CT 影像组学在儿童体部常见恶性实体肿瘤中的研究进展

张一茂 杨雨菡 宁刚 李园*

医学影像学在儿童恶性实体肿瘤的临床诊断、治疗策略以及预后评估等方面发挥着至关重要的作用。然而，常规的影像学检查方法在儿童恶性实体肿瘤的诊断中仍然具有一定的局限性，如医师分析影像的主观性、影像信息的有限性以及依赖组织病理学结果才能确诊。此外，恶性实体肿瘤在基因组、肿瘤微环境等方面具有时间和空间的异质性，可直接影响组织病理学和分子生物学等的检查结果。影像组学作为医工结合的产物可将常规视觉影像信息转化为深层次的高维特征，从而进一步挖掘肿瘤影像中的信息，为临床医生提供决策支持[1]。目前影像组学在成人肿瘤中的研究较为广泛，如各种实体肿瘤的诊断与鉴别诊断、肿瘤预后判断、肿瘤治疗效果以及肿瘤分子生物学行为的预测[2]，但在儿童恶性实体肿瘤中的探索仍处于初级阶段。由于CT 是儿童恶性实体肿瘤病人最常用的影像学检查方式，本文就CT 影像组学在儿童体部常见恶性实体肿瘤中的研究进展进行综述。

1 影像组学的基本概念

影像组学的概念于2012 年由Lambin 等[3]首次定义，是指从CT、MRI、PET 等影像中高通量提取大量的影像学特征，并通过对特征分析进一步挖掘图像信息，可用于临床决策支持系统，对疾病的诊断、肿瘤分型、预后判断等方面具有积极意义。与既往的医学成像技术相比，影像组学方法除了提供病变的位置、毗邻、血供等信息之外，还可深入挖掘图像信息。与组织病理学方法相比，影像组学方法具有安全、无创的优点，能从整体水平上反映肿瘤内异质性的变化，同时在活体实时进行，且具有可重复性[4]。

影像组学的主要工作流程包括了图像收集、兴趣区识别、图像分割、特征提取与筛选、模型构建和模型验证[5]。其中，特征提取是其核心步骤，影像组学特征主要包括形状特征、一阶特征、纹理特征和小波特征等。形状特征可以用来定量描述兴趣区的几何特性，如肿瘤的表面积、体积、表面积和体积比和三维直径等；一阶特征是从图像的灰度直方图中提取，包括偏度、峰度和熵等常见统计量；纹理特征反映图像体素灰度之间的空间排列关系，包括灰度共生矩阵、灰度区域大小矩阵和灰度游程矩阵等。模型构建是其重要环节，在影像组学模型构建中常常应用一些机器学习算法，如逻辑回归（logistic regression，LR）、支持向量机（support vector machine，SVM）、随机森林（random forests，RF）、贝叶斯算法（Bayes algorithm，BA）等。

2 影像组学在儿童体部常见恶性实体肿瘤中的研究进展

许多高危儿童恶性实体肿瘤的预后较差，如Ⅳ期神经母细胞瘤、肝母细胞瘤等[6]。提高儿童恶性实体肿瘤的综合治疗水平对于实现患儿的长期存活非常重要。目前，临床医生难以对儿童恶性实体肿瘤的基因表型、生物学行为、远期预后等进行准确判断；而影像组学在儿童体部常见恶性实体肿瘤的鉴别、肿瘤分子表型预测以及预后判断等领域已经取得了一定的进展，有望在儿童体部常见恶性实体肿瘤的综合治疗过程中提供更为准确的肿瘤信息，从而指导决策。

2.1 鉴别诊断 部分儿童体部恶性实体肿瘤术前难以通过常规影像学检查进行鉴别，如盆腔横纹肌肉瘤（rhabdomyosarcoma，RMS）与卵黄囊瘤(yolk sac tumor，YST)在肿瘤发生部位和影像学特点上高度重合，因此只能依靠组织病理学检查，然而组织样本的获取为有创性操作，且缺乏对肿瘤整体情况的判断[7-8]。影像组学通过对影像组学特征进行定量分析，有望为儿童体部常见恶性实体肿瘤的鉴别带来新的诊断思路。

Chen 等[9]从49 例RMS 与45 例YST 患儿的术前CT 影像中提取平扫期、动脉期和静脉期共1 321个影像组学特征，同时将数据集分为训练集和验证集，采用SVM 方法分别对筛选出的23 个平扫期特征、26 个动脉期特征和17 个静脉期特征构建预测模型，结果显示基于动脉期的影像组学预测模型在训练集和验证集受试者操作特征（ROC）曲线下面积（AUC）分别为0.97 和0.80，且高于平扫期和静脉期模型的预测效能，有助于RMS 与YST 的鉴别。

影像组学还可用于转移瘤的鉴别。肺是骨肉瘤最为常见的转移部位，在常规CT 上鉴别骨肉瘤患儿的转移性肺结节比较困难，即使是经验丰富的放射科医师也只能正确识别64%～74%的转移性肺结节[10]。Yeon 等[11]回顾分析了16 例骨肉瘤患儿的24个转移性肺结节和18 个原发性肺结节的CT 纹理特征发现，转移性肺结节往往具有更高的平均衰减值以及更大的直径。

