影像组学列线图在卵巢肿瘤诊断中的应用

张嘉婧，令狐华

（重庆医科大学附属第一医院妇科 重庆 400016）

由于肿瘤内异质性的影响，卵巢肿瘤在细胞增殖、侵袭、转移能力及对治疗的敏感性方面表现不同[1]。其中卵巢恶性肿瘤病死率居妇科恶性肿瘤之首。据报道，全世界每年约有23 万名女性被确诊为卵巢癌，15 万人因此死亡[2]。早期卵巢癌临床症状并非典型，约70%的患者就诊时已有盆腹腔的广泛转移。晚期患者的5 年相对生存率为29%，而早期患者的相对生存率为92%[3-4]。因此早发现、早诊断、早治疗对卵巢癌患者至关重要。多项研究表明，超声、计算机断层扫描（computed tomography，CT）、正电子发射断层扫描（positron emission tomography-CT，PET-CT）及磁共振成像（magnetic resonance imaging，MRI）为卵巢癌术前诊断提供可靠依据[5-6]。然而，影像学检查结果描述是定性的过程，其准确性受多因素影响。影像组学能快速大量提取特征，建立预测模型，对疾病的诊断、分期、治疗、预后等进行综合评估[7-8]。列线图模型是临床预测模型的常见表现形式之一[9-11]。本文就近年来影像组学列线图模型在卵巢肿瘤诊断中的应用做总结论述。

1 卵巢肿瘤诊疗概述

根据组织学特征，卵巢肿瘤主要分为上皮性卵巢肿瘤、生殖细胞肿瘤以及性索间质肿瘤三大类。其中卵巢恶性肿瘤具有高度异质性，其异质性的程度与患者预后呈负相关[12]。指南推荐，卵巢肿瘤的确诊金标准为病理检查。获得病理检查结果的途径主要包括：手术探查、胸腔、腹腔或阴道后穹隆穿刺[13]。

2 影像组学概述

影像组学是从医学影像中获取高通量的定量特征，采取自动或半自动分析方法将影像学数据转化为具有高分辨率、可挖掘的空间数据，从而进行诊断或预后的相关性的研究[7-8]。工作流程如下。

2.1 获取图像

通过影像成像，依据标准化协议对图像进行预处理[14]。

2.2 图像分割

获取的图像将被划分成多个特征区域，定义为感兴趣区（ROI）。划分方式包括手动分割、半自动分割和自动分割[15]。其中，半自动分割最常用。

2.3 特征提取

影像组学特征包括形态特征、一阶特征、纹理特征等[16]。形态特征包括描述ROI 大小、与球体相似程度的特征。一阶特征是描述与ROI 的体素强度分布相关的特征。纹理特征是描述体素空间分布强度的特征。

2.4 筛选特征

由于提取出来的特征量大且维数过高，直接进行机器学习容易出现过度拟合，因此需要对特征进行降维筛选得到与临床研究相关的特征。常见的降维算法有主成分分析法、最小冗余最大相关性、最小绝对收缩选择算子、递归特征消除[8]。

2.5 建立模型

研究者分析及整理影像组学特征，与临床病理信息、基因蛋白信息等结合，采用统计学方法，建立预测模型。常见的建模方法如下：逻辑回归函数法、线性判别分析、支持向量机、决策树、随机森林、梯度提升决策树[17]。

3 列线图概述

列线图以多因素回归分析为基础，整合多个影响因素，根据影响因素对结局变量的贡献大小，对其取值水平评分，相加得到总评分，通过总评分与结局变量发生概率之间的函数转换关系计算出对结局事件的预测值[9]。列线图能够将复杂的回归方程转化成可视化的简单图形。初步建立的列线图模型都应经过充分的验证明确其适用性。应该用多个队列数据进行验证，尽量减小选择偏倚所带来的误差。模型构建之后，需要借助特定的指标来评价其实用性。

