肺癌脑转移MRI影像基因组学研究进展

隋莲玉，殷小平，王佳宁

(1.河北大学附属医院，河北 保定 071000;2.河北大学临床医学院，河北 保定 071000)

癌症已成为世界第二大常见死亡因素，近1/4的癌症死亡是由肺癌引起[1]。特别是，在中国过去40年内肺癌病死率已经上升了4倍，达到45.87/10万，成为恶性肿瘤死亡的首因[2]。晚期肺癌最常见的远处转移部位之一是中枢神经系统，20%～65%肺癌患者在病程中会出现脑转移瘤，作为最常见的颅内肿瘤，其预后不良，发病率有持续上升趋势，且比原发性颅内恶性肿瘤高10倍[3]。肺癌脑转移患者自然平均生存时间仅为1～2个月[4]。肺癌占脑转移性全身系统恶性肿瘤的50%，为脑转移瘤中最常见的原发灶，其中又以非小细胞肺癌最常见，约占肺癌病例的80%[5]。65%非小细胞肺癌患者在确诊时已处于晚期，20%～25%晚期非小细胞肺癌患者在首次诊断时即已发生脑转移。转移性非小细胞肺癌患者在疾病过程中受到脑转移的影响，尽管全身治疗取得了进展，且晚期非小细胞肺癌患者的生存率有所提高，但脑转移仍然是发病率和病死率的主要原因[6]。由此，以下就肺癌脑转移在MRI影像基因组学方面的研究进展予以概述。

1 MRI影像组学在肺癌脑转移的研究进展

MRI作为一种非侵入性的首选影像学诊断方法，被当作金标准广泛应用于脑转移瘤的诊断及预后评估。传统影像诊断方法能提供的信息较为局限，MRI影像组学[7-8]旨在量化MRI特征，并且已被证明可以捕获各序列每幅图像中肉眼无法感知的不同成像表型特征，基于先进的计算机算法模式识别工具建立模型，在肿瘤诊治及预后评估方面能够为临床提供客观准确的指导。迄今为止，近年来MRI影像组学在脑转移的诊断[9-10]、原发肿瘤的鉴别[11-12]及预后预测[13-14]等方面有深入的研究。

1.1 MRI影像组学在肺癌脑转移病理分型中的应用

肺癌脑转移的影像组学特征具有高度特异性，反映了其与肿瘤组织病理学结构的相关性，表明了在肺癌脑转移的不同亚型间鉴别应用的可行性。有研究[15]分析了48例脑转移瘤患者的弥散加权图像(diffusion weighted imaging，DWI)，其中腺癌31例、鳞癌17例，结果表明鉴别肺癌脑转移的腺癌和鳞癌时，最佳诊断效能为接收者操作特征曲线(receiver operating characteristic curve，ROC)下面积(the area under the ROC curve,AUC)达0.700，诊断敏感性达64.7%，特异性达74.2%，采用表观扩散系数(apparent diffusion coefficient，ADC)序列的MRI组学分析在鉴别肺癌脑转移不同病理类型中展现了较好的潜力。Li等[16]基于颅脑MRI组学特征对肺癌脑转移病灶进行分类，小细胞肺癌、鳞癌、腺癌和大细胞肺癌的误分类率分别为3.1%、4.3%、5.8%和8.1%，研究表明，MRI纹理分析对不同亚型肺癌的脑转移瘤具有高度特异性，且增强后T1加权成像(T1 weighted imaging，T1WI)诊断效能优于DWI序列。同样，李瑞等[17]进一步研究分析了127个肺癌脑转移病灶(腺癌 68个、鳞癌 21个、小细胞癌 38个)治疗前颅脑MRI中的增强T1WI、液体衰减反转恢复序列(T2-fluid attenuated inversion recovery，T2-FLAIR)及ADC图像，单独及联合序列构建的预测模型鉴别腺癌与非腺癌脑转移的AUC分别为0.81、0.64、0.87及0.89，结果表明联合多序列分类预测模型的诊断性能最好。也有最新研究[18]基于脑增强CT的影像组学在144例脑转移患者中有望区分出原发性肺腺癌和鳞癌，最高AUC分别可达为0.828和0.758的准确度，脑增强CT图像作为初始筛查成像方式，与MRI平行检测脑转移瘤也是必不可少的，二者联合应用得以实现非小细胞肺癌脑转移患者的最佳治疗管理。

