宫颈癌MRI影像组学研究现状及进展

李 影,邱丽华

(1.广安市人民医院超声科,四川 广安 638000;2.成都医学院临床医学院,四川 成都 610000;3.宜宾市第二人民医院医学影像中心,四川 宜宾 644000)

我国女性宫颈癌发病率和死亡率仅次于乳腺癌,且渐呈年轻化趋势[1];早期筛查可显著降低宫颈癌发病率和死亡率。MRI是早期筛查宫颈癌的常用影像学技术,无电离辐射,且对于软组织和空间的分辨率均较好,并能进行多方位、多序列扫描及功能成像[2];但传统MRI只能对肿瘤表观特征进行主观判断,而不能定性、定量评价肿瘤内部异质性。利用影像组学可自动化、高通量提取影像的定量成像特征并实现数据转化[3];MRI影像组学现已用于诊断宫颈癌、术前分期、评价疗效及预测预后等。本文对MRI影像组学用于研究宫颈癌的现状及进展进行综述。

1 诊断及鉴别诊断

病理学是诊断宫颈癌的金标准,但有创。随着影像组学的发展,近年医学图像不再仅能反映病变的形态学改变,而是可将视觉图像转化为可计算的数据,进而无创、定量诊断及鉴别诊断宫颈病变。LU等[4]基于动态对比增强MRI(dynamic contrast-enhanced MRI, DCE-MRI)提取宫颈癌影像组学特征并构建模型,采用受试者工作特征(receiver operating characteristic, ROC)曲线评价其诊断宫颈癌的效能,发现其曲线下面积(area under the curve, AUC)高达0.96。HU等[5]基于宫颈矢状位T2WI和T1对比增强(T1 contrast-enhanced, T1CE)图像提取影像组学特征,并构建各序列单独及联合模型,以诊断早期宫颈癌,结果显示矢状位T2WI、T1CE及联合模型诊断验证集早期宫颈癌的AUC分别为0.63、0.85及0.85。樊知昌等[6]采用MRI影像组学模型鉴别ⅠA期宫颈癌与宫颈高级别鳞状上皮内瘤变(high-grade squamous intraepithelial neoplasia, HSIL),发现矢状位T2WI联合轴位脂肪抑制T2WI模型的AUC为0.89,但基于轴位T1WI构建模型的AUC仅为0.51。上述研究结果表明,影像组学可用于诊断及鉴别诊断宫颈癌,但不同模型的诊断效能不同,可能与所用成像设备、参数,提取特征方法及患者个体差异等因素有关。

2 评估病理分型、分期及组织分化程度

宫颈癌病理分型、分期、组织分化程度均与治疗方式、疗效及预后密切相关。WANG等[7]回顾性分析96例术前接受盆腔MR检查的宫颈癌患者,包括50例宫颈鳞癌和46例宫颈腺癌,分别于矢状位、轴位T2WI,增强矢状位、轴位T1WI及表观弥散系数(apparent diffusion coefficient, ADC)图中提取影像组学特征,结果显示宫颈腺癌纹理异质性高于宫颈鳞癌,基于以上5个MR序列图像构建的联合模型鉴别宫颈鳞癌与腺癌的AUC为0.89,高于各单独序列模型。一项回顾性研究[8]针对宫颈鳞癌和腺癌的最大相对强化(maximum relative enhancement, MRE)率和最大强化(maximum enhancement, ME)率伪彩图提取肿瘤的纹理特征,发现基于MRE率伪彩图提取的3个灰度区域大小矩阵(gray level size zone matrix, GLSZM)和2个灰度游程长度矩阵(gray run length matrix, GLRLM)特征参数均与宫颈癌国际妇产科联合会(International Federation of Gynecology and Obstetrics, FIGO)分期呈正相关(r=0.332～0.392,P=0.014～0.039),基于ME率伪彩图提取的灰度共生矩阵的自相关特征参数与肿瘤分化程度呈正相关(r=0.383,P=0.016);以MRE率伪彩图联合ME率伪彩图的多参数模型诊断宫颈腺癌的AUC为0.83,其预测FIGO ⅡB～ⅢA宫颈癌的AUC为0.74,预测低分化宫颈癌的AUC为0.71;表明利用MRI影像组学能获取宫颈癌病理分型、分期和分化的影像学标志物,表征肉眼无法辨识的肿瘤内部固有异质性,有助于术前评估宫颈癌[9]。

