影像组学在膀胱肿瘤研究中的应用进展

缪嘉 陈心朋 张大宏*

233000 安徽蚌埠 蚌埠医学院研究生院（陈心朋）

310014 浙江省人民医院（缪嘉 陈心朋 张大宏）

泌尿系统中最常见的肿瘤是膀胱肿瘤，且膀胱癌在癌症类型中排名第9名［1］，并导致每年165，000人死亡［2］。NIH数据预测，膀胱癌发病率在近几年内将达到前5名。然而确诊膀胱肿瘤后，早期干预可使存活百分比达70%，甚至膀胱原位癌5年相对生存率可达95%［3］。因此，早期诊断膀胱癌具有重要意义。近年来，随着影像学的快速发展，早期异常信号即可被识别，如高分辨率计算机断层扫描（CT）可以检测到微小病变，磁共振成像（MRI）可以协助判断肿瘤分期和浸润。如今，越来越多的人重视健康，这导致影像数据的急剧增加。使放射科医师的工作量大量增长，并间接导致误判率的增加。以上这些因素促进高通量提取定量特征的发展，即将图像转换为量化数据，在进行数据分析后预测疾病的预防和治疗反应［4］。

1 影像组学概念

影像组学的概念首先由Lambin等［5］提出。2012年，其将影像组学定义为从医学影像中自动提取出大量定量特征后，分析临床治疗和预后的一门医学研究领域。最近，因影像组学能对肿瘤控制和临床并发症进行精确的预测，已经应用于解剖学区域和其他类似的领域［6］。此外，影像组学不仅局限于肿瘤学领域，且或多或少的影响到通过断层扫描成像的各个医学领域。

2 影像组学流程

2.1 图像采集 虽然在图像采集过程中，患者体位、图像分辨率、扫描层厚度和图像的重建算法等多种情况均会影响成像参数［7］，但图像采集和重建对于影像组学研究的质量和可重复性起决定性作用［8］。在过去几年中，已经研制出新的方法提供更精细和标准的图像，因此临床研究者有更多机会在临床研究中利用影像组学［9］。

2.2 图像分割 经验丰富的放射科医师可以根据图像勾勒出病灶的轮廓，并将此病灶作为感兴趣区域（ROI）。这种勾画病灶的方法也可被半自动甚至全自动的分割方法所代替。ROI通过三维容积重组生成三维感兴趣容积（VOI）［10］。图像分割算法分为以下三类：（1））基于阈值分割算法；（2）基于聚类技术算法；（3）基于可变形模型的算法［11］。对于影像组学，任何一个图像分割算法均不是绝对适用于所有图像分割。因此，多种分割方法和以选集学习算法为基础组合会增加分割的有效性和准确性［12］。

2.3 特征提取 一旦确定肿瘤的ROI，计算机就可以从图像中提取肿瘤的特征。这些功能分为两类，即“可视”和“非可视”：前者用于描述肿瘤的病变，如形状，位置，血管分布等。非可视特征是提取定量描述符来描述病变的异质性，如Haralick纹理，Laws纹理，小波特征等［13］。医学成像中使用的纹理特征主要分为三类：（1）从图像强度直方图（一阶特征）获取的特征；（2）从灰度共生矩阵（二阶特征）所获取的特征；（3）从邻域灰度差矩阵或灰度级区域矩阵（高阶特征）所获取的特征［14］。

从医学影像中提取的特征十分庞大，但其中一些特征是多余的。因此，降维对于减少冗余和提高信息确切性至关重要，同时也是影像组学的核心［7］。但迅速发展的先进技术与最新的临床研究实践缺少一致性，因此需要合适的方法评估这些先进技术［15］。

2.4 统计和信息学分析 影像组学的最后一步，是将合格的高质量数据集输入分类器进行分析。近年来，诸如胸部X射线数据集、淋巴结检测和分割数据集等数据集已经建立并在逐步改善［16］。分类器模型是由所有扫描层的图像特征构造而成，因此用来预测有较高的准确性。计算机视觉技术是近年来最突出的机器学习技术之一。卷积神经网络（CNN）是计算机视觉技术中最重要的深度学习模型。创建可将CNN特征提取至分类器的理想窗口，以此来确定窗口是否包括病灶以及病灶的严重程度［17］。深度学习模型作为一项新技术，帮助患者在最短时间内获得较大的收益［18］。其优点不容忽视。