1.2 MRI影像组学在肺癌脑转移预后评估中的应用

MRI影像组学特征通过对肿瘤整个病灶及其周围水肿区域的生物学特征及微环境的异质性进行全面评估，可作为肺癌脑转移疗效监测和预后评估的有效成像标志物。Karami等[19]应用影像组学机器学习框架研究了100例(133个病灶)接受立体定向放射治疗的脑转移患者的T1WI和T2-FLAIR图像，在治疗前后的第一次随诊MRI中提取的肿瘤边缘及水肿内的组学特征，证实了从肿瘤边缘及周围水肿区同时提取的特征比单纯从肿瘤本身提取的特征显示出更佳的预测能力。也有研究[20]分析了161例非小细胞肺癌脑转移患者治疗前的增强T1WI，手动分割并提取了107个定量MRI组学特征，结合临床数据预测放疗在局部肿瘤控制方面的有效性，可用作预测伽玛刀放射外科后非小细胞肺癌脑转移患者的替代生物标志物。

2 肺癌脑转移中关于几种常见基因突变的影像基因组学研究

影像基因组学以全面立体分析肿瘤纹理特征及瘤体内的基因异质性为支撑[21-22]，相较于基于光镜的组织学层面分类，肿瘤诊疗逐步转向基因分子水平，并把基因分子特征作为肿瘤的分子分型、治疗监测及预后预测相关的分子标志物[23]，分子基因改变纳入脑肿瘤诊断标准不仅增加了临床诊断的客观性，还对实现个体化精准医学的目标至关重要[24]。尤其是在脑胶质瘤方面得到广泛应用，备受关注的异柠檬酸脱氢酶突变被作为最常用的基因分子标志物对患者进行分层并与其他基因突变结合使用，对指导临床诊治及预后预测具有重要价值[25]。

肺癌的转移特性是由基因改变决定的，由于遗传异质性和血-脑脊液屏障的存在，癌细胞的遗传改变驱动了它们的转移能力和通过血-脑脊液屏障迁移的能力，了解脑特异性转移中涉及的关键信号通路的分子机制，对开发脑转移的新分子靶向疗法至关重要。靶向治疗强调全身获益，MRI基因组学在分子水平上加深了对肺癌脑转移的肿瘤异质性研究，脑-肿瘤微环境的不同组成部分可以从根本上调节血-脑脊液屏障的特性，需要对个体分子遗传改变在原发肺癌病灶及脑转移病灶进行综合研究以提高脑靶向治疗的疗效[26]。

肺癌脑转移患者由于多处于肿瘤晚期，手术及放化疗治疗手段效果有限且患者大多难以耐受，很难获得高质量的生存期。研究[27]表明，与活检相比，影像组学可无创地纵向提供有关整个可见肿瘤体积的信息，从而可表征肺癌及脑转移瘤的表型信息来补充分子检测。近年来，分子遗传转化研究的进展预示着对肿瘤的诊治和管理能根据个人遗传背景量身定制个性化治疗，肿瘤的MRI特征可深入挖掘与基因型表型相关的信息。影像组学最常联合表皮生长因子受体(epidermal growth factor receptor，EGFR)、鼠类肉瘤病毒癌基因(kirsten rat sarcoma viraloncogene，KRAS)及间变性淋巴瘤激酶(anaplastic lymphoma kinase，ALK)对肺癌脑转移患者进行MRI影像基因组学研究，作为探究分子遗传学水平的一种有潜力的手段，能更好地研究个体差异，为个体化治疗及预后监测提供了重要辅助[4]。

