影像组学在肺癌中的应用研究进展

胡玉川， 张欣， 崔光彬

影像组学在肺癌中的应用研究进展

胡玉川， 张欣， 崔光彬

影像组学(radiomics)借助计算机软件高通量地从医学影像数据中挖掘大量的定量信息，筛选最有价值的影像组学特征来解析临床信息，指导疾病的诊疗，在肿瘤的诊断和鉴别诊断、分期分级、基因表型预测、治疗方案决策、疗效评估及预后预测等方面均显示出巨大价值。本文从影像组学概述、在肺癌中的应用研究进展、挑战及展望三方面进行论述，旨在提高对肺癌影像组学的认识。

肺癌； 影像组学； 影像学特征； 纹理分析； 预测模型

图1 影像组学方法的基本过程。

影像组学(radiomics)是一个具有巨大发展潜力的新兴领域，由荷兰学者Lambin等[1]在2012年首次提出。影像组学借助计算机软件高通量地从医学影像数据中挖掘大量的定量影像学特征，并使用统计学和(或)机器学习的方法，筛选最有价值的影像组学特征来解析临床信息，用于疾病的诊疗[2-3]。近几年，影像组学得到了迅猛的发展，成为临床医学和生物医学工程的研究热点，在临床中的指导价值也受到越来越广泛的重视，在疾病的诊断和鉴别诊断、肿瘤分期分级、基因表型预测、治疗方案决策、疗效评估及预后预测等方面取得了相当乐观的结果[4-6]，尤其在肺部肿瘤方面显示出巨大优势[7]。本文从影像组学概述、影像组学在肺癌中的应用研究进展、挑战及展望三方面展开论述。

影像组学概述

1.基本概念

影像组学的核心假设是医学影像图像包含了反映疾病病理生理学的信息，通过定量图像分析可以揭示图像数据与生物学信息的关系[5]。影像组学通过高通量大数据挖掘技术，自动或半自动提取医学影像图像的定量特征，分析影像特征与临床数据及基因数据间的关联，建立肿瘤诊断预测模型，能够大幅提高疾病疗效评价和预测的准确率，为患者的个体化治疗方案提供定量依据。

2.技术流程

影像组学方法主要分为五个步骤(图1)。①数据采集：包括患者的CT、MRI或PET等影像图像、临床信息、基因及病理学信息等数据；②图像分割(或感兴趣区分析)：图像分割或病变感兴趣区勾画对后续的数据分析非常重要，多数恶性肿瘤边界不清，给病灶的精准测量带来挑战。根据自动化程度，勾画感兴趣区的方法可分为纯手工勾画、半自动人机交互勾画及全自动勾画三类；③特征提取：特征提取是影像组学的关键步骤，提取最佳预测特征至关重要，主要特征包括形状特征、强度特征、纹理特征和小波特征等；④统计学分析和模型构建：从上述计算机组学特征中选择最佳特征构建模型，常用统计学方法包括重复测量信度分析、主成分分析、相关性分析和随机森林等；⑤模型的应用(分类及预测)：目前研究主要用于肿瘤的定性诊断、肿瘤分级分期、肿瘤基因表型预测、治疗方法选择及疗效预后评估等[2]。

影像组学在肺癌中的应用研究进展

1.肺结节的良恶性鉴别

对肺结节的准确定性可降低有创性检查的使用率，有助于指导临床医师选择最佳的治疗方案。与良性结节相比，恶性结节的CT密度直方图具有更高的峰度和更低的偏度，受试者工作特征(receiver opera-ting characteristic，ROC)曲线的曲线下面积(area under curve，AUC)为0.71～0.83[8]，因此CT图像密度直方图分析的峰度和偏度参数有助于鉴别良恶性肺结节。Pham等[9]应用CT纹理特征分析技术来鉴别良恶性纵隔淋巴结，其AUC为0.89，敏感度为75%，特异度为90%。

