影像组学在卵巢癌诊疗中的研究进展

2020-01-09崔凤至金龙海庞思文孙海峰

中国实验诊断学 2020年5期

崔凤至，金龙海，庞思文，孙海峰*

(1.吉林大学第二医院放射线科，吉林长春130041;2.吉林大学第一医院放射线科，吉林长春130021)

卵巢癌是女性生殖系统中最常见的恶性肿瘤[1]，早期发病隐匿，患者就诊时已处于临床中晚期，因此早发现、早诊断对卵巢癌患者的治疗方面具有重要的临床意义。

CT、MRI以及PET-CT作为传统的影像检查方法，可定量的描述肿瘤的形态学特征。CT具有较高的空间分辨率，可为临床提供肿瘤有价值的信息，如大小、密度、与周围组织之间的关系等，MRI具有较高的密度分辨率，对软组织敏感，能清晰的显示卵巢的形态及内部结构，观察对周围组织的浸润以及淋巴结的转移范围[2]，PET-CT可获得肿瘤的代谢情况，对肿瘤术前作准确的分期。

影像组学作为新兴热门领域，可通过对传统影像检查技术采集的信息进行高通量提取及分析，定量评病灶的特征、估挖掘潜在的信息，对肿瘤的诊断、分期分级、基因表型预测等进行综合评价，为临床医生提供有价值的信息，并且为患者制定个性化诊疗方案以及预测肿瘤的预后[3]。本文主要阐述影像组学的发展及概念，在卵巢癌中的应用以及未来的发展。

1 影像组学

基于高通量计算方法的影像组学，对采集的影像图像数据做深入挖掘，提取大量定量特征，用于预测模型的建立，辅助医生对疾病作出最准确的诊断，从而促进精准医疗的发展[4]。

1.1 影像组学的发展

有研究发现在肿瘤生长的不同时期及不同肿瘤间、肿瘤内部，其基因测序及表达存在差异性[5]，传统的影像检查方法仅能描述肿瘤的解剖学特征及形态学特征，虽然病理活检依然是当今肿瘤诊断的金标准，但对肿瘤的取样仅是小部分，而且重复率低，不能准确的反映在不同时期整个肿瘤的特征，因此，影像学检查及病理学检查方法均不能解决肿瘤异质性的问题。

在精准医疗的新时代背景下，影像组学运用而生，它将传统的影像检查与蛋白质组学、基因组学等技术相结合，用于肿瘤的预测及治疗，它的出现解决了上述的问题。影像组学具有重复性高，无创性，信息量丰富的特点，受到越来越多研究者的关注。

1.2 影像组学的概念

荷兰学者Lambin在2012年首次提出“影像组学”的概念，并将其定义为：用高通量的方法从影像图像的感兴趣区域(ROI)中提取大量的影像特征。

影像组学的高通量方法，对CT、MRI、PET-CT采集的图像数据信息做深入细致的分析，提取有临床价值的影像学特征，并建立描述性和预测性模型。可获得肿瘤的基因组学或蛋白质组学在影像上的表现，并可对肿瘤的表型进行推断[6]。

与传统的影像检查方法相比，影像组学是多学科交叉融合的新兴技术，是一种无创的检查方法，对肿瘤进行定量和定性分析，为临床提供有价值的信息以及预测肿瘤的进展风险，进而支持和改善个性化的临床治疗方法。

1.3 影像组学的工作流程

可将影像组学的工作流程分成以下4个步：图像获取、图像分割、特征提取、模型建立[7]。

1.3.1图像获取

获取由CT、MRI以及PET-CT的不同检查方法的影像图像，对图像预处理，从而保证所采集图像的参数保持一致性，主要包括扫描方法、扫描层厚、辐射剂量等。

1.3.2图像分割

图像分割是将获取的影像图像划分成多个具有特征性的区域，并将感兴趣区中的大量影像特征进行提取，该步骤是影像组学工作流程的核心。在影像图像上，大多数肿瘤的边界模糊，对边界的准确勾勒是图像分割中最具挑战性的步骤[8]。

现阶段，图像分割包括人工图像分割、半自动图像分割和自动图像分割方法，人工图像分割是由医生依据自身的经验勾勒出病灶的轮廓，具有高度主观性和工作密集型，而且十分耗时，对于大数据的图像分析来说是不切实际的；自动与半自动分割方法是利用计算机自动确定肿瘤边界，针对不同区域的解剖学区域，开放了多种不同的分割方法，与自动分割方法不同的是，半自动分割方法有医生的参与，可进一步完善自动分割过程中出现的偏差。目前，半自动分割方法是临床最常用的，降低医生的工作负担，提高工作效率，并且提供准确和可重现的肿瘤边界[9]。

1.3.3特征提取

主要对影像图像中具有价值的特征信息进行选择，主要是对感兴趣区的信息提取，比如感兴趣区内形状、密度、位置、大小和纹理等。

通过三维重建，对感兴趣区的形状和大小加以描述，如最大三维直径和最小三维直径是对最常用的参数。采用一阶、二阶或高阶统计方法对肿瘤内部的特征信息进行提取，同时结构分析方法可对肿瘤异质性进行描述，上述方法的应用可客观揭示出难以用人眼所观察到的肿瘤信息。

随着技术的发展，研究者采用纹理特征、语义特征及小波变换的方法对采集的影像图像信息进行深入的分析挖掘，进一步获得更多感兴趣区内有价值的临床信息[10]。

1.3.4 模型建立

建立预测模型是影像组学工作流程的最后一步，对所采集的大量数据进行分析与整理，选取具有显著特征的信息，将图像特征信息与肿瘤表型、基因、蛋白质相结合，并利用生物统计学、流行病学和生物信息等方法，建立可靠的、有价值的、与临床相关的预测模型[11]。

2 影像组学在卵巢癌的应用

目前，影像组学在主要应用于肿瘤良恶性的鉴别、预测肿瘤预后及为患者制定个性化治疗方案等。

2.1 鉴别卵巢肿瘤良恶性

MRI及CT传统的影像检查仅了解肿瘤大小、边界、密度、强化方式、淋巴结转移等信息，放射科医生多根据自身经验来判断肿瘤的良恶性，主观性比较强，缺乏客观的衡量标准，易出现误诊，然而病理穿刺也无法反映肿瘤的整体特征，董天发等[12]利用灰度共生矩阵方法对采集的影像图像作深入细致分析，获取肿瘤的能量、对比、逆差距、熵等纹理参数，将获取的定量参数与基因组学相关联，从多方面多层次评估肿瘤的异质性。Saha A等[13]认为基于密度的核磁共振图像聚类技术，可用于评估胶质母细胞瘤的异质性，肿瘤恶性程度越高，其异质性越强。Li Z等[14]通过实验证明，纹理分析对诊断乳腺的良恶性具有重要的意义，可显著提高诊断性能。

2.2 疾病的预后与治疗

许多研究已证明，肿瘤的异质性是影响患者预后的重要因素。有研究表明，影像图像的异质性与遗传基因水平的异质性具有一定的相关性，可帮助了解肿瘤的表型，为临床医生提供可靠的诊断信息，并制定个性化的治疗方法[15,16]。

以往纹理分析是基于对原发肿瘤的异质性分析，对原发和转移之间异质性没有做深入的研究，Vargas HA等[17]人采用位点间相似性矩阵技术对38例患者进行研究，得出原发和转移之间的异质性可预测卵巢癌患者的预后。现阶段，原发和转移之间的异质性对肿瘤的发展、患者治疗及预后方面具有举足轻重的地位[18]。