影像组学在非小细胞肺癌基因突变中的应用进展

冯颖慧 综述 陈晓东，罗泽斌，罗树存 审校

广东医科大学附属医院放射科，广东 湛江 524000

原发性肺癌是导致全球癌症相关死亡的最主要原因，其发病机制至今尚不明确，但与吸烟、环境污染、职业接触、遗传易感性及既往慢性肺部疾病等危险因素有关。我国的肺癌死亡率较高，在2015 年至2030年期间或将增加约40%[1]。以肺癌患者的临床信息为基础，为其量身定制医疗方案，对提高其生活质量及延长其生存时间具有重要意义。随着肺癌驱动基因学的发展，人们逐步发现基因层面的改变在肺癌的发生发展中发挥重要作用，这为疾病的治疗提供了潜在靶点[2]。

1 非小细胞肺癌常见的基因突变与分子靶向治疗

非小细胞肺癌(non-small cell lung cancer，NSCLC)中肺腺癌是最常见的组织亚型，所占的比例在50%以上，根据其相关驱动基因突变可进一步细分成更多的亚群。目前最常研究的肺腺癌驱动基因包括表皮生长因子受体(epidermal growth factor receptor，EGFR)、间变性淋巴瘤激酶(anaplastic lymphoma kinase，ALK)和鼠类肉瘤病毒癌基因(kirsten rat sarcoma viraloncogene，KARS)等[3]。

分子靶向治疗是NSCLC 治疗中最热门、最有前途的领域之一，它通过利用肿瘤细胞与正常细胞间分子生物学上的差异，作用于肿瘤细胞的特定靶点，使肿瘤细胞死亡。由于并不损害肿瘤周围的正常组织细胞，分子靶向治疗比传统化疗具有更高的选择性及更小的不良反应，对患者病情缓解效率高，耐受性好，改善预后明显。

随着个体化治疗的发展，EGFR 已成为众多研究中的焦点，一些分子生物标志物已被研究为对非小细胞肺癌对EGFR酪氨酸激酶抑制剂(TKIs)反应的潜在预测因子(如EGFR 表达、EGFR 基因复制增益和EGFR 突变)。如今EGFR-TKI 已被广泛用作EGFR 基因突变型NSCLC的一、二线或辅助治疗药物。EGFR突变最常见于18～21外显子，在亚裔人群中NSCLC患者的19外显子缺失及21外显子L858R位点突变分别占EGFR突变总数的40%～50%及39%～48%，这两种最常见的突变类型及所占比例较少的18 外显子突变(约4%)对EGFR-TKI 治疗敏感，常用药物主要有一代药吉非替尼及二代药阿法替尼，而20 外显子T790M 基因突变会出现耐药反应。在T790M 阳性患者中，EGFR-TKI 三代药奥希替尼在随机临床试验中已显示出优于铂双重化疗和第一代EGFR-TKI 的优势，对突变型EGFR受体和药代动力学的体外选择性增强。但野生型肺癌病灶对上述药物极不敏感，因此治疗以化疗为主。ALK基因突变作为NSCLC基因突变中较为常见的另一种类型，克唑替尼是其最为常用的抑制剂。EGFR 和ALK 酪氨酸激酶抑制剂在EGFR 突变和ALK 融合患者中的成功应用，将晚期NSCLC 引入了靶向治疗的时代[4]。

KRAS 基因是NSCLC 中除EGFR 基因之外的最常见的驱动基因，但目前并没有针对晚期NSCLC 中KRAS 基因突变的药物，因此难以通过靶向治疗及标准化疗来取得预期疗效。目前针对KRAS突变患者的治疗主要还是干扰下游通路重要调控因子来阻止肿瘤细胞的生长。近年来，NSCLC的基因组研究发现了其他潜在的治疗靶点，,包括RET 融合、MET 扩增、ROS1 重 排、以 及HER2、PIK3CA、BRAF、ERBB2、NRAS、KIT 突变等，这揭示了肺癌的遗传异质性和复杂性，提示携带这些致癌驱动因子的NSCLC 可成为其他适应证或临床开发药物的靶点，具有潜在的临床治疗意义。