另外，影像组学对预测肺癌的组织学分型具有一定价值。Wu等[10]分析了肺癌影像组学特征与组织学亚型(腺癌和鳞状细胞癌)间的关系，研究中共提取了440个特征，包括形状、大小、灰度和纹理特征，单变量分析发现53个特征与肺癌组织学亚型存在显著相关性，经多变量分析筛选后，应用5个最相关特征建立的分类模型，其诊断效能最高，AUC为0.72。与常规影像学方法比较，影像组学利用高通量特征和大数据挖掘技术，突破了医师主观阅片的局限性，可有效提高肺结节定性诊断的准确性。

2.肺癌基因表型预测

影像组学假设微观层面的基因或蛋白质模式改变可在宏观影像学特征上有所表达，肿瘤宏观影像特征与微观基因、蛋白质和分子改变息息相关[1]。近期一项研究采用CT影像组学特征预测非小细胞肺癌(non-small cell lung cancer，NSCLC)的表皮生长因子受体(epidermal growth factor receptor，EGFR)突变状态，结果证实影像组学预测EGFR突变状态的ROC曲线下面积达到0.89。因此，CT影像组学作为一种简单易行的定量影像技术，在预测NSCLC分子特征方面具有潜在优势[11]。Aerts等[12]的研究发现，CT组学特征能够识别肺和头颈部肿瘤的预后相关基因型，预后组学标记、肿瘤异质性与潜在的基因表达模式存在相关性。Yoon等[13]对539例病理证实的肺腺癌患者进行了回顾性研究，探讨CT和PET组学特征与间变性淋巴瘤激酶(anaplastic lymphoma kinase，ALK)/c-ros原癌基因1(c-ros oncogene 1，ROS1)/转染重排(rearranged during transfection，RET)基因表达之间的关系，结果证实组学特征在ALK基因阳性与ROS/RET融合基因阳性组之间存在显著差异。因此，影像组学在预测肺癌的基因表型上具有重要价值，有望指导患者接受个体化治疗。

3.辅助治疗决策及疗效评估

在肺癌治疗过程中，准确预测疗效，包括治疗反应、复发及进展情况，对于临床制订和调整治疗方案具有重要意义[14]。与常规影像学检查比较，影像组学基于大数据分析技术，能够挖掘出更多的图像特征信息，有助于辅助临床选择最佳治疗方案并进行疗效评估。Mattonen等[15]对肿瘤放疗专家定性诊断与影像组学定量特征在肺癌放疗效果和复发预测中的价值进行了比较，对45例经立体定向消融放射治疗的NSCLC患者进行了随访，结果证实影像组学在预测局部复发上具有较高的准确性(AUC为0.85)。Huynh等[16]对113例Ⅰ～Ⅱ期NSCLC患者的治疗前CT图像进行组学特征提取和分析，结果发现组学特征(小波LLH统计范围)与远处转移预后有明显相关性。Aerts等[17]定量比较了早期(Ⅰ～Ⅱ期)NSCLC患者吉非替尼(Gefitinib)新辅助化疗前后的CT图像，结果显示治疗前影像组学数据能够无创性地预测基因突变状态，且与吉非替尼治疗反应具有相关性，基于基因表型的影像组学促进了酪氨酸激酶抑制剂(tyrosine kinase inhibitors,TKIs)敏感和耐药患者群体的危险分层和反应评估。因此，影像组学有助于辅助临床选择最佳治疗方式并监测疗效，有望在肺癌的个体化治疗方面发挥重要作用。

4.预后预测

依赖于传统影像学的肺癌TNM分期难以准确地预测患者预后，而影像组学融合临床、基因和影像大数据信息，有助于对肿瘤患者进行精准预测。Ahn等[18]报道98例非小细胞肺癌的纹理参数值(熵、偏度和平均密度)与靶向治疗后的总体生存率具有显著相关性。Huang等[19]基于 CT影像组学构建预测模型，评估早期(Ⅰ/Ⅱ期)非小细胞肺癌患者的无病生存期(disease free survival, DFS)，结果显示影像组学特征(radiomics signature)与DFS存在显著相关性，是评估早期非小细胞肺癌术后DFS的独立生物学标记，最终初步建立了早期非小细胞肺癌术后的预后预测模型，实现了预测患者术后的危险因素分层[18]。

