肝癌[22]、結直腸癌[23-24]、前列腺癌[25]、頭頸癌[26]和乳腺癌[27],在腫瘤診斷、鑒別診斷、療效預測、預后預測等多方面扮演重要角色[15],以下主要介紹影像組學在鼻咽癌中的應用。

2.1 診斷

鼻咽癌的診斷和治療離不開醫學影像學檢查,如CT、MRI或PET,廣泛用于早期發現、診斷、分期、治療反應和評估。鼻咽癌的診斷依賴病理活檢,組織活檢需在鼻咽內鏡下鉗取病變組織,有些需要在全身麻醉下切開鼻咽表層從深部取得組織,該操作屬于有創操作,同時活檢有一定的陰性概率,部分患者對取活檢產生恐懼心理。

鼻咽癌局部復發的早期診斷和準確識別對于及時實施挽救治療至關重要,然而,局部復發的診斷通常受鼻咽組織治療后變化的影響。據報道,CT和MRI在治療后無法區分復發性/殘留性腫瘤和炎癥組織。DU等[28]從PET圖像中共提取了487個放射特征,應用多種機器學習方法,構建基于影像組學的模型,可有效區分局部復發與治療后鼻咽癌炎癥,增強了影像組學方法在改善鼻咽癌診斷中的應用。

2.2 鑒別診斷

由于鼻咽癌與不典型增生的鑒別診斷困難,導致放療靶區勾畫工作量大。KE等[29]使用3 142張鼻咽癌和958張鼻咽部良性增生圖像用于鼻咽成像的人工智能工具的研究,這項基于大樣本量的研究開發了用于腫瘤檢測和分割的一種自約束的三維密度網架構模型,在鼻咽癌和良性增生的鑒別中獲得比有經驗的放射科醫生更高的總體準確性。

2.3 療效預測

目前缺乏有效的生物標志物來預測新輔助化療對局部晚期鼻咽癌患者的早期反應。最近,一些基于MRI圖像的影像組學研究來預測放療和化療的反應,并探索鼻咽癌患者腫瘤反應與生存之間的關系。YONG等[30]納入108例接收新輔助化療的局部晚期鼻咽癌患者建立數據集,將經2個周期新輔助化療后的鼻咽MRI增強圖像與治療前相比,使用ITK-SNAP軟件在MRI增強T1WI序列圖像上手動繪制和分割鼻咽腫瘤的感興趣區域,選擇篩選后的ClusterShade_angle135_offset4和Correlation_AllDirection_offshe1_SD兩個特征建立預測模型,模型的預測值為0.905。該模型可以很好地預測新輔助化療在鼻咽癌患者中的敏感性,指導鼻咽癌患者的個體化治療。

同步放化療是局部晚期鼻咽癌的標準治療,與單獨同步放化療相比,誘導化療可提高局部晚期鼻咽癌的生存率,腫瘤對誘導化療的反應是鼻咽癌調強放療后生存的獨立預后因素[31],但并非所有患者對誘導化療反應良好。對無應答者的及時識別將允許更個性化的治療選擇,避免無應答者的毒性和不必要的成本。然而,目前尚無理想的臨床特征或生物標志物作為是否誘導化療的參考。有研究提取了123例非流行地區鼻咽癌患者的基于MRI的影像組學特征,并整合臨床數據,通過支持向量機的機器學習方法,將聯合T1加權、T2加權和對比增強T1加權MRI圖像中篩選出影像學特征,并建立可視化列線圖顯示了出色的預測價值,且優于僅基于臨床數據的列線圖模型[32-33]。此外,該研究用多個影像組學特征組合將患者分為高風險組和低風險組,低風險組的無進展生存期明顯優于高風險組。

2.4 預后預測

放射治療是鼻咽癌的主要治療方式,內側顳葉作為危及器官不可避免地包含在目標體積中,這往往導致數年后腦損傷。然而目前放療誘發的顳葉損傷的診斷主要取決于MRI,其診斷價值有限。應采用影像組學方法預測放療誘發的顳葉損傷,特別是在早期階段進行識別和預測,并盡早對患者進行干預或預防,從而改善生活質量并延長生存期。ZHANG等[34]基于242例接受放射治療的鼻咽癌患者的MRI圖像,采用Relief和自舉算法分別應用于初始和后續特征選擇,從每個MRI序列中的內側顳葉、灰質和白質中提取了非紋理特征和紋理特征。采用隨機森林法構建3個放射相關預測模型,模型1、2和3可分別預測進行N1、N2和N3的早期放療誘導的顳葉損傷,并進行最佳模型挑選。該預測模型具有改善臨床醫生對患者管理的潛在價值,為臨床醫生在臨床實踐中的決策提供參考。

