影像组学在鼻咽癌的研究进展*

杨 秀,杨 峤,孙建国△

(1.陆军军医大学第二附属医院肿瘤科,重庆 400037;2.解放军第九四一医院超声诊断科,西宁 810007)

据Globocan2020年的数据,中国鼻咽癌患者占全球近50%[1]。鼻咽癌是中国地域特色的恶性肿瘤[2]。男性发病率为女性的2～3倍[3]。鼻咽癌对放射线高度敏感,初诊鼻咽癌的5年生存率高达85%以上[4],但部分患者在早期出现治疗失败。文献报道,鼻咽癌3年原发部位复发率为5%～10%,颈部淋巴引流区复发率为5%,3年远处转移率高达20%[5],是局部复发的高危期[6]。因此,在精准医疗新时代,根据患者特征制订个体化治疗方案是当前研究热点。

目前,TNM分期系统是指导鼻咽癌治疗的金标准[7]。然而,该系统只关注肿瘤病灶及其对局部或全身组织结构的破坏,这种基于解剖关系的分期对改善患者预后提供的信息有限,因为在临床上已经观察到相同分期患者有不同预后。与传统的解剖成像相比,正电子发射计算机断层显像(positron emission tomography,PET)结合了生物代谢信息和高分辨率软组织图像等优点,在鼻咽癌诊断和治疗中发挥着重要作用[8]。

影像组学是2012年由荷兰学者LAMBIN首次提出,他将传统影像图像的黑白灰阶信息转变为定量影像组学特征,为临床提供有价值的诊疗信息[9]。影像组学提供了肿瘤异质性的信息,包括肿瘤细胞异质性、退行性变化和新生血管形成、肿瘤侵袭性[10]等,这难以在视觉上评估[11-12]。当前,影像组学已广泛用于实体肿瘤[13-14]。本文就影像组学在鼻咽癌中的应用及研究进展做一综述。

1 影像组学的兴起

影像组学是转化研究的一个新兴领域,从医学图像的感兴趣区域中提取定量特征,结合相关临床信息,分析来自肿瘤区域、转移病灶和正常组织的异质性,探索形态和功能图像中的微观变化[12]。随着现代医学成像的进步,影像组学从被认为是定性科学,演变成一门定量科学,其通过量化过程,将医学图像转换为有意义且可挖掘的数据。然而,定量数据不容易被人类的大脑解释,它们只能从计算机中提取并通过复杂的算法进行分析。此外,从影像图像中提取和研究大量定量图像特征用于预测或解码隐藏的遗传和分子特征,以支持决策。

影像组学的工作流程包括：(1)图像采集;(2)图像重建和处理;(3)分割感兴趣区域;(4)提取影像组学特征;(5)分析特征之间相关性;(6)机器学习,通过自动提取和选择特征来改善工作流程[15-16]。不同的是,传统放射影像学仅能直观地解释图像,而影像组学使得定量分析成为可能,因为图像即数据。影像组学对治疗结果和癌症遗传学具有潜在的预测能力,这在个性化医疗中具有重要的应用。因此,影像组学可能提供巨大的潜力来捕获重要的表型信息,如肿瘤异质性,从而为个性化治疗提供有价值的信息[17]。影像组学研究在肿瘤学成像领域的高流行率得益于大量成像和非成像数据的可用性、各种大型临床试验的开展,以及推动肿瘤学研究的各种社会和经济因素[18]。

2 影像组学在鼻咽癌中的应用

影像组学已广泛应用于肺癌[19]、食道癌[20]、胰腺癌[21]、肝癌[22]、结直肠癌[23-24]、前列腺癌[25]、头颈癌[26]和乳腺癌[27],在肿瘤诊断、鉴别诊断、疗效预测、预后预测等多方面扮演重要角色[15],以下主要介绍影像组学在鼻咽癌中的应用。

2.1 诊断

鼻咽癌的诊断和治疗离不开医学影像学检查,如CT、MRI或PET,广泛用于早期发现、诊断、分期、治疗反应和评估。鼻咽癌的诊断依赖病理活检,组织活检需在鼻咽内镜下钳取病变组织,有些需要在全身麻醉下切开鼻咽表层从深部取得组织,该操作属于有创操作,同时活检有一定的阴性概率,部分患者对取活检产生恐惧心理。