挑战及展望

在影像组学应用于临床前期，影像组学诸多过程细节均有待研究改进。其一，不同厂家的影像设备在图像获取、重建算法及参数设置上均存在不同程度的差异，缺乏统一标准，即使使用同一台设备，患者的配合情况、对比剂用量、注射时相、重建层厚和卷积核间的差异等因素都会对肺部肿瘤的图像数据产生潜在影响[20-23]。一项研究对240例孤立性肺结节(solitary pulmonary nodule，SPN)患者行胸部CT平扫和增强扫描，比较对比剂、重建层厚和卷积核对诊断效能的影响，结果表明对比增强、重建层厚和卷积核均可能影响SPN影像组学参数的诊断效能，基于CT平扫、薄层和标准卷积核重建图像的组学特征可提供更多信息[21]。其二，多数恶性肿瘤与周围结构间的分界不清楚，在确定肿瘤范围时有可能包含部分非肿瘤组织，手动勾画ROI时不同操作者间的结果也会存在一定差别，这些因素将会给影像组学特征的测量带来偏倚；另外，影像组学模型预测的准确性与特征数量、特征筛选方法和分类器等因素有关[10,24]，因此最佳的特征选择和模式识别方法有待进一步探讨。其三，近期关于影像组学在胸部肿瘤中的应用研究多为初步探索，大多为单中心小样本研究，有待多中心、大样本、随机临床对照试验的展开，为影像组学真正应用于临床提供可靠的试验依据。最后，影像组学属于交叉学科，目前国内影像科医师为医学背景，在程序设计及数据处理时，需要工科背景的专业人员来帮助完成，多学科合作有待加强。

近几年来，大量研究证实了影像组学的重要价值和发展前景。影像组学技术突破了目前常规影像学依赖于医师主观判读图像的局限性，极大地拓展了医学影像在精准医学实践中的应用价值。今年科技部首批国家新一代人工智能开放创新平台将医疗影像列入四大人工智能领域之一，这为我国影像组学的发展提供了强大助力。我们相信，在政策的扶持下，影像组学人工智能技术可能很快嵌入临床实际工作流程，辅助影像科医师进行图像判读分析，提高影像科的工作效率，减轻影像科医师的劳动负荷。

[1] Lambin P,Rios-Velazquez E,Leijenaar R,et al.Radiomics:extracting more information from medical images using advanced feature analysis[J].Eur J Cancer,2012,48(4):441-446.

[2] Kumar V,Gu Y,Basu S,et al.Radiomics: the process and the challenges[J].Magn Reson Imaging,2012,30(9):1234-1248.

[3] 刘再毅,梁长虹.影像组学研究浅见[J].影像诊断与介入放射学,2017,26(3):253-254.

[4] 郭翌,周世崇,余锦华,等.影像组学的前沿研究与未来挑战[J].肿瘤影像学,2017,26(2):81-90.

[5] Gillies RJ,Kinahan PE,Hricak H.Radiomics:images are more than pictures,they are data[J].Radiology,2016,278(2):563-577.

[6] Lambin P,Leijenaar RTH,Deist TM,et al.Radiomics:the bridge between medical imaging and personalized medicine[J].Nat Rev Clin Oncol,2017,14(12):749-762.

[7] Lee G,Lee HY,Park H,et al.Radiomics and its emerging role in lung cancer research,imaging biomarkers and clinical management:state of the art[J/OL].Eur J Radiol,2017,86:297-307.DOI: 0.1016/j.ejrad.2016.09.005.

[8] Kamiya A,Murayama S,Kamiya H,et al.Kurtosis and skewness assessments of solid lung nodule density histograms:differentiating malignant from benign nodules on CT[J].Jpn J Radiol,2014,32(1):14-21.

[9] Pham TD,Watanabe Y,Higuchi M,et al.Texture analysis and synthesis of malignant and benign mediastinal lymph nodes in patients with lung cancer on computed tomography[J/OL].Sci Rep,2017,7:43209. DOI:10.1038/srep43209.