2 非小细胞肺癌基因突变的检测手段

针对特定致癌基因驱动突变的靶向治疗已成为治疗肺癌患者的关键因素。对于临床诊治过程而言，至关重要的是要准确识别出具有某些特定基因改变的肿瘤，以使患者能够获得最佳治疗效果。当怀疑患有恶性肿瘤的患者接受活检后，治疗计划将主要取决于两个特征：恶性肿瘤的组织学亚型和分子分析或与恶性肿瘤相关的基因突变。无论性别、种族、吸烟史或临床危险因素，常规检测EGFR 突变是有腺癌组织学的NSCLC 的标准做法。EGFR 突变检测是以DNA为基础的，可以对从诊断活检、手术切除甚至细胞学标本中获得的组织进行检测。荧光原位杂交(FISH)测定法及免疫组织化学方法(immunohistochemistry，IHC)可以快速且经济高效地提供具有临床意义的结果，所以常作为补充试验参与基因检测。实时PCR分析和下一代测序(nextgeneration sequencing，NGS)等非原位检测方法使基因组测序变得更加便宜和快捷，且其检测效果良好，也是十分重要的检测手段。此外，侵入性较低的液体活检技术也是近年来肺癌基因检测的研究热点之一，主要涵盖了外周血液中循环肿瘤细胞(circulating tumor cell，CTC)及循环肿瘤ctDNA等基因检测方法[4，6-10]。

除上述常用的实验室检查方法之外，影像组学和液体活检具有相似的优势，作为一种微创的“测试”，可以很容易获得，并且具有可重复性及廉价性等优点，能够提取关于肿瘤类型的有价值的早期信息，帮助确定肿瘤的侵袭性，以预测进展和复发，亦可以对某些肺癌驱动基因进行评价。进行多手段的基因突变检测可以更好的指导临床应用靶向药物，对肺癌的个体化治疗具有重要的参考价值，从而导向更加明智的医疗决策。

3 影像组学概述

临床数据的复杂性和数量的增长以及相关的肿瘤决策过程促进了精准医学的出现，但传统的影像医学模式是基于形态学诊断的，不能提供精准医疗所需要的分子和基因水平的生物学信息。作为一个蓬勃发展中的领域，“影像组学”其含义是对通过CT、MR、PET 等影像手段中获得的海量图像进行特征性的挖掘，用于预测恶性肿瘤、组织学亚型、基因表达和治疗及预后，为精准影像医学诊断铺垫基石，为建立精准医疗体系建立桥梁，这在癌症研究中变得越来越重要。传统影像学通过主观视觉进行解释评估，其优点是形象、直观，但影像组学特征可以对病变和器官异质性进行更为客观的评估，并且可以更详细地反映有关组织微环境的信息。实际应用中放射组具体操作流程主要包括：①高质量图像的获取及重建：非小细胞肺癌的影像组学特征的可变性与不同CT扫描的图像有关，为获取高质量、符合标准的CT 影像，应制定好入组标准，确保入组数据需要具有相同或相似的采集参数。②图像分割：在图像处理领域，通过感兴趣区域(ROI)来确定肿瘤区域以便进一步处理。目前图像分割方法包括：人工手动分割、半自动分割以及自动分割，不同方法各有其特点。人工手动分割目前最常应用，由影像医师进行勾画，特点是精度高，但主观性强，效率低下，而半自动或自动分割可提高数据的获取效率，重复性高，但在距离邻近结构(例如肺门，胸膜或邻近血管)较近的病灶可能很复杂，可能需要手动绘制病灶轮廓以进行准确的分割。③特征提取及降维：影像特征的提取是影像组学分析的核心步骤，其中主要影像学特征包括强度、形状、纹理、小波。高维度特征信息冗杂，需通过降维来获取少数真正关键的特征。④模型构建及分析：运用机器学习的方式将筛选出来的组学特征建立分类或预测模型。为了确保临床适用性，使用具有经过验证的临床结果的病例来训练模型，并对其进行测试和验证以评估临床应用是至关重要的。

