胸腺瘤CT影像组学研究进展

杜梦颖，杨峰

湖北医药学院附属襄阳市第一人民医院 放射科，湖北 襄阳 441011

引言

胸腺瘤作为胸腺上皮肿瘤的主要疾病类型，在亚洲人中的发病率稍高于其他种族，近年来在我国的发病率呈逐渐上升的趋势[1-2]。根据2015 年WHO 分类体系[3]和Jeong 简化分类[4]，将胸腺瘤分为低危组（A 型、AB型和B1 型）、高危组（B2 型和B3 型）和胸腺癌组（C 型）3 组。不同分组之间的治疗策略不同，预后也不同。低危组通常可以完全切除，并可选择微创或开胸等手术方式，而且通常术后无须辅助放化疗，而高危组胸腺瘤和胸腺癌选择完全切除和微创的概率更小，需要结合手术、放疗和化疗的多学科治疗[5-6]。此外，低危组胸腺瘤的5 年和10 年总生存率明显高于高危组胸腺瘤[7]。因此，术前了解胸腺瘤的危险分类将有助于患者手术方式的选择和治疗计划的制定，改善预后。

穿刺活检是胸腺瘤诊断的“金标准”，但其作为一种侵入性手术，会增加肿瘤包膜破裂和胸膜种植的风险[5]。CT 是诊断胸腺瘤最重要的影像学方法，传统影像学诊断多采用经验性、观察性指标而非客观、量化指标，在胸腺瘤与前纵隔其他病变的鉴别诊断中，以及胸腺瘤各亚型之间的区分中，存在一定局限性[8-9]。CT 影像组学则是将医学图像转化成为可挖掘的高维数据，利用机器学习算法对纹理特征进行提取和分析，并与临床、病理等资料相结合构建预测模型，能在术前无创、客观、便捷、可重复地评估胸腺瘤的侵袭程度[10-11]。

1 影像组学的概念及工作流程

影像组学[12]通常是指从数字医学影像图像的感兴趣区（Region of Interest，ROI）中提取海量影像组学特征并通过机器学习算法进行定量分析，于2012 年由Lambin 等[13]首次提出，其思想来源于肿瘤异质性，最终目标是生成成像生物标志物作为临床决策支持工具。影像组学的主要工作流程[14]可分为图像采集、图像分割与勾画、特征提取、特征筛选与降维、建立模型及数据分析等5 个步骤。在精准医学的新时代，影像组学是一个新兴的转化研究领域，提出了从医学图像中提取的定量信息与临床数据之间的新关联。目前，CT 影像组学研究在肿瘤良恶性鉴别、侵袭程度预测、临床分期、疗效评估及预后随访等方面都效果显著[15-16]。

2 CT影像组学在胸腺瘤中的应用

2.1 辅助鉴别诊断

前纵隔病变种类多样、复杂，其CT 图像特征存在差异，但并不具有特异性，肉眼常难以准确区分及鉴别诊断[17]，无法帮助临床制定合适的治疗方案。因此，需要一种便捷、特异的识别方法来帮助鉴别。谢宇航等[18]提出一种基于CT 平扫图像提取大量量化的影像组学特征并利用机器学习中随机森林（Random Forest，RF）的Bomta 算法，以区分胸腺瘤与前纵隔其他病变，经过多重步骤降维后最终选择4 个差异有统计学意义的影像组学特征；受试者工作特征（Receiver Operating Characteristic，ROC）曲线分析显示4 个组学特征联合检测的曲线下面积（Area Under Curve，AUC）值为0.881，敏感度和特异性分别为75.4%、89.6%，表明基于CT 平扫的影像组学特征对于胸腺瘤及其他前纵隔病变的鉴别诊断有一定的价值及应用潜力。李涵翰等[19]基于术前CT 平扫和动脉期、平衡期3 期图像中提取病变的影像组学特征，通过ROC 曲线分析得出WavEnLLs4、WavEnLLs3、WavEnLLs2 等3 种纹理参数对鉴别前纵隔淋巴瘤和胸腺瘤的诊断价值最高（敏感度为86.67%～93.33%；特异性为100%)，并且研究结果表明基于平扫CT 图像的组学模型对2 种疾病的鉴别价值比基于增强CT 图像的组学模型更高，分析其原因，可能是平扫图像中病灶内血池没有对比剂的干扰，从而提供了相对较多的纹理差异。叶勇军等[20]的研究发现，基于CT 平扫的影像组学列线图模型可以鉴别高密度胸腺囊肿和低危胸腺瘤，可避免将胸腺囊肿误诊为胸腺瘤而切除。Liu 等[21]也同样利用影像组学列线图来鉴别胸腺囊肿和B1、B2 型胸腺瘤，该研究基于CT 平扫和增强图像分别建立2 个Radscore 模型，结果发现增强CT 组合模型在训练集和测试集的AUC 值（0.941、0.938）均高于平扫CT 组合模型的AUC 值（0.933、0.928），表明CT 增强图像的影像组学特征比CT 平扫图像更能反映胸腺囊肿的内部异质性。莫展豪等[22]基于静脉期胸部增强CT 图像影像组学特征构建模型来鉴别胸腺瘤与其他前纵隔肿物，选择Logistic 回归（Logistic Regression，LR）作为特征选择分类器，最终筛选出19 个影像组学特征构建预测模型，训练集（AUC：0.89）和验证集（AUC：0.85）都显示出良好的预测能力，可在一定程度上帮助建立临床治疗策略。

