前列腺癌影像组学研究进展

吕香凝，任 克

(中国医科大学附属第一医院放射科，辽宁 沈阳 110001)

前列腺癌是男性生殖系统最常见的恶性肿瘤，在欧美国家位居男性恶性肿瘤发病率首位[1]。近年来，随着血清前列腺特异性抗原筛查普及、人口老龄化加剧及生活方式改变等，中国男性前列腺癌发病率呈现明显上升趋势[2]。确诊前列腺癌有赖于超声引导下穿刺活检，但其具有高侵入性，且易因空间采样误差而漏诊。近年来，影像组学受到广泛关注，发展迅速，已用于诊断脑、肺、乳腺、胃肠道等多种系统疾病[3-6]，通过深入分析和挖掘图像特征数据，对指导临床决策、判断肿瘤侵袭性和评估预后发挥重要作用[7]，也为前列腺癌风险评估提供了更安全、更精确的方法[8]。本文对影像组学在前列腺癌中的临床应用进行综述。

1 影像组学概述

2012年，Lambin等[9]正式提出了“影像组学”的概念，即高通量的影像学图像中提取数据特征，采用全自动或半自动分析方法将数据转化为可挖掘的高维数据库。影像组学是一种定量的医学图像分析，利用图像“特征”作为生物标记，以帮助检测和定位肿瘤以及预测治疗后反应[10]，丰富了对于图像数据的处理方法，使充分挖掘图像的大数据信息、深层次利用医学影像学数据成为可能。

影像组学的基本流程包括：①图像采集、分割，准确的图像分割是初始工作流程中的关键步骤，直方图和矩阵分析等特征均受其影响[11]。医学图像分割从手动分割逐步发展到半自动分割和全自动分割。目前全自动分割仍然是一项具有挑战性的任务，但相信自动分割将会成为未来影像组学的主要分割方法[12]。目前很多商业软件包可供使用者选择，如3DSlicer、MIM、ITK-SNAP、MITK及Seg3D2等。Larue等[13]详细概述了各种不同软件包，包括有关成像技术类型、图像预处理步骤和特征提取等信息。②特征提取、降维，是影像组学的核心。影像组学特征包括一阶直方图特征、空间几何特征、纹理特征和小波特征。可提取的影像组学特征数量很大，增加了过度拟合数据的可能性[14]，使得降维和特征选择成为必不可少的步骤。Parmar等[15]提供了多种数据降维方法，并对其稳定性及预测性能进行了比较。③模型建立，影像组学的模型建立和回归分析主要用来预测新样本，常用的分类器有支持向量机及神经网络，常用方法有线性回归、Logistic回归、支持向量机、人工神经网络、COX回归、朴素贝叶斯和随机森林等。深度学习主要包括卷积神经网络、深信度网络、多层反馈循环神经网络及改进模型等，可自动从原始输入数据中学习分层特征，与传统机器学习相比具有更高的分类性能。

2 影像组学在前列腺癌中的应用

2.1 影像组学在前列腺癌中的诊断价值 多种影像组学特征可用于诊断与鉴别前列腺癌。Algohary等[16]在其训练集中发现7个基于T2WI和ADC图像的纹理特征在前列腺癌组织与正常组织之间存在差异(P均<0.001)。Sidhu等[17]分析26例前列腺癌患者的前列腺移行带纹理特征，发现从ADC和T1WI中提取的峰度和熵是前列腺癌的重要预测因子。Kuess等[18]分析了25例前列腺癌患者的多参数磁共振(multiparametric magnetic resonance imaging，mpMRI)图像，认为所提取的一阶和二阶纹理特征可用于鉴别前列腺癌与健康组织。Ginsburg等[19]报道，从移行带与外周带中提取的用于癌症检测的纹理特征是不同的，可用于诊断疾病。