4 影像组学在非小细胞肺癌诊疗中的作用

4.1 影像组学与非小细胞肺癌基因突变的状态评估 影像组学具有定量预测肺癌基因突变的潜力，目前以探究肺腺癌EGFR 突变状态与CT 图像纹理特征间相关性的研究较多。YU等[11]使用已建立的预测模型鉴别EGFR突变型和野生型肺癌的敏感性和特异性，在验证组的EGFR 突变型和EGFR 野生型肺癌的鉴别诊断中分别具有0.803、0.867 和0.778 的准确性、敏感性和特异性，在区分EGFR 突变型和野生型肺癌上取得良好鉴别信息。LI 等[12]从312 例NSCLC 患者的计算机断层扫描图像中提取580个放射学特征以预测EGFR 亚型19Del 和L858R，获 得EGFR 19Del 和L858R联合模型的接收器工作特性曲线下的各个区域分别为0.793 和0.775，提示表皮生长因子受体19Del和L858R有着独特的成像表型，证明影像组学可用于EGFR 突变亚型的预测。此外，LI 等[13]指出基于PET和CT放射学特征的影像组学特征在区分表皮生长因子受体突变型和野生型表皮生长因子受体病例方面优于单个影像学特征、基于PET 或CT 影像学特征和常规PET 参数，包括最大标准摄取值(SUVmax)、SUV均值、SUV 峰、代谢肿瘤体积(Mtv)和总病变糖酵解(Tlg)，区分EGFR突变。

因此，结合了影像组学特征和临床因素，能更好地提高对NSCLC 患者EGFR 突变分化的诊断效能。除EGFR 基因外，影像组学特征也可用于预测及鉴别某些基因突变表型。SHIRI 等[14]从150 例NSCLC 患者中发现影像组学特征具有预测和鉴别EGFR 及KARS 基因突变的潜力。有部分学者认为传统CT 影像学征象有助于预测晚期肺腺癌中是否存在EGFR突变，但各项相关研究结果不一。结合纹理分析有望更好地实现影像表型与分子表型的结合，结合影像组学特征与定性语义特征(空洞形成、分叶等)更有助于预测EGFR 基因突变，且随着肿瘤定量纹理特征的增加，定性语义特征的预测价值也随之增加。在患者无法耐受手术或进行活检的情况下，基于CT 图像的影像组学能更好地反映体内肺癌病灶的整体特征，使非侵入性评估肿瘤异质性成为可能。多特征的影像组学标记将影像数据转换成高维定量数据，而多层次数据与精细化决策的整合可协助病理学家和肿瘤学家实现NSCLC 在精准医学中的精确诊断和治疗。

4.2 影像组学与非小细胞肺癌靶向治疗的疗效评估 当前评估肿瘤反应的标准是基于对实体肿瘤标准的反应评估(RECIST)，但该标准在准确监测治疗反应方面的能力具有一定的局限性，而影像组学通过捕捉大量的肿瘤特征，能更好地展示肿瘤的发展和治疗效果。AERTS等[15]在吉非替尼治疗之前和治疗后3周对47 例早期NSCLC 患者进行了评估，认为影像组学可以识别出对吉非替尼有反应的表型。杨春生等[16]发现不同时相的CT扫描影像组学特征均可预测肺腺癌EGFR 突变状态、筛选EGFR-TKIs 治疗优势人群。以上均说明影像学方法在治疗方案实施前能够提供给更多有效信息，基于个体患者特征的预后模型可以改善未来的治疗决策和结果。此外，PET 也可用于评估靶向治疗的早期反应，特别是在酪氨酸激酶抑制剂使用后病灶的变化情况[17]。在60 例接受新辅助药物EGFR受体抑制剂厄洛替尼治疗的NSCLC患者中，治疗3 周后的FDG/PET 显像被证明与评估组织病理学反应有关，SUVmax 的显著降低与良好的组织病理学反应有关。在同一时间点，CT图像上肿瘤大小的相对变化并不是一个显著的预测因子，但FDG/PET-CT 成像的SUV 强度可能比肿瘤体积的缩小更快地作出反应。如果在EGFR-TKI治疗的最初几周内没有发生代谢反应，患者可以避免继续使用疗效差且副作用较大的药物。因此进一步完善FDG-PET/CT反应标准可以指导临床是否要对患者继续进行靶向治疗及后续观察，以为患者寻求个性化和精确的治疗选择。50%检测出EGFR 突变的NSCLC 患者在使用第一代及第二代EGFR-TKI治疗后9～13个月内出现耐药性，因此在靶向药物治疗过程中需要对肿瘤进行基因检测分析以发现耐药突变位点，从而调整治疗方案，这就要求NSCLC 患者在进行靶向治疗过程中需再次获取基因检测分型，以寻找明确获得性耐药突变位点，对其NSCLC患者的基因表型进行二次检测，可能会找到新的药物靶点，从而指导患者用药，且有益于深入对耐药机制的研究[18-22]。

