影像組學(xué)在卵巢腫瘤中的研究進(jìn)展

魏明翔，柏根基，郭莉莉

作者單位：

南京醫(yī)科大學(xué)附屬淮安第一醫(yī)院影像科，淮安 223300

卵巢腫瘤是常見的婦科腫瘤，根據(jù)其組織來源可以分為上皮性腫瘤、性索間質(zhì)腫瘤、生殖細(xì)胞腫瘤、轉(zhuǎn)移性腫瘤及其他腫瘤[1]。又可根據(jù)其是否具有異常增殖分化及侵襲性分為惡性、交界性和良性腫瘤[2]。卵巢良性腫瘤預(yù)后較好，而大多數(shù)卵巢惡性腫瘤預(yù)后較差。其中，上皮性卵巢癌占卵巢惡性腫瘤的90%[3]，也是女性惡性腫瘤中致死率最高的一類。卵巢癌可分Ⅰ型和Ⅱ型[4]，Ⅰ型癌癥通常表現(xiàn)為臨床進(jìn)程緩慢，而Ⅱ型癌癥具有高度侵襲性。卵巢癌有很高的復(fù)發(fā)可能性，進(jìn)行預(yù)后及轉(zhuǎn)移預(yù)測(cè)對(duì)臨床決策也起到十分重要的作用。因此對(duì)于卵巢腫瘤進(jìn)行良惡性分類，對(duì)卵巢癌進(jìn)行分型和分期以及對(duì)預(yù)后進(jìn)行精準(zhǔn)預(yù)測(cè)在臨床實(shí)踐中尤為重要。

影像學(xué)方法如超聲、CT和MRI等由于其方便無創(chuàng)，已經(jīng)廣泛應(yīng)用于卵巢腫瘤的診斷及腫瘤評(píng)估中[5-8]。然而，傳統(tǒng)影像診斷很大程度取決于影像科醫(yī)生的經(jīng)驗(yàn)，從而缺乏客觀性。此外，有些可以反映腫瘤特異性的影像特征無法被肉眼識(shí)別，從而造成臨床診斷或決策的困難。影像組學(xué)的方法較傳統(tǒng)影像學(xué)方法更具有客觀性，它從傳統(tǒng)的醫(yī)學(xué)影像中提取高通量的影像特征來定量分析疾病，特別是腫瘤類疾病，從而為卵巢腫瘤的臨床診療提供一個(gè)新的思路。

1 卵巢腫瘤影像組學(xué)(radiomics)分析方法概述

1.1 概念

“影像組學(xué)”這一術(shù)語由Lambin等[9]于2012年首次提出，是指從醫(yī)學(xué)影像中提取定量特征，以提高圖像的診斷、預(yù)測(cè)和預(yù)測(cè)精度的各種技術(shù)。Gillies等[10]將影像組學(xué)進(jìn)一步定義為：使數(shù)字醫(yī)學(xué)影像圖像轉(zhuǎn)化為高通量的數(shù)據(jù)，并挖掘這些數(shù)據(jù)用以改進(jìn)醫(yī)學(xué)決策的方法。近年來，人工智能技術(shù)的高速發(fā)展，促進(jìn)了影像組學(xué)分析在臨床決策中的應(yīng)用[11]。如今的影像組學(xué)憑借其對(duì)高通量影像特征的挖掘與分析，已廣泛應(yīng)用于腫瘤等疾病的鑒別診斷、臨床分期、甚至預(yù)后分析[10]。