[10] Wu W,Parmar C,Grossmann P,et al.Exploratory study to identify radiomics classifiers for lung cancer histology[J/OL].Front Oncol,2016,6:71.DOI:10.3389/fonc.2016.00071.

[11] Gevaert O,Echegaray S,Khuong A,et al.Predictive radiogeno-mics modeling of EGFR mutation status in lung cancer[J/OL].Sci Rep,2017,7:41674.DOI:10.1038/srep41674.

[12] Aerts HJ,Velazquez ER,Leijenaar RT,et al.Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach[J].Nat Commun,2014,5:4006.DOI:10.1038/ncomms5006.

[13] Yoon HJ,Sohn I，Cho JH,et al.Decoding tumor phenotypes for ALK,ROS1,and RET fusions in lung adenocarcinoma using a radiomics approach[J/OL].Medicine (Baltimore),2015,94(41):e1753.DOI:10.1097/MD.0000000000001753.

[14] 焦玉新,任艳萍,郑向鹏.定量影像学在肺癌放/化疗疗效评估中的应用[J].中国肺癌杂志,2017,20(6):407-414.

[15] Mattonen SA,Palma DA,Johnson C,et al.Detection of local cancer recurrence after stereotactic ablative radiation therapy for lung cancer:physician performance versus radiomic assessment[J].Intern J Radiat Oncol,Biol Phys,2016,94(5):1121-1128.

[16] Huynh E,Coroller TP,Narayan V,et al.CT-based radiomic analysis of stereotactic body radiation therapy patients with lung cancer[J].Radiother Oncol,2016,120(2):258-266.

[17] Aerts HJ,Grossmann P,Tan Y,et al.Defining a radiomic response phenotype:a pilot study using targeted therapy in NSCLC[J/OL].Sci Rep,2016,6:33860.DOI:10.1038/srep33860.

[18] Ahn SY,Park CM,Park SJ,et al.Prognostic value of computed tomography texture features in non-small cell lung cancers treated with definitive concomitant chemoradiotherapy[J].Invest Radiol,2015,50(10):719-725.

[19] Huang Y,Liu Z,He L,et al.Radiomics signature:a potential biomarker for the prediction of disease-free survival in early-stage (Ⅰ or Ⅱ) non-small cell lung cancer[J].Radiology,2016,281(3):947-957.

[20] Yang J,Zhang L,Fave XJ,et al.Uncertainty analysis of quantitative imaging features extracted from contrast-enhanced CT in lung tumors[J].Comput Med Imaging Graph,2016,48(1):1-8.

[21] He L,Huang Y,Ma Z,et al.Effects of contrast-enhancement,reconstruction slice thickness and convolution kernel on the diagnostic performance of radiomics signature in solitary pulmonary nodule[J/OL].Sci Rep,2016,6:34921.DOI:10.1038/srep34921.

[22] Fave X,Mackin D,Yang J,et al.Can radiomics features be reproducibly measured from CBCT images for patients with non-small cell lung cancer[J].Med Phys,2015,42(12):6784-6797.

[23] Balagurunathan Y,Kumar V,Gu Y,et al.Test-retest reprodu-cibility analysis of lung CT image features[J].J Digit Imaging,2014,27(6):805-823.

[24] Parmar C,Grossmann P,Bussink J,et al.Machine learning methods for quantitative radiomic biomarkers[J/OL].Sci Rep,2015,5:13087.DOI:10.1038/srep13087.

710038 西安，第四军医大学唐都医院放射科

胡玉川(1978-)，男，山西宁武人，副主任医师，硕士研究生导师，主要从事胸部肿瘤多模态影像学及功能磁共振成像的研究工作。

崔光彬，E-mail:cgbtd@126.com

第四军医大学唐都医院科技创新发展基金(2015JCYJ010)

R734.2；R814.42

A

1000-0313(2017)12-1239-03

10.13609/j.cnki.1000-0313.2017.12.007

2017-11-22

2017-12-05)