2.1 肺癌脑转移在EGFR突变方面的影像基因组学研究

2.1.1 EGFR突变在肺癌脑转移中的临床意义

EGFR作为肺癌脑转移中最重要的突变，超过60%的非小细胞肺癌存在EGFR突变，在女性、非吸烟者、腺癌组织学和东亚患者中易发，是EGFR酪氨酸激酶抑制剂(epidermal growth factor receptor tyrosine kinase inhibitor，EGFR-TKI)治疗的可靠且敏感的生物标志物[28]。EGFR酪氨酸激酶结构域突变主要发生在18—21个外显子，外显子21 L858R位点突变(占39%～48%)和19缺失(40%～50%)及18外显子突变(约4%)，此类突变的患者对EGFR-TKI反应良好，而20外显子T790M突变会出现耐药反应[29]。相对于EGFR野生型或未知突变状态的患者，EGFR突变型的脑转移瘤患者对TKI的反应率高达70%～91%，这就突出了识别这种基因突变亚型在肺癌脑转移患者亚群的重要性，因此，EGFR-TKI已被推荐为EGFR突变的晚期非小细胞肺癌患者的一线治疗药物[30]。总之，EGFR突变定义了一组新的非小细胞肺癌分子亚型，晚期肿瘤对EGFR-TKI的反应引发了希望，最终通过使用靶向药物和预测性生物标志物定制治疗方案来实现治愈。

在大多数研究中，EGFR状态已在任何可用组织上确定，包括原发性和转移性肿瘤[31]。采用原发肿瘤样本来评估EGFR突变的状态，可避免不同位点的肿瘤对最终结果的影响。基因检测大多是在肺部样本上进行的，而不是脑转移瘤本身，最近的研究表明转移性病变中的EGFR突变状态并非总是与原发肿瘤一致，不一致率达17.26%；具有高度多样性基因表达的癌细胞可能在早期扩散到远处器官，或者EGFR突变状态可能通过多步骤转移进展而改变，这可能是由于微环境和治疗效果的影响[32]。有研究[30]探讨EGFR突变与非小细胞肺癌发生脑转移的关联，通过比较非小细胞肺癌脑转移和非小细胞肺癌无脑转移患者各50例的配对组以评估EGFR状态与脑转移之间的关联，结果表明，有脑转移瘤的非小细胞肺癌中EGFR突变的频率高于没有脑转移的非小细胞肺癌，与无脑转移相比，有脑转移的非小细胞肺癌有更高的EGFR突变率，并且EGFR突变的非小细胞肺癌患者比野生型患者更易发生脑转移。

2.1.2 MRI影像学联合EGFR突变在肺癌脑转移中的应用

非小细胞肺癌晚期患者手术不再可能，很难获得足够的组织进行分子检测且无法实时监测EGFR突变状态，虽然有报道称血液循环游离DNA(circulation tumor DNA，ctDNA)可作为检测EGFR突变的替代方法，但是越来越多的证据表明，ctDNA检测EGFR突变的诊断价值有一定限度[33]；而影像基因组学作为一种可行且无创的替代方案越来越受到关注。EGFR作为非小细胞肺癌患者进行基因亚型分层的分子标志物现已经成为国内外学者研究的热点。有学者[28]分析了298名肺腺癌患者的CT数据及其EGFR基因资料，提取219个影像组学特征来预测EGFR突变状态，将影像组学特征添加到临床模型会显著提高预测能力(AUC从0.667增加到0.709)。Nair等[34]回顾性分析了已知EGFR突变状态的50例非小细胞肺癌患者原发肿瘤的CT和正电子发射断层显像CT(positron emission tomography-CT，PET-CT)图像，建立组学模型预测EGFR突变状态以及区分外显子19和21突变亚型；基于PET及CT纹理特征建立逻辑回归模型区分EGFR突变，PET组学模型的AUC、敏感性、特异性和准确度分别为0.87、0.76、0.66和0.71，CT组学模型的为0.83、0.84、0.73和0.78；PET及CT纹理特征可进一步区分EGFR外显子19和21中的突变亚型，PET组学模型的AUC、敏感性、特异性和准确性分别为0.86、0.84、0.73和0.78，CT组学模型的为0.75、0.81、0.69和0.75。以上研究均表明在肺癌原发灶上区分EGFR突变状态及突变亚型方面展现了良好的鉴别能力，表明了影像基因组学特征可以作为EGFR突变的影像替代标志物，同时也证实了将影像组学特征添加到临床模型可以提高EGFR突变的预测能力，从而有助于制定更好的临床决策而且不会增加额外成本。

