进展期胃癌影像组学研究现状

2020-01-11陈武杰许茂盛

中国医学计算机成像杂志 2020年6期

陈武杰许茂盛

流行病学、病理学和分子机制方面的研究显示胃癌的发病率和死亡率较往年有所下降，但其发病率及死亡率仍分别位于全球第五和第二位[1]。早期胃癌起病隐匿，大部分患者没有明显临床症状，在影像学检查上也较难发现，临床上超过80%患者首次就诊时已经发展为进展期胃癌（advanced gastric cancer，AGC）[1-3]。美国抗癌联合会（AJCC）指南第8 版指出，胃癌的诊断以影像学检查为主，但目前任何一种影像检查对于AGC 分期分级、鉴别诊断等方面的准确率均无法满足临床需求[4]。影像组学作为深度挖掘图像潜在信息的新兴技术，在计算机辅助诊断（computer aided diagnosis，CAD）的基础上，高通量提取和分析CT、MRI、PET/CT 等医学图像的纹理特征，高效且准确地采集病变内部的潜在信息，最大程度发挥医学图像价值，有效提高诊断准确率，为临床提供精准的影像信息[5-6]。

影像组学概述

影像组学是一门多学科交叉、多种影像技术相互结合的新技术，通过非侵入式的影像模式分析获取肿瘤内部综合特征信息，能够辅助解读肿瘤在时间和空间上的异质性问题[1，6]。与传统影像学相比，影像组学可更准确、客观地挖掘和定量分析感兴趣区域（ROI），实现早期精准化预测和评估肿瘤异质性及预后情况，有助于临床制定更加完善的治疗方案。随着近年来影像学技术及计算机算法的发展及成熟，影像组学在AGC 的组织病理学分期分级预测、鉴别诊断、放化疗疗效及预后评估、生存分析等方面的研究有了迅猛发展[7-8]。

影像组学的实现

1.医学影像原始图像

作为影像组学的初始步骤，原始图像决定了后续每个步骤的质量，当前通用医学图像格式为DICOM。为了获得相对精确、合理的分析结果，完整、清晰是原始图像的首要条件，而由于外部因素而导致病灶图像质量欠佳者应被剔除[8]。

2. ROI 勾画

ROI勾画方法主要包括手动、半自动或自动分割。手动分割可根据需求勾画特定的ROI 范围，但其耗时耗力且存在勾画者主观经验判断差异及人工误差等缺点；自动分割效率高，但目前仅适用于ROI 边界与周围组织结构存在较大差异的情况。半自动分割算法是在机器分割的基础上进行人为校正，可同时兼顾人工误差小、分割精度及稳定性高等优势[9]。当病灶范围难以确认时，应使用多序列、多方位作为参考来确定病灶的勾画范围[10]。

3.ROI 影像组学特征的提取和量化

此为影像组学“图-数”转换的核心步骤，包括一阶特征、二阶特征及高阶特征。一阶特征反映强度直方图的整体信息，与ROI 内的灰度级频率分布有关，依赖于单个体素值而非相邻交互的体素。二阶特征通过空间灰度共生矩阵（GLCM）、灰度游程步长矩阵（GLRLM）等方式获得。高阶特征是利用邻域灰度差值矩阵计算高阶统计量，通常包括邻域灰度差值矩阵（NGTDM）和灰度区域大小矩阵（GLSZM）[11]。

4.纹理特征选择

特征选择是指选择使分类结果最显著的特征子集的过程，目的是去除冗余特征以及降低特征维数来提高运算效率。初步提取的纹理特征总数量庞大，由于部分特征之间存在彼此高度相关的信息，因此特征选择是纹理分析中化繁为简的一个步骤[12]。

5.预测模型构建与验证

模型可根据特定要求定制，同时纳入其他重要的协变量，分析选定特征与预期结果的关系，并评估影像组学特征相对于传统影像分析提供的额外附加潜在信息[5，7]。建模过程可以使用人工智能、机器学习、深度学习等方法，模型构建完成后，采用验证集进行验证，最理想的验证集是外部机构的数据集，可以尽量减少来自相同来源数据带来的过拟合偏差，但同时外来数据的标准化及统一化也是模型验证的一大挑战。