4 影像组学列线图鉴别卵巢肿瘤性质

4.1 鉴别上皮性卵巢癌与非上皮性卵巢癌

Cheng 等[18]为明确影像组学鉴别性索间质肿瘤与上皮性卵巢癌的能力，利用单因素及多因素分析来确定临床特征及常规MR 参数中的独立预测因素。结果显示，结合临床特征及影像组学特征的列线图性能最佳，训练集及验证集的AUC 分别为0.934 和0.875。上皮性卵巢肿瘤与性索间质肿瘤、生殖细胞肿瘤生物学特性差异明显，治疗方案也大相径庭。该研究的列线图模型可以为医生制定诊疗方案提供参考。Zhu 等[19]已尝试探讨基于CT 图像的影像组学方法能否准确鉴别上皮性卵巢癌与非上皮性卵巢癌。他们采用多变量回归分析发现年龄和CA125 水平是鉴别EOC 及NEOC 的独立预测因子。综合临床特征和放射组学特征的列线图模型的AUC 值为0.869。综上所述，基于不同检查技术的影像组学列线图模型在鉴别卵巢癌是否为上皮性来源方面都有较高的诊断效能。

4.2 鉴别卵巢Ⅰ型癌与Ⅱ型癌

2002 年，Singer 等[20]首次提出卵巢浆液性癌发生的分类模型。一条途径是浆液性交界性肿瘤逐渐演变为侵袭性微乳头状浆液性癌；另一种途径是从卵巢表面上皮快速进展为高级别浆液性癌。但此种分类模型主要适用于浆液性癌。Shih 等[21]将两级分类推广到其他组织学类型，将上皮性卵巢癌分为Ⅰ型和Ⅱ型。Ⅰ型癌多为早期，生长缓慢、低侵袭性、预后好；Ⅱ型癌无逐步发展模式，生长迅速、侵袭性高、预后差。因此，若能在术前无创性预测卵巢癌的分型，将为临床决策提供帮助。Wei 等[22]研究纳入5 个研究中心的卵巢癌患者，以深度学习算法为基础，建立列线图模型，结果表明列线图模型较临床模型与影像组学模型都提供了更佳的鉴别准确度和临床应用价值。超声检查也是常用的鉴别方法，Tang 等[23]研究了超声影像组学鉴别Ⅰ型和Ⅱ型卵巢癌的能力，研究以多因素回归分析为基础，建立列线图模型，训练集中放射学组学模型和列线图模型曲线下面积（AUC）分别为0.817 和0.982，测试集中二者的AUC 分别为0.731和0.886。综上所述，基于超声放射组学的列线图模型可以较为准确地在术前预测上皮性卵巢癌分型。同年，Yao等[24]的研究也得到了类似的结论，且校正曲线表明列线图预测值与实际观测值基本一致。马春雨等[25]的研究则纳入术前完善能谱CT 检查的患者，与常规CT 相比，其提供了更多的分析工具和定量指标，该研究筛选出有统计学意义的能谱参数，建立能谱CT 参数模型，于动静脉期碘基图提取影像组学特征，得到Rad-score 公式，随后构建包含临床特征、能谱CT 参数、影像组学特征的列线图模型。列线图模型在训练集和验证集中的AUC 为0.935、0.938，灵敏度 0.926、0.913，特异度为0.871、0.857，均高于其他3 组单独的模型，校正曲线表明列线图预测上皮性卵巢癌（EOC）分型概率与真实概率吻合较好。宋小玲等[26]研究了纹理分析（TA）在上皮性卵巢癌分型的价值，研究发现各项纹理参数中，基于T2WI的熵对Ⅰ型EOC 和Ⅱ型EOC 的鉴别诊断价值最大。上述研究表明，同样是影像组学相关研究，尽管研究目的及参考标准一致，不同的研究设计结果所呈现的样式仍有差异。但不能否认的是，无论是列线图模型还是影像组学纹理特征，都能较为准确地预测EOC 分型。

5 总结与展望

随着成像技术的进步，人工智能技术的运用，以此为基础建立联合临床特征及放射组学特征的列线图模型在不同临床结局预测方面都表现出不俗优势。影像组学的每一步操作精确度决定了该项工作结果的可靠性。因此，有研究者提出影像组学质量评分（RQS）来量化其质量[8,27-28]。Ponsiglione 等[29]的研究系统性分析了影像组学在卵巢疾病中的应用价值，结果显示94%的研究集中在肿瘤学领域，CT 检查是最常用的影像检查，RQS 总分的中位数仅为6 分（满分36 分），这是因为多数研究缺乏前瞻性评估。综上所述，本文发现以影像组学为基础，联合临床特征绘制出的列线图模型在卵巢肿瘤的诊断与鉴别诊断中表现出较好性能。然而影像组学需要精细化的操作，忽略任何细节都有可能影响结果的准确性，且多数研究为回顾性研究，纳入的样本不足以反映真实情况，因此需要更多大样本的前瞻性研究来验证其适用性及准确性。