影像组学在肾细胞癌中的应用进展

余 薇，杨 阳，邬颖华

(成都中医药大学附属医院放射科，四川 成都 610075)

肾细胞癌(renal cell carcinoma, RCC)是泌尿系统常见恶性肿瘤之一，发病率逐年增加[1]，发病机制尚未明确，可能与肥胖、吸烟、高血压及遗传因素等有关[2]。临床常用经皮肾穿刺活检诊断RCC，但该方法有创，且可能因取活检部位误差而致漏诊[3]。影像组学通过自动化、高通量地从影像图像中提取大量特征并进行分析，可发现肉眼无法识别的影像特征[4-5]，有助于鉴别良恶性肿瘤及其他类型病变，提高诊断及预测预后的准确性，是实现精准医疗和个性化医疗的有效工具[6-8]。本文对影像组学在RCC中的应用进展进行综述。

1 影像组学概述

影像组学利用人工智能技术自动化、高通量地从医学图像中提取定量特征，并转换为可挖掘的数据进行量化研究，以避免主观因素造成的诊断结果差异。“影像组学”这一概念由荷兰学者于2012年首次提出[4]，目前已应用于脑、肺、前列腺等多个系统[9-11]；以所提取的组学特征作为疾病的影像标志物，可提高诊断疾病、鉴别诊断、监测疗效及评估预后的效能[12]。

影像组学主要流程如下：①获取与重建影像数据，从CT、MR及PET-CT等图像中获取高质量、标准化图像，此为采集影像特征和标准化重建的基础；②自动勾画ROI[13-14]；③提取及量化特征，提取ROI内组学特征，包括一阶直方图特征、纹理特征及高阶特征等，因可提取特征数量庞大，可能发生数据过度拟合，故需采用降维技术筛选特征；④建立数据库模型，将筛选出的影像特征与临床数据进行整合，建立与疾病相关的分类诊断模型[15]；⑤数据分析，常用方法包括Logistic回归、COX回归和随机森林等。由于近年开发的深度机器学习模型可直接将图像作为输入数据，建立分类器模型，无需分割ROI或提取特征，临床应用潜力较高[16]。

2 影像组学在RCC中的应用

2.1 鉴别诊断肾脏良、恶性肿瘤 肾血管平滑肌脂肪瘤(angiomyolipoma, AML)是肾脏最常见良性肿瘤[17]。术前影像学诊断的RCC中，超过10%术后病理结果为良性肿瘤，其中AML约占50%[18]。影像组学采用定量方法从图像中提取特征，并分析特征与潜在病理变化的相关性，以鉴别良、恶性肿瘤；通过分析影像学图像中RCC与AML的细微差异，而非简单视觉评估图像，可更加准确地加以区分。FENG等[19]回顾性分析17例AML及41例RCC术前CT图像，从ROI中提取纹理特征，发现基于支持向量机(support vector machine, SVM)的CT纹理分析鉴别AML与RCC的曲线下面积(area under curve, AUC)达0.955。YANG等[20]证实基于CT图像的形态特征和一阶特征的影像组学模型可鉴别RCC与乏脂肪型AML。

2.2 RCC亚型分类及鉴别 组织病理学上RCC分为透明细胞癌(clear cell RCC, ccRCC)、乳头状癌(papillary RCC, pRCC)、嫌色细胞癌(chromophobe RCC, chRCC)及其他类型[21]。各亚型RCC的组织病理学差异可在图像中有所表现，影像组学可将这些差异量化为影像生物标记，有助于鉴别RCC亚型。

YU等[22]纳入46例ccRCC、41例pRCC、22例chRCC，基于SVM分类器对不同亚型RCC进行分类，采用MATLAB软件从图像中提取43个纹理特征，观察CT纹理分析对于鉴别RCC亚型的价值，结果显示根据直方图特征中的几何平均值鉴别ccRCC与其他亚型的AUC为0.81。王绎忱等[23]分析92例不同病理类型RCC的脂肪抑制T2WI纹理特征，发现ccRCC的均匀度和能量显著低于pRCC和chRCC，而其熵则显著高于其他亚型，根据均匀度、能量及熵联合鉴别ccRCC与非ccRCC的AUC为0.84。RCC的生物学行为和侵袭性与其病理类型密切相关，影像组学通过高效分析方法可于术前预测RCC病理亚型，对选择治疗方案及判断预后有重要意义。

