影像组学的前沿研究与未来挑战
作者:郭翌,余锦华,汪源源,上海市医学图像处理与计算机辅助手术重点实验室;周世崇,常才,复旦大学附属肿瘤医院超声科
由于成像技术的迅速发展,医学影像已成为疾病管理中的重要模式,为临床提供了全面的视角和丰富的信息,在疾病筛查、早期诊断、选择和预后评估等方面发挥着举足轻重的作用。现已知病灶形态或功能上的变化是由患者个体的基因、细胞、生理微环境、生活习惯和生存大环境等诸多因素共同决定的。若在常规影像学诊断基础上,通过深度挖掘数据,寻出疾病的内涵特征,从而反映人体组织、细胞和基因水平的变化,将会对临床医学产生重大影响。基于这一理论,影像组学(radiomics)应运而生。它从医学影像中提取高通量特征来量化肿瘤等重大疾病,在肿瘤表型分型、方案选择和预后分析等方面表现出巨大优势,是临床医学和生物医学工程的研究热点。本文系统梳理影像组学历史,从多方面论述这一学科的应用和发展。
1.影像组学概念及方法框架
张庭 照片2012年,荷兰学者Lambin首次提出影像组学概念,其思想来源于肿瘤异质性。实体肿瘤在基因、蛋白质、细胞、微环境、组织和器官层面上表现出的空间与时间的异质性,使病理学和分子学等有创检测方法结果的准确性及代表性受到限制。医学影像可全面、无创、定量观察肿瘤整体形态,对肿瘤的发展过程和反应随时进行监测,从而为肿瘤异质性问题提供了可靠的解决方案;同时,影像组学假设微观层面的基因或蛋白质模式改变可在宏观影像学特征上有所表达。因此,Lambin认为影像组学为“高通量地从放射影像中提取大量特征,采用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的可挖掘数据空间”。Kumar等进一步扩展,将影像组学定义为“高通量地从CT、MRI和正电子发射型计算机断层显像(positron emissiontomography,PET)中提取并分析大量高级的定量影像学特征”。Doroshow等在Nature ReviewsClinical Oncology发表文章,指出影像组学是转化医学未来发展方向之一。2014年,北美放射学会(Radiological Society of North America,RSNA)峰会主题即为“Radiomics: From Clinical Imagesto Omics”。Gillies在大会主题报告中提及,通过对影像的深入分析可量化微环境,预测肿瘤遗传异质性的程度。他认为,相较于传统的临床医学仅仅从视觉层面解读医学影像,影像组学可深入挖掘图像的生物学本质并提供临床决策支持。近年来,越来越多的学者关注影像组学,在肿瘤诊断、和预后等方面进行探索,取得了大量成果,加快了肿瘤学的临床和转化研究。
影像组学方法框架一般分为5个部分:① 高质量标准化影像学数据获取;② 手动或自动图像分割与重建;③ 高通量特征提取与筛选;④临床预测模型建立;⑤ 构建共享数据库。影像组学是一种大数据分析方法,其研究结果必须在多中心进行验证,对数据的标准化、算法的可重复性和可靠性提出了很高要求,故框架中每一部分都极具挑战。
2.影像组学的临床应用
襄阳区号影像组学通过从不同模态影像中提取高通量特征并加以数据挖掘,可用于肿瘤分子分型、鉴别诊断、方案选择、疗效检测和预后评估等多方面。目前,其在肺癌、头颈癌、乳腺癌、脑肿瘤、直肠癌、食管癌、前列腺癌、肝癌等多种肿瘤疾病中开展了初步探索。
2.1基因、分子标记和病理分型
影像组学认为,肿瘤宏观影像特征与微观基因、蛋白质和分子改变息息相关。2007年,Segal等在Nature Biotechnology发表文章,提出CT影像学特征与原发性肝癌全基因表达之间存在相关性,28个影像学特征可重建78%的基因信息,进而预测肝癌的细胞增殖、肝脏的合成功能和患者的预后,因此肝癌的基因活动可被影像学无损解码。Yoon等通过对539