以往针对EGFR影像基因组学的大多数研究都集中在肺癌肿瘤本身的CT图像上，虽然脑转移灶与肺癌原发灶的EGFR突变状态具有同一性，但是基于脑转移瘤的MRI组学特征与EGFR相关性的报道较少，尤其是在肺癌脑转移中的应用上。Jung等[35]回顾性搜集了74例非小细胞肺癌患者脑转移DWI数据进行分析发现,脑转移瘤的ADC和标准化ADC比率可作为肺腺癌脑转移EGFR突变状态的独立预测因子。由此可见基于脑MRI影像组学也可以深度发现个体MR图像的组学特征差异，证明了其在肺癌脑转移方面应用的可行性。

Ahn等[36]分析了61例肺腺癌患者的210个脑转移瘤病灶(训练组189个、验证组21个)治疗前的增强T1WI及EGFR基因突变数据，基于提取的1 209个组学特征，采用随机森林、支持向量、自适应提升树及最小绝对收缩选择算子(least absoluteshrinkage and selection operator,LASSO)正则化逻辑回归4种不同的强大算法进行分类及筛选出的7个组学特征建立模型以提高预测EGFR突变的诊断性能，结果显示，随机森林预测模型诊断效能最好(AUC达86.81)，支持向量机和自适应提升树组学模型也显示出良好的诊断性能(AUC分别达85.76、85.71)；亚组分析是根据脑转移瘤病灶大小进行十倍交叉验证，最后发现小的脑转移瘤病灶(137个，直径≤10 mm)及大的脑转移瘤病灶(73个，直径>10 mm)的支持向量机组学预测模型效能最好，AUC分别达89.09及78.22，在大的脑转移瘤中诊断EGFR突变状态不如在小的脑转移瘤中有效；该研究证明了使用随机森林分类的增强T1WI组学可以高度准确地预测肺癌脑转移中的EGFR突变状态。Wang等[37]对52例肺腺癌脑转移患者(EGFR基因突变28例及野生型24例)的MR图像(增强T1WI、T2-FLAIR、T2WI和DWI序列)进行影像组学特征提取及筛选，基于T2-FLAIR序列筛选出来的9个特征建立逻辑回归预测模型显示出最好的区分性能，验证组中AUC可达0.987、准确度为0.991、敏感性为1.000及特异性为0.980，在独立验证集中AUC达0.871；在进一步区分EGFR突变亚型的分析中，基于上述4种MR序列的组学特征用于区分第19外显子突变(15个病例)和第21外显子突变(10个病例)的AUC分别为0.529、0.580、0.645和0.406，由此可见MRI影像组学特征以区分EGFR突变亚型的性能并不理想。以上研究均是基于肺癌脑转移灶的MRI影像基因组学，开发出了一种从脑转移瘤常用序列中提取的能够准确反映肿瘤内异质性、以无创定量的方法识别EGFR突变状态的新型成像标志物，并以此为基础进一步向分子亚型分层深入研究，为个体化精准治疗及复发监测提供了实时辅助手段。

2.2 肺癌脑转移关于KRAS突变的影像基因组学研究

15%～25%非小细胞肺癌患者具有KRAS突变，超过97% KRAS突变病例影响外显子2和3，并且在吸烟者和腺癌患者中更常见。KRAS突变已被证明是一个消极的预后因素和EGFR-TKI治疗失败的预测因素，被评估为个体对抗EGFR类药物反应的潜在标志物。此外，研究表明EGFR和KRAS突变存在相互排斥的关系，且突变型KRAS肿瘤患者无法从辅助化疗中获益[32-38]。