鼻咽癌局部复发的早期诊断和准确识别对于及时实施挽救治疗至关重要,然而,局部复发的诊断通常受鼻咽组织治疗后变化的影响。据报道,CT和MRI在治疗后无法区分复发性/残留性肿瘤和炎症组织。DU等[28]从PET图像中共提取了487个放射特征,应用多种机器学习方法,构建基于影像组学的模型,可有效区分局部复发与治疗后鼻咽癌炎症,增强了影像组学方法在改善鼻咽癌诊断中的应用。

2.2 鉴别诊断

由于鼻咽癌与不典型增生的鉴别诊断困难,导致放疗靶区勾画工作量大。KE等[29]使用3 142张鼻咽癌和958张鼻咽部良性增生图像用于鼻咽成像的人工智能工具的研究,这项基于大样本量的研究开发了用于肿瘤检测和分割的一种自约束的三维密度网架构模型,在鼻咽癌和良性增生的鉴别中获得比有经验的放射科医生更高的总体准确性。

2.3 疗效预测

目前缺乏有效的生物标志物来预测新辅助化疗对局部晚期鼻咽癌患者的早期反应。最近,一些基于MRI图像的影像组学研究来预测放疗和化疗的反应,并探索鼻咽癌患者肿瘤反应与生存之间的关系。YONG等[30]纳入108例接收新辅助化疗的局部晚期鼻咽癌患者建立数据集,将经2个周期新辅助化疗后的鼻咽MRI增强图像与治疗前相比,使用ITK-SNAP软件在MRI增强T1WI序列图像上手动绘制和分割鼻咽肿瘤的感兴趣区域,选择筛选后的ClusterShade_angle135_offset4和Correlation_AllDirection_offshe1_SD两个特征建立预测模型,模型的预测值为0.905。该模型可以很好地预测新辅助化疗在鼻咽癌患者中的敏感性,指导鼻咽癌患者的个体化治疗。

同步放化疗是局部晚期鼻咽癌的标准治疗,与单独同步放化疗相比,诱导化疗可提高局部晚期鼻咽癌的生存率,肿瘤对诱导化疗的反应是鼻咽癌调强放疗后生存的独立预后因素[31],但并非所有患者对诱导化疗反应良好。对无应答者的及时识别将允许更个性化的治疗选择,避免无应答者的毒性和不必要的成本。然而,目前尚无理想的临床特征或生物标志物作为是否诱导化疗的参考。有研究提取了123例非流行地区鼻咽癌患者的基于MRI的影像组学特征,并整合临床数据,通过支持向量机的机器学习方法,将联合T1加权、T2加权和对比增强T1加权MRI图像中筛选出影像学特征,并建立可视化列线图显示了出色的预测价值,且优于仅基于临床数据的列线图模型[32-33]。此外,该研究用多个影像组学特征组合将患者分为高风险组和低风险组,低风险组的无进展生存期明显优于高风险组。

2.4 预后预测

放射治疗是鼻咽癌的主要治疗方式,内侧颞叶作为危及器官不可避免地包含在目标体积中,这往往导致数年后脑损伤。然而目前放疗诱发的颞叶损伤的诊断主要取决于MRI,其诊断价值有限。应采用影像组学方法预测放疗诱发的颞叶损伤,特别是在早期阶段进行识别和预测,并尽早对患者进行干预或预防,从而改善生活质量并延长生存期。ZHANG等[34]基于242例接受放射治疗的鼻咽癌患者的MRI图像,采用Relief和自举算法分别应用于初始和后续特征选择,从每个MRI序列中的内侧颞叶、灰质和白质中提取了非纹理特征和纹理特征。采用随机森林法构建3个放射相关预测模型,模型1、2和3可分别预测进行N1、N2和N3的早期放疗诱导的颞叶损伤,并进行最佳模型挑选。该预测模型具有改善临床医生对患者管理的潜在价值,为临床医生在临床实践中的决策提供参考。