3 评估基因表型

肿瘤基因表达与其生物学特性潜在相关。影像组学可用于分析肿瘤内部异质性,进而评估其生物学特性及基因表达[10-12]。DENG等[10]分析118例接受血管内皮生长因子(vascular endothelial growth factor, VEGF)基因表达检测的宫颈癌患者,基于MRI筛选出9个影像组学特征,以之建立的预测VEGF表达模型预测训练集(79例)及测试集(39例)肿瘤VEGF表达阳性的AUC分别为0.82和0.70,且经决策曲线分析证实其临床实用性较佳。INCE等[11]提取41例宫颈癌的盆腔T1CE、T2WI影像组学特征,采用机器学习算法构建模型,结果显示基于T1CE、T2WI及二者联合的支持向量机(support vector machines, SVM)模型评估宫颈癌人乳头状瘤病毒(human papillomavirus, HPV)基因表达的准确率分别为83%、95%和95%,逻辑回归(logistic regression, LR)模型的准确率分别为83%、81%和92.5%。

4 评估淋巴结转移、淋巴血管间隙浸润

盆腔淋巴结转移(pelvic lymph node metastases, PLNM)、淋巴血管间隙浸润(lymphovascular space infiltrates, LVSI)与宫颈癌分期、治疗方案及预后等均显著相关[13]。CUI等[14]基于多序列MRI选择性提取瘤周影像组学特征,结合临床参数构建列线图,结果显示其预测训练集(108例)早期宫颈癌LVSI的AUC为0.77,在验证集(55例)的AUC则为0.79。YU等[15]联合应用153例宫颈癌患者的临床参数、MRI所见淋巴结状态及自ADC图提取的纹理特征建立联合模型,其预测训练集(102例)PLNM的AUC为0.86,在验证集(51例)为0.87。赵小菊等[16]报道,基于轴位脂肪抑制T2WI与ADC图建立的影像组学标签评估宫颈癌PLNM的AUC分别为0.85、0.89,评估LVSI的AUC分别为0.82、0.85。

5 评估疗效

用于评估治疗宫颈癌效果时,影像组学突破了传统MRI仅能提供一维信息的限制,可高维度、定量表征肿瘤内部异质性,实时、动态监测并指导优化治疗方案。苏亚英等[17]分别以DCE-MRI瘤内容积感兴趣区(volume of interest, VOI)及瘤周5 mm VOI(VOI+5 mm)影像组学标签预测进展期宫颈鳞癌对于同步放化疗(concurrent chemotherapy and radiation therapy, CCRT)的反应,发现以瘤内影像组学标签及VOI+5 mm影像组学标签预测CCRT的AUC均≥0.75,且后者在训练集(n=88、AUC=0.86)和验证集(n=38、AUC=0.82)中的AUC均高于前者(n=88、AUC=0.77和n=38、AUC=0.75)。BOWEN等[18]基于多参数功能MRI影像组学模型预测放射治疗后宫颈癌的反应,发现其AUC为0.86。

6 预测生存期

目前治疗宫颈癌的主要方式包括手术、放射、化学及免疫治疗等,通常根据临床分期进行选择;但受个体差异影响,即使肿瘤分期相同,疗效亦可能不同,进而影响预后。利用影像组学可于治疗前筛选与预后生存高度相关的影像学特征、挖掘多维度数据进行风险分层而对预后进行预测,对临床决策具有提示意义[19]。既往研究[20-21]对接受根治性子宫切除术的早期(ⅠB～ⅡA)和局部进展期(ⅠB1～ⅡA2)宫颈癌患者于术前预测其无病生存期(disease-free survival, DFS),结果显示,基于MRI的影像组学评分(radiomics score, Rad-score)与DFS相关,提示Rad-score可作为早期(ⅠB～ⅡA)宫颈癌患者预后的影像学标志物;Rad-score联合临床参数列线图预测训练集(126例)和验证集(55例)患者DFS的AUC分别为0.88、0.82。此外,基于MRI的Rad-score亦可用于预测CCRT后ⅡB～ⅣA期宫颈癌患者总生存期(total survival, OS),Rad-score模型预测训练集(126例)中OS的哈勒尔一致性C指数(C-index)为0.79,而在验证集(55例)中为0.75[22]。AUTORINO等[23]以MRI影像组学特征预测ⅠB2～ⅣA期宫颈癌患者接受新辅助放化疗(neoadjuvant chemoradiotherapy, NACRT)后2年OS,其在训练集(142例)和验证集(33例)中的AUC分别为0.73、0.91。

7 存在问题及发展前景

MRI影像组学用于宫颈癌临床具有广阔前景,但目前尚处于临床转化前期,面临诸多严峻考验:现有研究成果多基于回顾性、小样本、单中心研究,可能存在选择偏倚和假阳性结果;对于采集图像、收集数据尚未形成统一标准,研究方法亦有所不同,不同研究中心的所用图像分割、特征提取及影像组学分析软件等存在差异,使其重复性和可靠性均有待提高[24]。另外,仅利用传统单一序列MRI影像组学模型可能导致预测效能不佳,应充分整合、优化多参数MR序列,以进一步提高模型的临床应用价值。