1.2 醫(yī)學(xué)圖像的獲取、預(yù)處理及分割

醫(yī)學(xué)圖像的獲取與預(yù)處理是影像組學(xué)分析的第一步，圖像信息可以來自于各種影像設(shè)備，如超聲、CT、MRI及PET等。由于卵巢腫瘤患者臨床表現(xiàn)差異較大，往往需要依據(jù)實(shí)際情況選擇不同的掃描設(shè)備，因此影像圖像還需要進(jìn)行預(yù)處理(重采樣、標(biāo)準(zhǔn)化及高通濾波等)，使得不同患者的影像圖像具有相同的標(biāo)準(zhǔn)，如同一層厚或矩陣大小。第二步就是圖像感興趣區(qū)(region of interest，ROI)的分割。分割ROI十分關(guān)鍵，因?yàn)橛跋窠M學(xué)特征的提取是來源于所勾畫的ROI。目前，ROI的分割主要分為手動(dòng)分割、半自動(dòng)分割及全自動(dòng)分割的方法[12]。半自動(dòng)及自動(dòng)分割方法速度快，但缺乏精度，易受到病灶周圍因素的影響。部分卵巢腫瘤患者往往伴有腹水，這就造成自動(dòng)及半自動(dòng)分割方法很難實(shí)施，因此手動(dòng)分割目前依然是分割卵巢腫瘤ROI的主流方法。提取的ROI可以是二維也可以是三維的。大多數(shù)關(guān)于卵巢腫瘤的影像組學(xué)研究提取的三維ROI，但相當(dāng)多的卵巢腫瘤病灶體積較大，三維ROI的提取耗費(fèi)時(shí)間及人力，因而亦有研究提取病灶直徑最大的一個(gè)層面來代替整個(gè)病灶[13]。

1.3 特征提取

ROI分割完畢后，最主要的步驟就是影像組學(xué)特征的提取，卵巢腫瘤的影像特征提取并無特殊性。影像組學(xué)特征分為兩大類：語義特性(semantic features)和不可知特征(agnostic features)。前者是指放射科醫(yī)生影像描述中常用的特征，如形狀、大小、邊緣和位置等。后者是指用數(shù)學(xué)方法從圖像中提取的特征，又可細(xì)分為一階、二階和高階特征[14]。一階特征與單個(gè)體素值有關(guān)，如直方圖特征，包括一致性、能量、熵、偏度、最大值、最小值、均值、標(biāo)準(zhǔn)差等。二階特征，是基于描述空間強(qiáng)度分布的矩陣，分析圖像中感興趣區(qū)域內(nèi)像素或體素灰度級(jí)的分布和關(guān)系所形成，如灰度共生矩陣(grey level co-occurrence matrices，GLCM)特征[15]、運(yùn)行長(zhǎng)度矩陣(run length matrix，RLM))特征及灰度大小矩陣(graylevel size zone matrix，GLSZM)特征等[16]。高階特征，即對(duì)圖像進(jìn)行濾波，提取重復(fù)或非重復(fù)特征。如小波變換特征(wavelets)等。

1.4 特征分析

提取特征的數(shù)量往往與研究目的與方法有關(guān)，如直方圖分析(histogram analysis，HA)只需要提取一階直方圖即可。如果分析的特征數(shù)量達(dá)成百上千個(gè)，如紋理分析(texture analysis，TA)等，常常需要通過機(jī)器學(xué)習(xí)或統(tǒng)計(jì)分析的方法進(jìn)行建模，包括logistic回歸模型、支持向量機(jī)(support vector machine，SVM)、隨機(jī)森林或神經(jīng)網(wǎng)絡(luò)等。如何對(duì)高通量的特征進(jìn)行降維(即剔除多余或無用的特征)以及選擇合適的方式建模，需要影像科醫(yī)師和人工智能專業(yè)領(lǐng)域人才的通力合作。目前有關(guān)卵巢腫瘤的研究中，單純直方圖分析[17-21]或單純紋理分析[22-24]均有較多應(yīng)用。近年來，隨著研究技術(shù)的提高，卵巢腫瘤的影像組學(xué)研究往往綜合分析形態(tài)學(xué)特征，直方圖特征及紋理特征[13，25-26]。