有研究[39]分析了48例非小细胞肺癌患者的基线CT数据及其KRAS基因资料(KRAS突变型27例、野生型21例)的治疗前非对比CT图像，五节点决策树的敏感性、特异性和准确度值(95%CI)分别为96.3%(78.1～100)、81.0%(50.5～97.4)和89.6%(72.9～97.0)；KRAS突变与正偏度和较低的峰度有密切关联，作为中位总生存期和中位无病生存期的重要预测因素，峰度值越低则生存期越差；非侵入性CT纹理特征在区分非小细胞肺癌 KRAS突变方面具有潜力。Le等[40]分析了161例非小细胞肺癌患者的低剂量CT图像以检测EGFR和KRAS突变，通过人工分割共提取851个组学特征，检测EGFR和KRAS突变的准确率分别达0.836和0.860，证明了基于非侵入性机器学习的模型可以有力地预测非小细胞肺癌的EGFR和KRAS突变。基于CT及PET影像基因组学从不同图像特征集中提取的组学特征可用于非小细胞肺癌患者EGFR及KRAS突变状态的预测[41]。以上研究均表明影像组学特征在同时预测和鉴别EGFR及KRAS突变方面有无限前景。

2.3 肺癌脑转移中关于ALK突变的影像基因组学研究

ALK基因的重排是非小细胞肺癌患者的有效致癌驱动因素之一，发生在大约5%病例中，并且在特定人群中ALK重排率会增加约30%，新型ALK抑制剂对脑转移瘤病变表现出很高的抗肿瘤作用；多数ALK重排非小细胞肺癌患者在1年内发生脑转移[42]。影像组学在预测ALK重排方面也具有不可或缺的作用，Song等[43]回顾性研究了335例肺腺癌患者的非增强CT图像，随机分为训练组(ALK重排90例、ALK野生型178例)和测试组(ALK重排22例、ALK野生型45例)，使用具有噪声的基于密度的聚类方法以及递归特征消除方法筛选出的1 218个组学特征，结合12个常规CT特征和7个临床特征为预测ALK重排表型构建了3个预测模型(影像组学模型、传统影像学模型和综合模型)，结果表明，临床信息和常规CT特征的添加显著增强了主要队列中影像组学模型的验证性能(AUC为0.83～0.88，P为0.01)，结果验证了影像组学可能作为一种非侵入性工具来识别肺腺癌的ALK突变。

影像组学可将肺癌内异质性转变为可视化的预后组学特征与潜在的ALK基因表达方式建立联系，有助于在随诊过程中早期发现中枢神经系统转移，对评估肺癌的预后至关重要。Xu等[44]分析了132例ALK阳性III/IV期非小细胞肺癌患者治疗前的胸部CT图像，应用LASSO 回归和交叉验证建立逻辑回归模型以预测随访期间发生脑转移的风险；在训练集中，一种源自治疗前胸部CT的小波纹理特征显示出预测脑转移的辨别能力(AUC为0.687、特异性83.5%、敏感性57.1%)，在测试集中表现出稳定的性能(AUC为0.642、特异性60.0%、敏感性83.3%)；将105名未接受预处理脑转移的患者分为III期(57例)组和IV期(48例)组，CT影像组学特征在不同组的治疗期间/之后预测脑转移具有中等性能(III期AUC为0.682、特异性64.4%、敏感性75.0%；IV期AUC为0.653、特异性70.4%、敏感性75.0%)；结果表明CT影像组学特征在预测III/IV期ALK阳性非小细胞肺癌患者的脑转移方面具有潜力，这有利于此类患者的风险分层，但需要进一步扩大样本量和外部多中心验证。颅内进展被认为是ALK阳性非小细胞肺癌患者治疗失败的重要原因，研究开发一种MRI影像组学特征以对肺癌脑转移生存和颅内进展进行分层，Zhao等[45]分析了24例接受ALK抑制剂治疗的ALK阳性非小细胞肺癌者的87个脑转移病灶(并将它们分为训练组61个、验证组26个)的颅脑MRI增强图像，用9个选定的影像组学特征构建的多元逻辑回归预测模型可以较准确地预测出 51 周内的颅内进展情况(训练和验证集中的AUC分别为0.84和0.85)，而临床信息和常规 MRI特征未发现与颅内进展的相关性(P>0.05)，影像组学评分表明高危组和低危组之间的无进展生存期差异有统计学意义(P=0.017)，该研究证实了MRI影像组学特征可以对可接受ALK抑制剂治疗的肺癌脑转移患者在治疗前进行分层，从而允许根据患者的颅内进展风险状况前瞻性地制定个体化的治疗策略。以上研究的初步发现为探索早期识别非小细胞肺癌脑转移的风险预测模型提供了可能性。