基于CT 的影像组学还能够鉴别同一肿瘤不同的分化程度。根据外周神经母细胞性肿瘤（peripheral neuroblastic tumors，pNT）分化程度的不同可分为节细胞神经瘤(ganglioneuroma，GN)、节细胞神经母细胞瘤(ganglioneuroblastoma，GNB)和神经母细胞瘤(neuroblastoma，NB)，而常规影像学方法在术前对三者进行鉴别非常困难。李等[12]通过对13 例纵隔NB 和17 例纵隔GNB 患儿术前增强CT 的平扫期、动脉期和静脉期的影像组学特征分析发现，一阶小波ILH 1/4 半径同心圆标准差、一阶小波ILH 1/8 半径同心圆标准差、一阶小波IHL 1/8 半径同心圆标准差和二阶小波ILH 1/4 半径同心圆标准差在NB 和GNB 的鉴别中具有较高价值，且动脉期的一阶小波IHL 1/4 半径同心圆标准差在NB 和GNB 的鉴别诊断中价值最大（AUC 值为0.888）。王等[13]回顾分析了172 例腹膜后NB 和48 例腹膜后GNB 患儿不同扫描期的CT 影像，分别筛选出4 个平扫期、3 个动脉期、2 个静脉期和5 个不同时期(包括动脉期、静脉期和平扫期)的影像组学特征，采用LR 方法分别构建预测模型，结果显示基于平扫期和动脉期的CT 影像组学模型有助于区分儿童腹膜后NB 和GNB（AUC 分别为0.804、0.815），同时纹理特征相对于一阶直方图特征能更好地反映病灶的差异，进一步说明了影像组学在pNT 鉴别中的临床意义。

2.2 预测肿瘤分子表型 早期的影像基因组学主要是将传统的影像学特征与基因组学进行关联，而影像组学与肿瘤基因组学结合后，实现了影像组学表型和形态学特征与基因的关联，从而将影像组学推进到基因组与分子层面，真正实现宏观信息和微观信息的结合[14]，使利用影像组学特征预测肿瘤分子表型成为可能。

目前影像组学特征在成人肿瘤领域预测分子表型已有较多报道[15-16]，但在儿童恶性实体肿瘤方面报道较少，目前仅在预测儿童NB MYCN 基因扩增中有相关报道。MYCN 基因扩增与NB 的恶性生物学行为以及病人的远期预后关系密切[17]。基于CT的影像组学对NB MYCN 基因进行精准预测为目前的重要研究方向。Wu 等[18]采用影像组学方法提取了78 例NB 患儿术前CT 平扫期、动脉期和静脉期共计1 188 个影像组学特征，根据筛选的7 个影像组学特征、临床资料和影像组学特征-临床资料分别建立模型来预测NB 患儿MYCN 基因的扩增情况，结果显示基于影像组学特征-临床资料的列线图模型具有最高的预测效能，其在训练组和验证组中的AUC 和准确度分别为0.95、90.9%和0.91、82.6%，决策曲线分析显示其净获益率高于临床资料模型和单纯影像组学特征模型。Di Giannatale 等[19]回顾性分析了99 例NB 患儿的术前CT 影像，通过Boruta算法和Pearson 相关性分析对232 个影像组学特征进行筛选后发现，体素强度直方图均值和区域大小不均匀性在MYCN 基因不同扩增状态的NB 患儿中相关性较高；再利用LR 建立基于影像组学特征的MYCN 基因扩增预测模型，该模型在训练组和验证组中的AUC 分别为0.879 和0.813，在验证组中的预测准确度达到85%。由此可见，基于CT 的影像组学在预测MYCN 基因扩增中具有较高效能。

此外，不同的机器学习方法也可以影响模型的预测结果。在上述研究的基础上，Chen 等[20]分析了172 例儿童腹部NB 患儿的增强CT 影像，从1 218 个影像组学特征中筛选出了14 个特征，并分别用LR、RF、SVM 和BA 算法构建MYCN 基因扩增预测模型，在验证集中的AUC 分别为0.909、0.851、0.909 和0.729；同时，将影像组学特征和肿瘤Shimada 分型、尿24 h 香草扁桃酸等临床指标结合构建的列线图模型在验证集中的AUC 为0.977。

2.3 预后判断 基于CT 的影像组学还能对肿瘤病人远期预后进行判断，但在儿童体部常见恶性实体肿瘤预后中的研究仅在肝母细胞瘤中有相关报道。肝母细胞瘤是儿童肝脏最为常见的原发性恶性肿瘤，Jiang 等[21]回顾性分析了88 例肝母细胞瘤患儿的术前CT 影像和临床资料，建立了基于CT 影像组学的肝母细胞瘤远期无事件存活率的预测模型，结果显示影像组学评分越高的患儿，其远期无事件存活率越低，同时经过筛选后的影像组学特征联合肝母细胞瘤的病理分型、远处转移情况等临床因子构建的可视化列线图模型在肝母细胞瘤患儿远期预后的精准预测中展现出了较高的价值。但由于目前影像组学在儿童体部常见恶性实体肿瘤预后中的研究较少，因此未来需要更多相关研究在这一领域进行探索性的工作。

3 小结

影像组学与大数据、人工智能结合紧密，代表了今后影像学的重要发展方向。尽管其用于儿童体部常见恶性实体肿瘤的研究目前取得了一定的进展，但也面临一些困难与挑战。首先，与成人恶性肿瘤相比，其研究进展较为缓慢，仍处于初始阶段，并且在肿瘤分子表达、辅助治疗、预后及疗效监测等方面的研究尚不多见，未来需要更多的研究在相关领域做出探索；其次，目前提取的影像组学特征较为单一，扫描方案、研究方法等也缺乏标准化，相关模型的诊断预测效能不太稳定，同时缺乏多中心验证[22]。尽管如此，影像组学仍作为一种无创的、新兴的辅助诊断工具可将传统的宏观图像信息推进到分子和基因层面，实现了较大的进步，拓展了应用领域。相信在精准医学的大背景之下，影像组学将在儿童体部常见恶性实体肿瘤中展现出更为广阔的应用前景。