2 影像組學(xué)在卵巢腫瘤中的應(yīng)用

2.1 腫瘤良惡性分類

基于MRI的影像組學(xué)分析有助于卵巢腫瘤良惡性的分類。Zhang等[13]研究了基于MRI影像組學(xué)分析的方法對(duì)良惡性卵巢腫瘤的分類，該研究從286位卵巢腫瘤患者的MRI圖像中提取1714個(gè)影像組學(xué)特征(包括形態(tài)學(xué)特征，直方圖特征及紋理特征)，通過機(jī)器學(xué)習(xí)的方法建立影像組學(xué)模型，結(jié)果顯示在交叉驗(yàn)證隊(duì)列中，影像組學(xué)模型的準(zhǔn)確率為0.90，在獨(dú)立驗(yàn)證隊(duì)列中，其準(zhǔn)確率為0.87，表明了基于MRI的影像組學(xué)分析有助于卵巢腫瘤的良惡性分類。除此之外，單純的直方圖分析或單純紋理分析亦有助于鑒別卵巢腫瘤良惡性。Carter等[17]通過對(duì)磁共振T2加權(quán)圖像的直方圖分析表明，均值、標(biāo)準(zhǔn)差、偏度和峰度這四個(gè)直方圖特征的線性組合比單純測(cè)量平均T2值能夠更好地對(duì)卵巢腫瘤的良惡性進(jìn)行分類，AUC分別為0.90及0.81。Mimura等[18]研究表明，基于ADC的直方圖分析有助于卵巢交界性腫瘤及卵巢癌的鑒別診斷，并且在該研究分析的直方圖特征中，第10百分位ADC值具有最佳的診斷性能(P=0.003，AUC=0.854)。MRI紋理分析也有助于卵巢腫瘤良惡性的鑒別。董天發(fā)等[22]研究者通過基于磁共振T2WI的紋理分析方法，分析了卵巢腫瘤影像中實(shí)性成分的GLCM紋理特征，結(jié)果表明GLCM特征中的能量、逆差距、對(duì)比以及熵有助于對(duì)卵巢實(shí)性腫瘤進(jìn)行良惡性分類(P＜0.05)。

不僅僅是MRI，研究發(fā)現(xiàn)基于超聲圖像的影像組學(xué)方法也可對(duì)卵巢腫瘤良惡性進(jìn)行分類。2012年Faschingbauer等[23]對(duì)105例卵巢腫瘤病灶的超聲圖像提取紋理特征，通過SVM的方法分析紋理特征，并對(duì)卵巢腫瘤的良惡性及惡性程度進(jìn)行自動(dòng)分類，并將其性能與具有不同水平超聲經(jīng)驗(yàn)的檢查人員的主觀評(píng)價(jià)進(jìn)行比較，結(jié)果表明，紋理分析的診斷表現(xiàn)明顯好于經(jīng)驗(yàn)較低(P=0.02)或中等(P＜0.01)水平的醫(yī)師。此后，Aramendía-Vidaurreta等[24]提出了一種基于超聲影像的卵巢腫瘤良惡性自動(dòng)判別方法，該研究通過提取卵巢腫瘤超聲圖像中七種不同類型的影像組學(xué)特征，利用深度學(xué)習(xí)的方法對(duì)這些特征進(jìn)行分析，從而得到卵巢腫瘤良惡性的分類模型，其準(zhǔn)確度為98.78%，靈敏度為98.50%，特異度為98.90%，曲線下面積為0.997。Pathak等[27]利用小波變換對(duì)卵巢腫瘤超聲圖像進(jìn)行去噪，利用GLCM提取灰度紋理特征，通過SVM的方法對(duì)提取的特征進(jìn)行分析得到分類模型，并通過60例患者的惡性和良性圖像驗(yàn)證了該方法的有效性，從而為卵巢腫瘤的分類提供了可靠的方法。

目前，影像組學(xué)方法在卵巢腫瘤良惡性的分類研究大多基于MRI及超聲，其中MRI具有良好的軟組織分辨率，人為因素干擾較少所以應(yīng)用較為廣泛。雖然影像組學(xué)的方法尚不能達(dá)到病理診斷的精確程度，但這一方法可以輔助卵巢腫瘤的術(shù)前診斷，對(duì)于手術(shù)方式及治療方案的選擇有很大意義。