2.2 影像组学与前列腺癌Gleason评分 Gleason评分是评估前列腺癌转移风险的重要标准，前列腺的MRI影像组学特征可用于预估Gleason评分。Fehr等[20]通过ADC和T2WI纹理特征，实现了对Gleason 6(3+3)与≥7、Gleason 7(3+4)与7(4+3)前列腺癌的准确分类。Nketiah等[21]同样发现T2WI纹理特征与Gleason评分显著相关，并可用于鉴别Gleason 7(3+4)与Gleason 7(4+3)前列腺癌。Vignati等[22]观察45例前列腺癌，结果显示对比度和同质性这两个二阶纹理特征与Gleason评分显著相关。Gnep等[23]以74例前列腺癌患者为研究对象，发现28个T2WI Haralick特征和4个几何特征(肿瘤直径、周长、面积和体积)与生化复发显著相关，提示上述参数可能在未来临床决策过程中发挥重要作用。但是，Wibmer等[24]报道，从147例前列腺癌患者DWI中提取的对比度和同质性与Gleason评分并不显著相关，且ADC图能量(P=0.010 2)和熵(P=0.001 9)在Gleason≤7(3+4)与≥7(4+3)前列腺癌中差异显著。Rosenkrantz等[25]认为ADC熵较ADC值对Gleason 7(3+4)与Gleason 7(4+3)前列腺癌具有更高的鉴别诊断效能。熵是前列腺癌Gleason评分的良好生物标志物，依据T2WI和ADC组合特征可对Gleason评分进行分类。

2.3 影像组学评价前列腺癌治疗效果及预后 Reischauer等[26]分析12例前列腺癌患者的37处前列腺及骨转移灶，发现全肿瘤体积纹理分析可用于评估前列腺癌骨转移治疗后的反应，有3个一阶和6个二阶纹理特征与雄激素剥夺治疗(androgen deprivation therapy，ADT)导致的血清前列腺特异性抗原变化有很强的相关性。Daniel等[27]发现，在接受ADT的前列腺癌患者中，与常规直方图参数相比，双参数MRI纹理特征对区分健康组织和肿瘤组织表现出更优异的性能。Shidakar等[28]发现双参数MRI放射组学特征可用于预测前列腺癌治疗后的生化复发，并可辅助判断治疗效果。Abdollahi等[29]提出MRI纹理特征可以预测前列腺癌患者的放射治疗相关并发症，如直肠放射损伤。Rossi等[30]证实，将三维剂量学纹理特征纳入前列腺癌放射治疗引起的直肠毒性和肾毒性预测模型中，可提高预测效能。Scalco等[31]则利用纹理分析定量评估了前列腺癌患者接受放射治疗后闭孔肌的变化。迄今为止，仅发现少数纹理特征对前列腺癌患者预后或生存具有预测意义，尚需大量数据及更多实验，以验证影像组学对预测前列腺癌预后的价值。

2.4 影像组学诊断前列腺癌方法学进展 随着机器深度学习的发展，更多新的ROI分割方法、特征筛选方法等用于前列腺影像学诊断。Tang等[32]提出了一种新颖的三维半自动分割前列腺MRI的方法，适用于计算机辅助手术或诊断的临床环境。Chaddad等[33]提出一种基于联合强度矩阵的模型，基于随机森林分类器的多变量模型预测前列腺癌Gleason评分，发现联合强度矩阵特征较灰度共生矩阵特征更有优势。Niu等[34]建立了能预测高级别前列腺癌的纹理分析模型，并发现提取的纹理特征是可用于评估肿瘤侵袭性的辅助工具。Khalvati等[35]以支持向量机分类器对从实际临床mpMRI数据集中获得的40 975个癌症和健康组织样本进行训练，认为新的mpMRI纹理特征模型(包括T2WI、DWI、高b DWI及相关扩散成像)检测癌症的精度优于传统模型(T2WI+DWI)。目前已有多种基于放射组学的预测模型，用于预测前列腺癌分级、治疗反应及预后等，为成功实现基于放射性组学的预测分析，需要评估和比较不同特征和建模方法，这也是未来放射组学研究的重要方向。

3 影像组学用于前列腺癌面临的挑战

影像组学是新兴的且并不成熟的研究领域，流程中任何一个单独过程的变化均可能导致结果变化，其用于前列腺癌尚面临很多挑战：①现有数据量相对较少，且多来自回顾性研究，需要更多前瞻性研究及可重复性研究，以探索其临床应用价值；②各研究间影像学数据来源标准不一、采集参数不统一、数据样本不平衡、采集协议不一致等均可能影响最终结果，制定标准化规范是未来的方向；③ROI分割方法不同也会影响结果，应尽可能采用自动分割。