2.4 MRI影像基因组学在肺癌脑转移与EGFR、KRAS及ALK等多基因的联合应用

分子遗传学检测为非小细胞肺癌脑转移患者靶向联合治疗提供重要辅助信息，MRI影像基因组学可以提取对预测肺癌脑转移患者生存期很重要的影像组学特征作为成像标志物。Rizzo等[46]分析了285例非小细胞肺癌患者的CT图像，传统CT影像学征象结合影像组学纹理分析有望更好地实现影像表型与分子表型结合，可同时预测和鉴别EGFR、ALK及KRAS的多种类型基因突变，并且结合影像组学特征与定性语义特征(支气管充气、胸膜回缩、体积小等)更有助于基因突变的预测，定性语义特征的预测价值随着肿瘤定量纹理特征的增加而增加。同样的研究[47]分析了134例非小细胞肺癌患者术前增强CT和术后新一代测序(next generation sequencing，NGS)数据，从提取的1 672个三维影像组学特征中选择与突变最相关的20个特征，应用LASSO建立鉴别模型，同时鉴别EGFR、KRAS、ERB受体酪氨酸激酶2(Erb-B2 receptor tyrosine kinase 2，ERBB2)和肿瘤蛋白53(tumor protein 53，TP53)基因突变，用于区分EGFR、KRAS、ERBB2和TP53突变组合模型的AUC(95%CI)分别为0.78(0.70～0.86)、0.81(0.69～0.93)、0.87(0.78～0.95)和0.84(0.78～0.91)，EGFR突变的特异性为0.96(0.87～0.99)，确定KRAS、ERBB2和TP53突变的敏感性为0.82～0.92(0.62～0.99)。以上研究基于影像基因组学方法能开发出一种可以同时鉴别非小细胞肺癌患者中多种基因突变的存在，这种非侵入性和低成本方法可能有助于在侵入性采样和NGS检测之前对患者进行筛查。

以上研究都基于肺癌原发灶的CT影像基因组学，基于肺癌脑转移的MRI影像基因组学的相关报道较少。Chen等[48]回顾性对110例肺癌脑转移患者进行基于脑MRI组学分析，联合原发性肺癌的基因型检测资料(EGFR突变75例、ALK突变21例及KRAS突变15例)，训练随机森林分类器对EGFR、ALK及KRAS突变状态进行分类，基于MRI影像组学特征及临床数据构建联合模型的AUC分别为0.912、0.915和0.985，研究结果表明对肺癌脑转移的基于脑MRI影像基因组学分析可用于对转移性疾病基因突变的分类；同一学者之后又对这110例非小细胞肺癌脑转移患者进行脑MRI影像基因组学分析进行生存期预测，结合临床数据建立多变量逻辑回归影像组学模型，相应AUC分别为0.977、0.905和0.947，结果支持非小细胞肺癌脑转移的脑MRI影像组学评分可作为生存期的非侵入性成像标志物[49]。以上研究均表明采用脑MRI影像组学特征联合临床数据进行模型构建比单独使用任何一种模型能产生更准确的分类，更有助于为肺癌脑转移患者制定个体化治疗策略和进行精准的预后评估。

3 小结

MRI影像组学融合基因组学的方法可以无创精准地活体检测肿瘤的分子遗传学改变，是一种在脑肿瘤的诊疗及预后预测方面极有潜力的方法。尽管大量有潜在价值的影像基因组学成像标志物以无创低成本的优势在临床医学研究中得到推广，但其在肺癌脑转移方面的应用仍存在一些局限性，首先，基因取样检测基本在肺部进行而不是在脑转移瘤本身；其次，研究数据大多来自小样本、单中心，而多中心的大数据因扫描设备、扫描条件等不同，能否广泛推广有待进一步前瞻性验证；最后，脑转移瘤方面的影像基因组学的研究尚不多，尽管各专家学者把肺癌原发肿瘤或中枢神经系统转移灶作为研究对象，研究目的不尽相同，研究结果各有千秋，但捕获更精准特异的MRI影像组学特征融合基因深度测序已成为进一步研究的趋势。