2.2 卵巢癌的分期與分型

Zhang等[13]通過基于MRI影像組學(xué)分析的方法表明，從冠狀T2WI圖像上提取的部分紋理特征有助于鑒別Ⅰ型及Ⅱ型卵巢癌，放射組學(xué)模型的準(zhǔn)確率為0.93，獨(dú)立驗(yàn)證隊(duì)列準(zhǔn)確率為0.84，表明了影像組學(xué)方法有助于卵巢癌分型的判斷。此外，單純的直方圖分析也有助于評(píng)價(jià)或預(yù)測(cè)卵巢癌的分級(jí)、分型。Wang等[19]納入52例經(jīng)組織病理學(xué)證實(shí)的卵巢癌患者術(shù)前MRI影像進(jìn)行研究，提取圖像的形態(tài)學(xué)特征及直方圖特征，結(jié)果表明基于ADC、真擴(kuò)散系數(shù)及分布式擴(kuò)散系數(shù)的直方圖分析模型有助于鑒別Ⅰ型和Ⅱ型卵巢癌。此后，Wang等[20]進(jìn)一步分析了特定的ADC直方圖特征對(duì)于卵巢癌分期及Ki-67及P53表達(dá)類型的鑒別效能。該研究納入49例卵巢癌患者，并提取術(shù)前ADC圖像的直方圖特征，結(jié)果表明ROI的平均ADC值、中位數(shù)、第10和第90百分位數(shù)位ADC值這四個(gè)直方圖特征有助于Ⅰ期卵巢癌的鑒別(P＜0.05)，且晚期卵巢癌患者直方圖參數(shù)低。該研究還發(fā)現(xiàn)表達(dá)P53陽性的卵巢癌的ADC直方圖參數(shù)的值普遍降低，Ki-67標(biāo)記指數(shù)與ADC直方圖參數(shù)的值呈顯著負(fù)相關(guān)。

因此，基于MRI的影像組學(xué)分析可以為卵巢癌的分期與分型判斷提供依據(jù)。然而，目前為止，基于CT及超聲的相關(guān)研究較少，這值得未來進(jìn)一步探索。

2.3 預(yù)后分析

在臨床實(shí)踐中，對(duì)卵巢腫瘤患者預(yù)后的預(yù)測(cè)也是當(dāng)前影像組學(xué)研究的熱點(diǎn)。在基于MRI的研究中，Kyriazi等[21]分析了42例轉(zhuǎn)移性卵巢腫瘤的ADC圖的直方圖特征，包括平均ADC值、第10%、25%、50%、75%和90% ADC值、偏度以及峰度，結(jié)果表明早期ADC值的升高(P＜0.001)，及后期偏度和峰度這兩個(gè)特征參數(shù)的降低是轉(zhuǎn)移性卵巢腫瘤化療后的特征，從而有利于早期監(jiān)測(cè)晚期卵巢癌患者的治療效果。此外，Zhang等[13]通過基于MRI影像組學(xué)的方法建立卵巢癌患者生存分析模型，該研究通過對(duì)Kaplan-Meier圖的觀察，獲得了與患者生存狀態(tài)最相關(guān)的MRI影像組學(xué)特征，接著用Lasso回歸方法對(duì)組學(xué)特征進(jìn)行分析建模，結(jié)果表明這一影像組學(xué)模型也為卵巢腫瘤患者可以提供高精度的生存評(píng)估?；贑T的影像組學(xué)方法也為卵巢腫瘤患者預(yù)后的預(yù)測(cè)提供了有價(jià)值的線索。Vargas等[25]研究了38例高級(jí)別漿液性卵巢癌患者CT圖像的影像組學(xué)特征與預(yù)后的相關(guān)性。該項(xiàng)研究提取了CT圖像ROI內(nèi)的直方圖特征及紋理特征等12項(xiàng)影像組學(xué)特征，通過決策樹及最小絕對(duì)收縮選擇算子算法對(duì)高通量的影像組學(xué)特征進(jìn)行降維，采用Kaplan-Meier方法對(duì)總生存率的曲線進(jìn)行估計(jì)，結(jié)果表明定量的影像組學(xué)特征可以準(zhǔn)確預(yù)測(cè)高級(jí)別漿液性卵巢癌患者的預(yù)后(P＜0.05)。Rizzo等[26]探究了是否單一或結(jié)合臨床參數(shù)的影像組學(xué)特征分析與高級(jí)別漿液性卵巢癌變手術(shù)后腫瘤殘余相關(guān)，并預(yù)測(cè)患者12個(gè)月內(nèi)疾病進(jìn)展的風(fēng)險(xiǎn)。該研究從105例高級(jí)別漿液性卵巢癌患者的CT圖像上繪制的三維感興趣區(qū)中提取卵巢腫塊的516個(gè)影像組學(xué)特征(包括形態(tài)學(xué)特征，直方圖特征及紋理特征)，使用分層聚類程序分組，并評(píng)價(jià)各組具有代表性的影像組學(xué)特征與術(shù)后腫瘤殘余及疾病進(jìn)展的相關(guān)性，采用多元logistic回歸模型比較影像組學(xué)模型與臨床模型的價(jià)值。結(jié)果表明，基于CT的影像組學(xué)分析有助于預(yù)測(cè)短期結(jié)果以及早期復(fù)發(fā)的出現(xiàn)(12個(gè)月內(nèi))，并且，包含臨床和影像組學(xué)特征的模型比單獨(dú)的臨床特征表現(xiàn)得更好。