进展期胃癌的影像组学研究现状

1.胃癌鉴别诊断

AGC 中的Borrmann Ⅳ期胃癌与原发性胃淋巴瘤在影像上常常呈现出类似的弥漫性胃壁增厚征象，而治疗策略完全不同，因此在影像学诊断时准确辨别两者对治疗策略及方案的制定尤其重要。Ma 等[13]回顾性研究了40 例Borrmann Ⅳ期胃癌及30 例胃淋巴瘤患者，从静脉期CT 图像中提取了485 个影像组学特征后，联合影像科医生主观评价标准建立预测模型，发现该影像组学模型对Borrmann Ⅳ期胃癌及胃淋巴瘤的鉴别准确率（87.14%）高于影像科医生的主观判断（81.43%）。

2.胃癌分期

目前影像组学研究成果主要集中在N、M 分期。超声、CT、MRI 诊断胃癌的准确率分别为90.7%～100%、61.1%～100%、97.8%～100%[14]。N 分期方面，影像学检查对胃癌总体cN 敏感度为40% ～85%，特异度为75% ～98%，但目前任何一个影像检查均无法完全排除无淋巴结转移的可能性[1-2，9]。Li 等[15]回顾性分析210 例经能谱CT 扫描的胃癌患者，通过影像组学诺模图发现肿瘤厚度，Borrmann 分级和静脉期碘浓度（ICVP）是胃癌淋巴结转移的独立预测因子；Wang 等[16]回顾性分析247例胃癌患者，提取术前CT 动脉期图像上纹理特征，使用随机森林（RF）算法，筛选出5 个纹理特征来构建一个胃癌淋巴结转移预测的影像组学模型。结果显示，该模型在训练集和测试集中AUC 分别为0.844和0.837。影像组学模型效能（训练集80%；测试集84%）明显优于传统的常规CT（训练集62.4%，测试集62%）；另外，Liu 等[17]根据64 例术前接受3.0T MRI 检查的胃癌患者，发现与熵有关的参数在预测胃癌淋巴结转移上均有较好表现。此外，术前ADC图相关参数与肿瘤侵袭性存在显著联系，所有与熵相关参数在各分期及血管浸润状态均有显著相关性，尤其在一阶熵中最为明显。

M 分期方面，由于影像上对AGC 患者隐匿性腹膜转移（PM）的诊断能力有限，Liu 等[18]回顾性分析233 例AGC 患者，从术前CT 静脉期图像上提取539 个特征，筛选得到6 个纹理特征用于模型的建立，结果发现PM 与病变部位、CT 图像T 分期，活检病理类型和分化程度有显著统计学差异（P=＜0.001 ～0.019）；Dong 等[19]分析来自四个中心的554 例AGC 患者，由原发性肿瘤（RS1）、腹膜区域（RS2）CT 表型和Lauren 类型建立了3 个影像组学诺模图。结果显示RS1、RS2 的CT 表型、Lauren类型与隐匿性PM 状态显著相关，且通过外部验证诺模图潜在的泛化能力，AUC 值分别为0.958、0.941、0.928 和0.920。

3.胃癌疗效及预后评估

胃癌的常规治疗方式为根治性手术切除，同时辅以新辅助化疗、免疫治疗等。Giganti 等[20]回顾性分析34 例接受新辅助化疗的胃癌患者，根据病理TRG分级分为有效组和无效组，单因素变量显示，14 个术前CT 纹理特征可用于区分TRG 分级及预测治疗效果；Li 等[21]回顾性研究30 例接受新辅助化疗的AGC 患者的术前CT 纹理特征，预测AGC 患者的新辅助化疗疗效，提出影像组学具有评估新辅助化疗疗效的潜力。

进展期胃癌影像组学的未来发展与挑战

作为近年来的热门新兴技术，影像组学在直肠癌、乳腺癌及肺癌等疾病的诊治预后评估方面有一定研究进展，而在胃癌相关研究上仍处于初始阶段，原因如下。

1.图像获取标准化

目前多数胃癌影像组学研究为单中心的回顾性研究，受限于样本量不足及临床资料缺失，同时又因各种因素所导致的低质量图像而无法符合纳入标准，使得数据库的建立存在瓶颈。其次对于多中心研究中图像重建算法、参数设置统一性也是目前研究中的一大难题[7-8，12]。

2.ROI 获取差异

胃腔充盈度及病灶与水的毗邻位置会对存在浸润生长的AGC 病灶勾画造成干扰。目前ROI 勾画对于病灶范围判断受主观性影响较大[6-7，12]，且不同分割软件对影像特征稳定性及可重复性的差异值得后续进一步研究比较。此外，以二维或三维、厚层或薄层进行ROI 勾画均有涉及，但其差异及可重复性仍需要后续大数据的支持。