3 影像组学在膀胱肿瘤的临床应用

影像组学提出以来，吸引众多学者的目光，特别是肿瘤学领域和影像分析领域的专家。研究表明，影像组学与肺癌或头颈癌的预后和潜在的基因表达模式有关［19］。之后，越来越多的影像组学的研究开展起来，如肺癌、乳腺癌、胶质瘤和直肠癌，其研究范围包括定性研究，临床分级和分期，治疗评估，预防分析和基因分析。

3.1 诊断和分期 影像组学可用于区别良性和恶性肿瘤并确定肿瘤的分期。对于肿瘤诊断方面，影像组学中的自动分割肿瘤体积的结果与来自放射科医师的手动分割肿瘤体积结果具有高度的一致性［20］。Fan等［21］研究表明，因膀胱微型乳头状癌（MPC）较大的异质性，用增强CT图像的纹理分析可区分膀胱MPC和尿路上皮癌（UC）。MRI图像中提取的影像组学特征可用于膀胱癌患者的术前预测［10］。与传统分期方式比较，影像组学的诺谟图在将患者分层中更有价值［22］。影像组学将把诊断技术带到一个新的高度，在减少个体差异的同时，提高肿瘤识别的准确性。

3.2 治疗评估和预防分析 影像组学可用于评估膀胱肿瘤的治疗和预防。在阅读患者治疗前、后影像资料，深度学习的影像组学和放射科医师在评估T0期膀胱癌治疗后的患者中，其概率差异无统计学意义［23］。DWI和ADC图的纹理特征可以区分低级别和高级别的膀胱肿瘤，将这种影像组学策略与支持向量的机器（SVM）分类器相结合，可以更好的加快以影像为基础的膀胱肿瘤术前分级［24］。且基于MRI扫描中T2加权所提取的特征，可选用最佳的生物标记以精确侵入外囊泡进行分类，这将膀胱癌患者分类为≤T2和＞T2组［25］。将影像组学诺谟图与多变量逻辑回归模型相结合，可以更好预测膀胱癌患者的淋巴结转移［26］。

3.3 基因预测 大量研究揭示放射遗传学在影像学诊断肿瘤方面取得杰出的成果。当数据有限时，放射基因学可结合早期患者情况识别影像特征［27］。在多形性胶质细胞瘤（GBM）患者中，某些特定区域的分子表型与成像特征密切相关［28］。来自影像组学和放射基因学的大数据指数可与传统模型共变量相结合，以增强放疗模型的预测能力［29］。因此，成像信息与基因组间的关系可用于探索肿瘤分子表型的诊断和临床发病机制，从而更好地制定治疗方案。无论是通过影像组学阐明有关肿瘤基因的表型，还是以影像的定量特征更精确地显示疾病特征，均弥补基因诊断的不足。

4 小结

影像组学是一个新兴领域，较多研究成果已逐渐被发现。然而，依然存在一些尚未解决的问题：（1）图像不稳定：对于核磁共振而言，图像强度会随着体素大小，磁场强度，脉冲序列，机器供应商和重建算法的不同而发生变化［7］；（2）缺乏标准化方法：不同医院、扫描仪类型、放射学软件使得提取的影像学特征难以直接比较［30］。在影像组学的研究中，这些因素不容忽视，并值得进一步研究；（3）关系尚未清晰：肿瘤成像特性与肿瘤生物学间的联系是模糊的，无任何确切的证据可以证实影像学特征与遗传表型间存在因果关系［31］。

随着计算机技术、大数据分析和影像学的发展，影像组学的出现在精准医学的发展过程中是必不可少的。在手术前，影像组学可以从影像中提取特征，从而以非侵入性方式有效对肿瘤进行分级。越来越多的研究证实肿瘤学与影像组学间存在联系，影像组学的发展将有更广阔的临床前景。