當(dāng)前的研究已經(jīng)表明，影像組學(xué)的方法在研究卵巢腫瘤患者預(yù)后具有很大的前景，但目前研究大多是回顧性研究，且尚無研究成果適用于臨床實(shí)踐。預(yù)后的分析有助于治療方案的選取以及療效的判斷，但預(yù)后分析是卵巢腫瘤特別是卵巢癌臨床研究的難點(diǎn)，因此影像組學(xué)的在這一方向值得更深入的探索。

3 挑戰(zhàn)與前景

影像組學(xué)是一種新興的方法，在卵巢腫瘤中的應(yīng)用仍然處于探索階段。目前，最大的問題在于尚無對(duì)影像組學(xué)研究方法進(jìn)行標(biāo)準(zhǔn)化[28]。在不同的平臺(tái)和研究中，掃描設(shè)備及參數(shù)設(shè)置、影像圖像的預(yù)處理、分割ROI的方式以及特征提取等過程差異很大，因此很難對(duì)這些結(jié)果進(jìn)行比較和重現(xiàn)[29-30]。因此，在未來的研究中，標(biāo)準(zhǔn)化影像組學(xué)分析的每個(gè)環(huán)節(jié)以獲得高質(zhì)量的影像組學(xué)特征，才會(huì)得到更客觀精確的結(jié)果，且更有利于這類方法在臨床實(shí)踐中的普及。其次，卵巢腫瘤由于其病理分型的多樣化，很多腫瘤呈多中心、大體積、形態(tài)不規(guī)則及伴腹水等影像表現(xiàn)，所以手工勾畫ROI費(fèi)時(shí)費(fèi)力。然而，目前尚無可以精準(zhǔn)地自動(dòng)分割整個(gè)腫瘤的軟件。研究表明，乳腺病灶MRI自動(dòng)分割已日趨成熟[31]。基于CT的肺腫瘤半自動(dòng)方法與手工分割無明顯差異[32]。因此，對(duì)于卵巢腫瘤影像精準(zhǔn)的半自動(dòng)化及自動(dòng)化分割方法值得進(jìn)一步研究。最后，對(duì)于卵巢腫瘤的影像組學(xué)研究還存在樣本量較少的問題。對(duì)多個(gè)基于PET影像組學(xué)研究的Meta分析表明，在應(yīng)用統(tǒng)計(jì)校正后，許多研究結(jié)果不再有統(tǒng)計(jì)學(xué)意義[33]。因此，數(shù)據(jù)共享來擴(kuò)大樣本量加上多中心合作將使得卵巢腫瘤影像組學(xué)研究更加精確。

4 總結(jié)

相較于傳統(tǒng)的影像學(xué)診斷方法，影像組學(xué)的方法能夠客觀地分析醫(yī)學(xué)圖像中的特征，提供傳統(tǒng)影像特征無法提供的信息。影像組學(xué)在卵巢腫瘤的應(yīng)用具有廣闊的前景。目前為止，應(yīng)用影像組學(xué)的方法可以對(duì)卵巢腫瘤的良惡性進(jìn)行鑒別、對(duì)卵巢癌進(jìn)行分期與分型以及對(duì)卵巢腫瘤預(yù)后進(jìn)行分析。隨著今后影像組學(xué)方法的標(biāo)準(zhǔn)化，以及卵巢腫瘤影像數(shù)據(jù)的共享，影像組學(xué)將為卵巢腫瘤的診療決策提出新的思路。

利益沖突：無。