肺癌放射组学的研究进展

王艺婷，张 进

（1.山西医科大学医学影像学系，山西 太原 030001；2.山西医科大学第二医院放射科，山西 太原 030001）

肺癌放射组学的研究进展

王艺婷1，张 进2*

（1.山西医科大学医学影像学系，山西 太原 030001；2.山西医科大学第二医院放射科，山西 太原 030001）

肺癌死亡率占全球高恶性肿瘤的首位，且有逐年上升的趋势，早期诊断、治疗及治疗后疗效评估至关重要。目前、影像学的发展在肺癌的诊断、分期、治疗计划、术后监护及疗效评价中发挥了重要的作用，但并不能完全达到精准医疗的标准，放射组学（radiomic）的兴起与发展将影像数据转化为特征空间数据，并对之进行高通量（high throughput）定量分析，有望成为精准影像医学的重要基石。本文从图像的采集、分割和重组、特征数据的提取和量化等方面分别阐述了目前放射组学在肺癌研究的研究进展。

肺癌；定量影像；异质性；放射组学

1 肺癌影像学的发展及应用现状

肺癌是全球范围内癌症导致患者死亡的主要原因，在所有恶性肿瘤中高居首位。70%以上的肺癌发现时已为晚期，因此，早期发现并诊断肺癌成为所有研究者致力于研究的方向；目前，由于失去手术治疗最佳时期，晚期肺癌的主要治疗手段是化疗，因此，及时、准确的疗效判断对患者的治疗策略及预后有着至关重要的影响[1]。传统的影像学方法在肺癌诊断、分期、治疗计划、术后监护及疗效评价中发挥着重要作用，但是还未完全达到早期诊断及早期反映化疗药物对肿瘤的作用和疗效的效果[2]。近年来兴起的影像定量分析应用于恶性肿瘤治疗反应的评价，为肺癌的预后及监测治疗反应的评估提供更客观、准确的数据和参数。

但是，传统的影像医学模式既不能提供精准医疗所需要的分子与基因水平的生物学信息，也不能提供个性化生物和靶向治疗所需要的信息，因此无法完全达到精准影像医学的标准，影像医学诊断模式亟待改变[3]。最近，一些功能影像学方法使得体内重要的肿瘤生理学和生物学过程得以描述，甚至可能通过他们的特征性影像学表型的表达模式来发挥特定的基因标志的替代作用。最新兴起的放射组学（radiomics），应用大量的自动化数据特征化算法，将感兴趣区域的影像数据转化为具有高分辨率的、可发掘的特征空间数据，并对之进行高通量定量分析，有望成为精准影像医学的重要基石。近5年来放射组学领域的研究热度逐年上升，并在2015年出现了大幅上涨，其主要集中在结合三维后处理、计算机辅助等方法诊断非小细胞肺癌以及PET结合计算机辅助和影像整合等技术诊断肺肿瘤2个领域[4]。由此可见，肺部肿瘤的放射组学成为当前炙手可热的研究方向。

2 放射组学在肺癌领域的应用

纵观肿瘤异质性与克隆演变，我们了解到，肺癌是由多基因突变和表观遗传改变的积累而发展起来的遗传性疾病。因此，肺癌精准医学要依据的两个基本原则即：肿瘤细胞间或细胞内存在基因异质性，且该异质性在对特定治疗方法的临床反应中发挥着重大的作用。肺癌肿瘤微环境和基因组的不稳定性无法用传统功能影像学证明，放射组学将有助于推动基因型肺癌治疗个性化的进一步改善。

2.1 目前用到的肺癌肿瘤的分隔方法

（1）单击集成分割算法：用于确定肺组织和肿瘤的边界。是一种半自动分隔算法，既减少了使用者之间的相互影响，还提供了可重复的一致的肿瘤区域的描绘。在计算肿瘤边缘错综复杂的重要信息的过程中减少了观察者之间的变异性[5]。

（2）凸面算法（Convexity algorithm）是一种评估肿瘤边界形态变异性的算法，肿瘤边界的不规则多由于肿瘤内部的异质性及肿瘤与周围环境的相互作用引起；肿瘤边缘毛刺征、指状突起均可提示预后不良[6]。

（3）瘤内强度特征变化熵率（Entropy ratio feature）是用来计算肿瘤内像素强度衰减系数的异质性。可用于区分肿瘤不同组织特性和生长规律特点的区域。按照不同区域代表各自独特的生物学过程的假说，将肿瘤分为中心和周边区域，这样，影像学检查就可以反映出由于肿瘤的生长和其与周边微环境的相互作用导致的肿瘤内部的变化[7]。

2.2 数据的获取

肺癌放射组学数据的获取包括：单参数读取，使得单一方式的系列扫描所获得的特征可以用于相同病人的纵向对比；多普分析的方法，该方法有巨大的阐述肺癌的分子特征的分析潜能。结合解剖学、代谢及功能数据，肿瘤影像生物学表型可以为肺癌患者诊断、分类、预后分层及早期反应评估提供有价值的信息，当前，肿瘤灌注的兴起进一步促进了此方面的研究。

2.3 量化特征

放射组学在量化与疾病的转化、预后和耐药性相关的全部肿瘤的空间复杂度和识别肿瘤亚区方面有巨大的作用[8][9]。

（1）形态学特征：在肺癌肿瘤的体积方面，较短的体积倍增时间反应肺癌肿瘤高侵袭性，提示预后不良；此外还有肿瘤重量：整合肿瘤体积和密度，对肿块精确测量，达到比传统影像学方法更早检测到亚实性结节类型肿瘤生长情况的效果[10]。