以上研究表明，作为一种定量方法，CT 影像组学特征分析可以提供补充的诊断信息，帮助识别医学图像中人眼无法察觉的细微差异。利用CT 影像组学建立预测模型能够对前纵隔病变进行准确鉴别，这种新技术可以克服传统影像特征定性解释的局限性。

2.2 预测侵袭程度

胸腺瘤病理分型简易分为低危组（A、AB 和B1）、高危组（B2 和B3）和胸腺癌组（C）3 组，传统影像学特征常难以准确区分，因此，如何基于CT 检查图像采用客观、量化的指标对胸腺瘤进行更为准确的风险类别评估，是目前胸腺瘤相关影像研究的重要内容之一[23]。Yasaka 等[24]、Iannarelli 等[25]发现基于CT 平扫图像的影像组学特征可以区分低危组和高危组胸腺瘤，表明影像组学模型对胸腺瘤进行组织学分型有一定可行性。黄金超[8]对225 例患者CT 平扫图像进行研究，发现有5 组常规影像学特征在低危组与高危组胸腺瘤中具有相关性（P＜0.05），经SVM 机器学习建模后，影像组学模型测试集AUC（0.701）较临床模型AUC（0.588）高，因此与常规影像学特点相比，影像组学预测模型具有更高区分高危组与低危组的能力。Feng 等[26]的研究证明，临床特征的加入可以进一步提高影像组学模型的分类效率，该研究基于509 例患者CT 平扫图像提取的影像组学特征，使用14 种机器学习方法，结合临床变量建立临床-影像组学模型，结果发现支持向量机（Support Vector Machine，SVM）模型在预测胸腺瘤风险分类方面表现最佳，测试集AUC 达到0.844（95%CI：0.793～0.894)，高于单组学模型，表明影像组学特征和临床特征的结合产生了更好的性能。

增强CT 能更好地反映肿瘤的内部血流动力学特点，张明山等[27]认为，胸腺瘤的强化程度与简化组织学分型具有明显相关性，增强程度越高，肿瘤的侵袭程度越低，低危组的胸腺瘤可能性更大。因此，利用增强CT 图像提取影像组学特征或许能更好地反映肿瘤的异质性。沈洁等[28]基于增强CT 影像组学特征鉴别诊断B3 型胸腺瘤与胸腺癌，采用SVM 和RF 2 种方法构建诊断预测模型，发现二者均具有较好的预测潜力（AUC分别为0.81、0.91），其中RF 效果更好。但此研究只对病灶动脉期CT 图像的最大层面进行二维分割，提取的CT 影像组学特征较局限。相较于二维定量分析，三维勾画肿瘤ROI 可能提取到不同的影像组学特征以及空间特性，分类精度会有所提高，能更好地反映肿瘤的整体特征[29]。Lee 等[30]通过增强CT 三维重建图像的形态学分析来区分侵袭性胸腺瘤和非侵袭性胸腺瘤，如胸腺瘤的球形、离散致密度和圆形，研究发现，与单独的临床和CT 特征（AUC 为0.666，95%CI：0.626～0.707）相比，三维形状特征与常规临床和CT 特征的联合显著提高了侵袭性和非侵袭性胸腺瘤的鉴别性能（AUC 为0.955，95%CI：0.935～0.975，P＜0.001)。

Ohira 等[31]从CT 平扫和增强图像中提取了与低危组胸腺瘤、高危组胸腺瘤和胸腺癌组相关的7 个最重要的影像组学特征：灰度共生矩阵（Gray Level Cooccurrence Matrix，GLCM）同质性、GLCM 能量、致密性、大区域高灰度强调、硬度、短轴长度和峰度，其中，GLCM 能量和硬度对于预测胸腺癌具有高度的特异性，特别是在比较高危胸腺瘤和胸腺癌时，GLCM 能量是与胸腺癌相关的独立指标，该特征代表了图像灰度基于体素的变化，可以定量地反映肿瘤的复杂性和异质性。Dong 等[32]的研究证明，联合增强CT 影像组学特征和临床变量的机器学习模型建立影像组学列线图能更有效地预测不同风险胸腺瘤的分类，该研究是从CT 增强图像中提取影像组学特征，采用最小绝对收缩和选择算子算法筛选出具有代表性的特征，基于这些特征构建了LR、SVM、RF、决策树和梯度增强决策树等5 个胸腺瘤风险预测模型，其中LR 模型表现出最高的AUC 值（0.819），表明其是最优高效模型。