4.3 影像组学与非小细胞肺癌的预后、复发及转移评估 评估肿瘤的预后、复发及转移需要常规随访和影像学检查[23-26]。影像组学领域一直致力于预测肿瘤的预后和疗效的预处理特征的准确性，以及早期发现肿瘤反应、复发、远处转移、放射性肺损伤、死亡和其他预后情况。捕获肿瘤内异质性的预后影像学特征与潜在的基因表达模式有关，结合纹理分析有助于在随访过程中早期发现复发及远处转移。PHILLIPS等[27-28]从98例接受根治性放疗的Ⅰ～Ⅲ期NSCLC患者中，从治疗前的600 多个特征中选择了15 个最具预测性的纹理特征，将远处转移的风险分为高风险和低风险，CI 为0.62，这提示使用简单的影像组学特征能够预测远处转移的风险。在类似的研究中，从接受放化疗的III期患者的大体肿瘤总体积中提取纹理特征，最后根据传统的预后因素(如肿瘤分期)及纹理特征可将患者分为高风险和低风险两组，其总体生存率和局部控制率的CI分别为0.89和0.91。XU等[29]从治疗前的胸部CT 所捕获的影像学特征，可应用于预测Ⅲ/Ⅳ期ALK 阳性非小细胞肺癌患者的脑转移；ZHONG 等[30]构建了一个基于患者治疗前的胸部CT 平扫模型以预测肺腺癌隐匿性淋巴结转移，其研究表明影像组学特征模型的预测效能优于临床病理信息模型；CHEREZOV 等[31]基于肿瘤异质性的概念，提出了一种利用纹理特征揭示肿瘤生存环境的方法，异质性程度有助于识别肿瘤的恶性程度和侵袭性，这些结果显示，在肺癌患者中区分长期和短期生存率的AUC 为0.9，准确率为85%。GANESHAN 等[32]发现NSCLC 的肿瘤异质性可以通过平扫CT 扫描的纹理分析来评估，并且有可能为NSCLC 患者提供一个独立的生存预测因子；在其另一项研究中，纹理参数确定了相关的联系，并证明了这些参数可作为肿瘤缺氧和血管生成的影像学相关因素。VAN DJJK 等[33]通过收集124 例ⅠA～ⅡB 期NSCLC 患者的术前资料，利用影像学特征(RS)和临床病理数据建立预测模型，最后得出肿瘤和癌周RS 联合TNM 分期系统对非小细胞肺癌患者个体化复发风险的估计优于单独TNM 分期。大量研究表明纹理分析参数与传统预测因子(包括TNM 分期、AJCC 分期、年龄、性别、组织学、并发症和体能状况)相结合有助于提高预后模型的准确性[34-40]。

5 问题与展望

虽然当前影像组学在NSCLC 的诊疗中已取得重大进展，但在临床实践中仍处于初步探索阶段，仍存在许多问题亟待解决：(1)获取图像的局限性。当前，在不同机器设备之间缺乏针对胸部CT 采集图像和采集后处理的公认标准，不同参数设置、扫描序列所获取的影像特征存在差异性，可能导致处理结果的偏差，因此在影像组学研究中，对图像采集及重建要更为严格规范；(2)样本量的局限性。构建模型的普遍性和预测性能需要大量的、稳定的数据，基于相对较小的数据集会增加I 型错误的可能性，通过跨区域、多所医院的数据共享建立大型影像组学数据库以获取更多有效数据或是一个良好的解决方案；(3)病例入组的局限性。入组的非小细胞肺癌病例主要选择边界较清晰的实性病灶，因此含实性成分较少或呈纯磨玻璃密度的病灶、带有空洞的病灶未能得到纹理提取与分析勾画，与纵隔胸膜分界不清、或合并肺叶实变不张、被大量胸水掩盖的病灶亦无法提取有效影像信息，因此需要精度更高的图像分割算法。尽管如今仍有许多问题无法避免，需要妥善处理，但影像组学仍是实现精准医疗的重要战略，通过解决上述问题，影像组学在临床上的应用将更为广泛。