PENG等[35]基于85例Ⅲ～ⅣB期鼻咽癌患者的PET/CT資料進行影像組學分析,從PET/CT圖像中提取放射學特征。使用層次聚類將所有特征分組到聚類中,并通過Relief算法選擇每個聚類的代表性特征。然后采用順序浮動前向選擇與支持向量機分類器相結合,根據受試者工作特征曲線的曲線下面積推導優化特征集。從中發現20個放射學特征可以區分疾病控制和治療失敗之間的差異,可用于預測局部晚期鼻咽癌的局部區域復發和/或遠處轉移。SHEN等[36]入組327例非轉移性鼻咽癌患者,收集臨床和MRI數據構建模型,結果表明,結合采用最小絕對收縮選擇算子和遞歸特征消除選擇的影像特征、臨床分期和EB病毒DNA水平的模型在預測非轉移性鼻咽癌患者的無進展生存期顯示出更好的表現。ZHU等[37]入組156例接受調強放療治療的鼻咽癌患者,使用多種機器學習方法,從有或沒有局部復發患者的治療前CT圖像中提取影像特征,納入影像特征和臨床因素建立局部復發的列線圖,結果發現,基于影像特征和臨床因素的列線圖可以預測鼻咽癌患者調強放療后局部復發的風險,并為早期臨床干預提供證據。ZHANG等[38]探討MRI影像特征預測晚期鼻咽癌患者疾病進展的可行性,該研究從113例患者的T2加權和對比增強T1加權中提取初始特征,使用最小絕對收縮和選擇運算符方法從中選擇特征用于構建影像組學的模型,根據曲線下面積評估其預測能力,結果表明,基于MRI的影像特征,在預測晚期鼻咽癌患者發生進展具有較高的準確性。

3 目前影像組學存在的不足

影像組學是腫瘤學中一個既有前途,又具有技術挑戰的新興學科。對于影像組學的研究仍然存在一些局限性[39]：(1)影像組學中圖像特征的提取受各種因素影響,其穩定性和可重復性仍不足,需要進一步研究來標準化特征提取。(2)放射特征背后的生物學意義值得探索。一些研究表明,影像組學特征與頭頸部鱗狀細胞癌中的人瘤病毒表達狀態相關,在鼻咽癌中,需要更多的研究來探索影像組學的可解釋性,然后才能被廣泛采用[40]。(3)影像組學研究的質量控制仍有待提高。PARK等[41]回顧了2018年12月之前在PubMed和Embase發表的有關影像組學的高質量研究,分析發現,相關研究的總體質量和報告是不夠的,需要進行科學改進,以表征可重復性、臨床效用能力。目的是提高影像組學研究作為診斷和預后預測模型的質量,使影像組學成為醫療決策的有效工具。

4 影像組學的未來前景

影像組學在圖像信息采集過程中顯示出巨大潛能,而深度學習在圖像分析領域顯示出巨大的主導潛力,其可以自動分析圖像,這是較影像組學最大的優勢。許多研究人員已將深度學習引入影像組學,并取得了令人鼓舞的結果,這可能是未來人工智能工具在醫學影像中的應用趨勢[39]。

隨著影像組學技術的增強、公共數據庫的擴展及深度學習算法的進步,影像組學必將在未來的臨床診斷、治療和預后中發揮重要作用,為患者的個性化治療和精準治療奠定基礎[40]。人工智能工具在醫療領域的廣泛應用是未來醫學一個有希望的趨勢。影像組學和人工神經網絡可能是實現這一目標的主要方法,也是改善腫瘤臨床診斷和治療策略的寶貴工具[42]。機器學習算法的開發為處理和分析高維圖像數據提供了強大的工具。影像組學特征與機器學習相結合,可以實現腫瘤患者的精確分層,為個體化診斷和治療提供更多證據[16]。

5 總 結

影像組學已廣泛應用于鼻咽癌風險分級、分層、鑒別診斷、預后預測、治療反應預測等方面,取得了良好的效果,并建立了相對成熟的研究方法流程,包括圖像分割、特征提取、特征選擇、模型建立和評估。但依然存在許多問題,如特征提取的穩定性和可重復性不足,以及缺乏對特征的解釋等。影像組學和人工智能的結合,是未來推動基于影像組學預測/預后模型在臨床應用的研究方向,具有廣闊的應用前景。同時可通過建立鼻咽癌影像組學數據庫,通過大數據研究,可更有效地發現影像組學背后的疾病機制,從而推動個體化、智能化治療。