PENG等[35]基于85例Ⅲ～ⅣB期鼻咽癌患者的PET/CT资料进行影像组学分析,从PET/CT图像中提取放射学特征。使用层次聚类将所有特征分组到聚类中,并通过Relief算法选择每个聚类的代表性特征。然后采用顺序浮动前向选择与支持向量机分类器相结合,根据受试者工作特征曲线的曲线下面积推导优化特征集。从中发现20个放射学特征可以区分疾病控制和治疗失败之间的差异,可用于预测局部晚期鼻咽癌的局部区域复发和/或远处转移。SHEN等[36]入组327例非转移性鼻咽癌患者,收集临床和MRI数据构建模型,结果表明,结合采用最小绝对收缩选择算子和递归特征消除选择的影像特征、临床分期和EB病毒DNA水平的模型在预测非转移性鼻咽癌患者的无进展生存期显示出更好的表现。ZHU等[37]入组156例接受调强放疗治疗的鼻咽癌患者,使用多种机器学习方法,从有或没有局部复发患者的治疗前CT图像中提取影像特征,纳入影像特征和临床因素建立局部复发的列线图,结果发现,基于影像特征和临床因素的列线图可以预测鼻咽癌患者调强放疗后局部复发的风险,并为早期临床干预提供证据。ZHANG等[38]探讨MRI影像特征预测晚期鼻咽癌患者疾病进展的可行性,该研究从113例患者的T2加权和对比增强T1加权中提取初始特征,使用最小绝对收缩和选择运算符方法从中选择特征用于构建影像组学的模型,根据曲线下面积评估其预测能力,结果表明,基于MRI的影像特征,在预测晚期鼻咽癌患者发生进展具有较高的准确性。

3 目前影像组学存在的不足

影像组学是肿瘤学中一个既有前途,又具有技术挑战的新兴学科。对于影像组学的研究仍然存在一些局限性[39]：(1)影像组学中图像特征的提取受各种因素影响,其稳定性和可重复性仍不足,需要进一步研究来标准化特征提取。(2)放射特征背后的生物学意义值得探索。一些研究表明,影像组学特征与头颈部鳞状细胞癌中的人瘤病毒表达状态相关,在鼻咽癌中,需要更多的研究来探索影像组学的可解释性,然后才能被广泛采用[40]。(3)影像组学研究的质量控制仍有待提高。PARK等[41]回顾了2018年12月之前在PubMed和Embase发表的有关影像组学的高质量研究,分析发现,相关研究的总体质量和报告是不够的,需要进行科学改进,以表征可重复性、临床效用能力。目的是提高影像组学研究作为诊断和预后预测模型的质量,使影像组学成为医疗决策的有效工具。

4 影像组学的未来前景

影像组学在图像信息采集过程中显示出巨大潜能,而深度学习在图像分析领域显示出巨大的主导潜力,其可以自动分析图像,这是较影像组学最大的优势。许多研究人员已将深度学习引入影像组学,并取得了令人鼓舞的结果,这可能是未来人工智能工具在医学影像中的应用趋势[39]。

随着影像组学技术的增强、公共数据库的扩展及深度学习算法的进步,影像组学必将在未来的临床诊断、治疗和预后中发挥重要作用,为患者的个性化治疗和精准治疗奠定基础[40]。人工智能工具在医疗领域的广泛应用是未来医学一个有希望的趋势。影像组学和人工神经网络可能是实现这一目标的主要方法,也是改善肿瘤临床诊断和治疗策略的宝贵工具[42]。机器学习算法的开发为处理和分析高维图像数据提供了强大的工具。影像组学特征与机器学习相结合,可以实现肿瘤患者的精确分层,为个体化诊断和治疗提供更多证据[16]。

5 总 结

影像组学已广泛应用于鼻咽癌风险分级、分层、鉴别诊断、预后预测、治疗反应预测等方面,取得了良好的效果,并建立了相对成熟的研究方法流程,包括图像分割、特征提取、特征选择、模型建立和评估。但依然存在许多问题,如特征提取的稳定性和可重复性不足,以及缺乏对特征的解释等。影像组学和人工智能的结合,是未来推动基于影像组学预测/预后模型在临床应用的研究方向,具有广阔的应用前景。同时可通过建立鼻咽癌影像组学数据库,通过大数据研究,可更有效地发现影像组学背后的疾病机制,从而推动个体化、智能化治疗。