（2）统计学特征： 统计学特征分为两级，即直方图特征和纹理特征。前者包括一些基本的统计学信息，如均数、中位数、标准差等，有研究表明直方图特征可有效区分良恶性肺结节，此外，97.5百分位CT值与CT衰减值的斜率已被认为是未来CT衰减变化和纯GGO病变的增长率的预测[11]。纹理特征是通过不同的矩阵获得的肿瘤的空间影像信息：如从灰度共生矩阵（GLCM）和灰度游程矩阵（GLRL）获得的CT纹理特征表现出与基因表达很强的相关性；而邻域灰度差分矩阵（NGTDM）提取的纹理特征可预测非小细胞肺癌患者放化疗治疗后的生存率。

（3）区域特征：该特征基于区域之间的变化强度，证实了肿瘤发生在某一特定区域的可能性及有哪些区域发生肿瘤。和纹理特征相比，区域特征有望最终定量分析肿瘤组织内的亚克隆异质性。在一项研究中，研究者利用18 F-FDG PET和MRI弥散加权相结合的检查方法将肿瘤亚区分为坏死区域和细胞活性区域，并展现了与组织学高度的一致性[12]。

（4）基于模型的放射组学特征：分型变异导致了物质形态在一定范围内的复杂性。基于这一理论，分型维度（fractal dimension）反应目标对象的内在形态，其较稳定，不易受到噪声影响，并可以用于单一病人的纵向分析。肺的宏观和微观结构巨大的分型变异最适宜运用分型维度来反映[13]。多年来，一些研究者已经成功利用分型维度来区分侵袭性和非侵袭性肺癌。

3 展 望

总之，放射组学具有在体内对图像进行影像基因分型和先进的图像分析的纵向研究能力；表型和基因组相结合，开创了个性化医疗多学科战略的发展。放射组学方法有助于让临床医生选出明确的治疗方法和为患者使用量身定制的药物来改善肺癌患者的预后。目前，肺癌放射组学（Radiomics）的发展仍处于早期阶段，尚未完全建立国际统一标准，还有很多艰巨的任务需要多个专业的人员合力解决。我国人口众多，放射组学这一新兴研究领域必将为我国人民健康做出巨大贡献。

[1] 张周芳.肺癌化放疗疗效评估的影像学方法及进展.医学影像学杂志[J].2015,25(3).

[2] Geewon Lee,Ho Yun Lee (MD,PhD),Hyunjin Park,Radiomics and its emerging role in lung cancer research,imaging biomarkers and clinical management:State of the art[J],Eur J Radiol.2017 Jan,86:297-307.

[3] 冯晓源.精准医疗,影像先行[J].中华放射学杂志,2016,50(1):1-2.

[4] 王 敏,宋 彬,黄子星.基于文献计量学的近5年放射组学研究热点分析[J].中华放射学杂志,2016,50(12):974-977.

[5] Gu Y,Kumar V,Hall LO,Goldgof DB,Li CY,et al.Automated Delineation of Lung Tumors from CT Images Using a Single Click Ensemble Segmentation Approach[J].Pattern Recognit,201 3,46(3):692-702.

[6] Honda T,Kondo T,Murakami S,Saito H,Oshita F,et al.Radiographic and pathological analysis of small lung adenocarcinoma using the new IASLC classification[J].Clin Radiol, 2013,68(1):e21-6.

[7] Rutman AM,Kuo MD.creating a link between molecular diagnostics and diagnostic imaging [J].Eur J Radiol,2009,70(2):232-241.

[8] M.R.Divine,P.Katiyar,U.Kohlhofer,L.Quintanilla-Martinez,B. J.Pichler,J.A Disselhorst.A population-based Gaussian Mixture Model Incorporating 18F-FDG PET and diffusion-weighted MRI Quantifies Tumor Tissue Classes[J].Nuclear Med,2016,57(3): 473–479.

[9] J.Y.Son,H.Y.Lee,J.H.Kim,et al.Quantitative CT analysis of pulmonary ground-glass opacity nodules for distinguishing invasive adenocarcinoma from non-invasive or minimally invasive adenocarcinoma: the added value of using iodine mapping[J].Eur. Radiol,2016,26(1):43–54.

[10] B.de Hoop,H.Gietema,S.van de Vorst,K.Murphy,R.J.van Klaveren,M. Prokop.Pulmonary ground-glass nodules: increase in mass as an early indicator of growth[J].Radiology,2010 ;255(1):199–206.

[11] S.H.Bak,H.Y.Lee,J.H.Kim,et al.Quantitative CT scanning analysis of pure ground-glass opacity nodules predicts further CT scanning change[J].Chest,2016,149(1): 180–191.

[12] M.R.Divine,P.Katiyar,U.Kohlhofer,L.Quintanilla-Martinez,B. J.Pichler,J.A.Disselhorst.A population-based Gaussian Mixture Model Incorporating 18F-FDG PET and diffusion-weighted MRI Quantifies Tumor Tissue Classes[J].Nuclear Med,2016,57(3):473–479.

[13] F.E.Lennon,G.C.Cianci,N.A.Cipriani,et al.Lung cancer-a fractal viewpoint[J].Nat.Rev.Clin.Oncol.,2015,12(11): 664–675.

本文编辑：吴玲丽

R734.2

A

ISSN.2095-8242.2017.018.3563.02

张进，男，副教授，Email：779173782@qq.com