例肺腺癌患者进行研究,寻CT和PET影像学特征与间变性淋巴瘤激酶(anaplastic lymphoma kinase,ALK)/c-ros原癌基因1酪氨酸激酶(c-ros oncogene 1 receptortyrosine kinase,ROS1)/原癌基因RET (rearranged during transfection proto-oncogene)表达模式之间的关系,发现这些影像学特征在ALK基因阳性与ROS/RET融合基因阳性组之间有显著差异。Gevaert等使用CT影像组学特征预测非小细胞肺癌(non-small cell lung cancer,NSCLC)中突变型表皮生长因子受体(epidermal growthfactor receptor,EGFR),受试者工作特征(receiver operating characteristic,ROC)曲线的曲线下面积(area under curve, AUC)为0.89。其中肺气肿、气道畸形与EGFR野生型有关,而毛玻璃样变预示EGFR突变。Yu等研究脑胶质瘤MRI图像特征与异柠檬酸脱氢酶1 (isocitrate dehydrogenase 1,IDH1)基因突变的关系,在110例二级脑胶质瘤患者术前MRI图像中提取671个高通量特征,筛选出110个高相关特征并建立预测模型,获得80%的IDH1分类准确率。Dang等使用MRI纹理特征预测头颈部鳞状细胞癌的肿瘤抑制蛋白p53,也获得81.3%的准确率。在乳腺癌方面,Wan等和Li等对动态增强MRI (dynamic contrast-enhanced MRI,DCE-MRI)图像开展研究,提取大小、形状、边界、纹理和动力学等特征,分析其与MammaPrint、Oncotype DX等基因检测系统的关联,预测乳腺癌复
宋茜和尼坤发。Zhu等分析了DCE-MRI图像特征与基因突变、微核酸表达、蛋白表达、基因通路表达、复制数变异等肿瘤微观结构的关系。
在分子分型方面,Wu等研究影像组学特征与肺癌组织学亚型(腺癌和鳞状细胞癌)的关系,从350例患者术前CT图像中提取440个形状、大小、灰度和纹理特征,单因素分析发现53个特征与肿瘤组织学显著相关;多因素分析中,特征筛选后由5个最相关特征建立的分类模型所得AUC为0.72。Yang等从MRI T1WI和T2抑水像(T2 fluid-attenuated inversion recovery,T2Flair)横截面、矢状面和冠状面图像中提取了5类共976个纹理特征,采用随机森林分类器进行脑胶质瘤分子分型和12个月生存期预测。Li等提取定量化MRI图像特征,进行浸润性乳腺癌的分子分型。研究发现,侵袭性强的肿瘤较大,内部回声不均匀,增强纹理中熵特征与分子分型相关性更大。进一步,Guo等使用影像组学与基因组学联合预测浸润性乳腺癌的表型,包括病理分级、淋巴结转移和免疫组织化学指标,共提取38个影像组学特征和144个基因组学特征,结果表明基因组学在免疫组织化学指标预测方面表现优异,影像组学更适用于预测病理分级,两种组学的联合应用并没有显著增加预测率。
退休养老金
2.2诊断与鉴别诊断
黄百鸣个人资料简介影像组学是大数据技术与医学影像辅助诊断的有机融合。传统的计算机辅助诊断方法多用于肿瘤筛查和鉴别诊断,而增加了高通量特征和数据挖掘的影像组学方法将有效提高诊断准确率。
Pham等从271例肺癌患者CT图像中提取两类纹理特征,实现了纵隔淋巴结良恶性鉴别,AUC为0.89,灵敏度为75%,特异度为90%。有研究对肺部图像影像数据库(The Lung ImageDatabase Consortium,LIDC)中的CT图像进行高通量特征提取,构建肺癌影像组学预测模型,用于肺癌良恶性评估。进一步,He等对240例孤立性肺结节患者分别采用普通CT和增强CT进行扫查,比较对比剂、重建层厚和卷积核对诊断的影响。结果表明,普通CT扫描、1.25 mm薄层CT和标准卷积核可为孤立性肺结节的诊断提供更多有价值的信息。在头颈肿瘤方面,Brown等将影像组学用于甲状腺结节良恶性鉴别,从多中心采集26例患者的扩散加权成像(diffusion weightedimaging,DWI)数据,从表观扩散系数(apparentdiffusion coefficient,ADC)图像中提取21个纹理特征,建立线性判别分析模型,分类准确率、灵敏度和特异度均超过90%。Fruehwald-Pallama等也将DWI纹理特征用于腮腺肿块的识别。Park等从DCE-MRI参数图中容积转运常数(Ktrans)、速率常数(Kep)和血管外细胞外容积分数(Ve)提取直方图特征用于识别口咽鳞状细胞癌和恶性
淋巴瘤,两种癌症的Ktrans直方图中值和众数,以及Ve直方图的众数、偏度和峰度差异较大。Ve峰度是最有效的识别特征(准确率86%,灵敏度83%,特异度90%)。
小时代演员表和剧照