以上研究表明，影像组学模型能够在一定程度上客观有效地区分胸腺瘤的病理分型，临床及CT 影像学特点联合影像组学特征的模型性能更佳，CT 增强图像及三维立体勾画能使提取的影像组学特征更加丰富，所得预测模型更加完善、全面。此外，选择合适的机器学习方法对于建立一个更精确和临床适用的模型尤为重要。

2.3 评价临床分期

临床上应用最广泛的胸腺上皮肿瘤分期系统包括Masaoka-Koga（MK）分期和TNM 分期，将Ⅰ、Ⅱ期定义为早期，Ⅲ、Ⅳ期定义为进展期[33]。早期胸腺瘤仅局限在胸腺或浸润纵隔胸膜周围的脂肪组织，进展期胸腺瘤通常会侵犯进入邻近的器官和血管，甚至发生远处转移[34]。胸腺瘤术后MK 分期对评估手术风险非常重要，以往一些研究表明，新辅助治疗为Ⅲ期胸腺瘤患者提供了生存益处[35]。因此，胸腺瘤MK 分期的术前预测可以指导新辅助治疗的决定。

Marom 等[36]认为，CT 成像特征可以区分MKⅠ/Ⅱ期和MK Ⅲ/Ⅳ期胸腺瘤。然而，仅通过肉眼识别CT 图像上的肿瘤对周围组织的浸润具有挑战性。Wang 等[37]基于平扫和增强CT 图像的影像组学分析鉴别早期胸腺瘤和进展期胸腺瘤，使用3D slicer 软件勾画ROI 并提取影像组学特征，使用最小绝对收缩和选择算子法逻辑回归模型和10 倍交叉验证进一步进行特征选择和放射组学特征构建，研究发现基于CT 平扫图像构建的模型（AUC 为0.829）和基于CT 增强图像构建的模型（AUC 为0.86）具有良好的预测效能，其判断的准确度优于放射诊断医生。Yang 等[34]利用CT 平扫图像来预测胸腺瘤分期Ⅰ期及Ⅱ期，通过2 种分割方法（细分标签分割法及边界标签分割法）建立的人工神经网络深度学习预测模型AUC 值分别为0.966、0.951，均高于通过传统CT 征象建立的预测模型，表明影像组学特征在预测胸腺瘤临床分期方面优于CT 特征，该研究得出结论，深度学习在胸腺瘤术前分期方面具有巨大潜力，与视觉观察相比，显著提高了MK Ⅰ期和Ⅱ期胸腺瘤之间的识别能力，可以帮助指导手术治疗并改善临床结果。

在预测胸腺瘤TNM 分期中，Araujo-Filho 等[38]基于增强CT 图像，使用ITK-SNAP 软件勾画ROI，使用CERR 软件提取影像组学特征，通过LR 建模，最终影像组学模型AUC 值为0.708，表现良好。此外，该研究还构建了预测胸腺瘤可切除性的模型，根据术后边缘是否残留肿瘤组织分为完全切除组及不完全切除组，模型AUC 值达0.803，有较好的预测效能。

以上研究表明，影像组学模型对胸腺瘤临床分期具有很好的预测效能，其判断的准确度优于传统CT 特征，还可以预测胸腺瘤完全切除的可能性，为临床提高帮助。

3 总结与展望

尽管很多研究证实了影像组学在胸腺瘤相关领域中的价值，但其作为一种新兴研究方法，目前处于发展阶段，仍存在一些问题和局限性。首先，大部分研究都是单中心小样本研究。影像组学的研究需要大量的样本数据来建立准确的模型，但是，获取大规模样本存在一定困难，而且单中心研究缺乏外部验证，无法保证模型的稳定性和可重复性。未来可以采取多中心合作，通过多个医疗机构共享数据，增加样本数量，促进研究者之间的合作，共同建立更大规模的数据库。其次，医学影像数据的质量和纹理特征的准确性对于影像组学研究至关重要，然而，数据可能存在噪音、伪影或缺陷，且手动勾画费时、重复性差。这些可以通过严格的质量控制和使用一致性检验来确保数据的准确性和一致性，开发自动化的图像分割工具来提高效率。最后，近年来CT 影像组学在胸腺瘤鉴别诊断、组织学分型、临床分期研究较多，也取得了一些成果，但在胸腺瘤疗效评估、预后预测及基因组学方面的研究较少，未来研究方向可涉及以上胸腺瘤相关领域，使胸腺瘤相关研究更加全面，争取尽早在临床实践中进行推广应用。