2.3 核分级诊断 目前认为TNM分期及Fuhrman分级[24]是影响RCC预后的重要因素。Fuhrman分级系统中，Ⅰ、Ⅱ级为低级别，Ⅲ、Ⅳ级为高级别[25]。国际泌尿病理学会提出的新的肾肿瘤WHO/ISUP分级系统较Fuhrman分级具有更好的可重复性，其预测肿瘤生物学行为的能力更强[26]。已有研究[27]表明Fuhrman分级系统可独立预测肿瘤侵袭性及预后。目前经皮肾穿刺病理活检仍是RCC诊断及确定核分级的金标准，但正在寻找能够准确提供术前核分级并减少活检的非侵入性影像标志物，影像组学的兴起在其中发挥了重要作用。

熵代表图像的无序程度，可在一定程度上客观量化肿瘤的异质性。FENG等[24]分析高级别和低级别ccRCC的CT纹理特征，发现低级别ccRCC肾实质期熵明显高于高级别者，提示熵可用于预测ccRCC核分级。这可能是由于低级别肿瘤微血管较丰富，肿瘤内强化程度较高且不均匀，导致其熵较高；而高级别肿瘤内存在大量液化坏死区，故其熵较低。GOYAL等[28]报道，多序列MRI纹理分析中，b值为1 000 s/mm2弥散加权成像(diffusion weighted imaging, DWI)的熵和增强MRI皮质期平均值是鉴别低级别与高级别ccRCC的重要指标(AUC均>0.8)。SHU等[29]证实基于3D CT影像组学机器学习分类器可预测ccRCC的WHO/ISUP分级。SUAREZ-LBARROLA等[30]指出，基于影像组学特征建立的机器学习模型可准确、无创地术前评估RCC核分级，其预测RCC WHO/ISUP分级的准确率与经皮肾穿刺活检相当，对临床治疗决策选择具有指导意义。

2.4 评估疗效及预后 RCC起病隐匿，早期RCC检出率较低，约30% 患者在出现症状就诊时已发生远处转移而失去手术机会[31]，且放射及化学治疗对其作用均有限，多数RCC转移患者需接受靶向治疗[32]。HAIDER等[33]采用CT纹理分析评估ccRCC患者免疫治疗后总生存期(overall survival, OS)，以TexRAD软件分析40例转移性ccRCC患者舒尼替尼治疗前后CT纹理特征，发现标准化标准差(normalized standard deviation， nSD)和熵对预测舒尼替尼治疗前后OS有重要意义，且nSD值与OS及患者预后呈正相关，熵值与二者呈负相关；该研究还比较了国际转移性RCC数据库(international metastatic RCC database consortium, IMDC)模型与融合nSD参数的IMDC拟合模型对OS的预测效能，结果显示nSD拟合模型的预测准确率更高，提示nSD不仅可预测RCC患者疗效及预后，还能用于构建拟合模型，以提高预测效能。

肿瘤的生物学行为和预后常与其内部异质性有关。常规影像学常根据肿瘤轮廓进行评估，而忽略了肿瘤内部异质性。影像组学可整体分析肿瘤内部异质性，对其特征进行量化和可视化，获取临床及常规影像学方法无法提供的信息以评估RCC患者预后[34-35]。

3 影像组学应用于RCC的挑战

影像组学应用于RCC尚面临很多挑战。①标准化：获取和重建图像缺乏统一标准，临床对于影像组学研究方法、机器设备、扫描参数及图像预处理等尚未达成统一，导致研究结果存在差异，且可重复性差；②样本量：目前RCC影像组学研究多为小样本回顾性分析，开展大样本、多中心前瞻性研究是未来研究方向；③人员：影像组学是多领域交叉学科，需培养更多工科人才参与影像组学应用研究。

综上所述，影像组学在诊断RCC、病理分级、亚型分类及预测预后等方面均较传统影像学方法具有明显优势，但恶性肿瘤内部不均质性导致结果存在偏倚。随着人工智能技术的发展，影像组学将为临床提供更加经济有效的肿瘤监测方法，并为制定RCC早期干预计划及预后评估等提供重要参考。