影像組學(xué)在腎細(xì)胞癌中的應(yīng)用進(jìn)展

余 薇，楊 陽(yáng)，鄔穎華

(成都中醫(yī)藥大學(xué)附屬醫(yī)院放射科，四川 成都 610075)

腎細(xì)胞癌(renal cell carcinoma, RCC)是泌尿系統(tǒng)常見(jiàn)惡性腫瘤之一，發(fā)病率逐年增加[1]，發(fā)病機(jī)制尚未明確，可能與肥胖、吸煙、高血壓及遺傳因素等有關(guān)[2]。臨床常用經(jīng)皮腎穿刺活檢診斷RCC，但該方法有創(chuàng)，且可能因取活檢部位誤差而致漏診[3]。影像組學(xué)通過(guò)自動(dòng)化、高通量地從影像圖像中提取大量特征并進(jìn)行分析，可發(fā)現(xiàn)肉眼無(wú)法識(shí)別的影像特征[4-5]，有助于鑒別良惡性腫瘤及其他類(lèi)型病變，提高診斷及預(yù)測(cè)預(yù)后的準(zhǔn)確性，是實(shí)現(xiàn)精準(zhǔn)醫(yī)療和個(gè)性化醫(yī)療的有效工具[6-8]。本文對(duì)影像組學(xué)在RCC中的應(yīng)用進(jìn)展進(jìn)行綜述。

1 影像組學(xué)概述

影像組學(xué)利用人工智能技術(shù)自動(dòng)化、高通量地從醫(yī)學(xué)圖像中提取定量特征，并轉(zhuǎn)換為可挖掘的數(shù)據(jù)進(jìn)行量化研究，以避免主觀因素造成的診斷結(jié)果差異。“影像組學(xué)”這一概念由荷蘭學(xué)者于2012年首次提出[4]，目前已應(yīng)用于腦、肺、前列腺等多個(gè)系統(tǒng)[9-11]；以所提取的組學(xué)特征作為疾病的影像標(biāo)志物，可提高診斷疾病、鑒別診斷、監(jiān)測(cè)療效及評(píng)估預(yù)后的效能[12]。

影像組學(xué)主要流程如下：①獲取與重建影像數(shù)據(jù)，從CT、MR及PET-CT等圖像中獲取高質(zhì)量、標(biāo)準(zhǔn)化圖像，此為采集影像特征和標(biāo)準(zhǔn)化重建的基礎(chǔ)；②自動(dòng)勾畫(huà)ROI[13-14]；③提取及量化特征，提取ROI內(nèi)組學(xué)特征，包括一階直方圖特征、紋理特征及高階特征等，因可提取特征數(shù)量龐大，可能發(fā)生數(shù)據(jù)過(guò)度擬合，故需采用降維技術(shù)篩選特征；④建立數(shù)據(jù)庫(kù)模型，將篩選出的影像特征與臨床數(shù)據(jù)進(jìn)行整合，建立與疾病相關(guān)的分類(lèi)診斷模型[15]；⑤數(shù)據(jù)分析，常用方法包括Logistic回歸、COX回歸和隨機(jī)森林等。由于近年開(kāi)發(fā)的深度機(jī)器學(xué)習(xí)模型可直接將圖像作為輸入數(shù)據(jù)，建立分類(lèi)器模型，無(wú)需分割ROI或提取特征，臨床應(yīng)用潛力較高[16]。

2 影像組學(xué)在RCC中的應(yīng)用

2.1 鑒別診斷腎臟良、惡性腫瘤 腎血管平滑肌脂肪瘤(angiomyolipoma, AML)是腎臟最常見(jiàn)良性腫瘤[17]。術(shù)前影像學(xué)診斷的RCC中，超過(guò)10%術(shù)后病理結(jié)果為良性腫瘤，其中AML約占50%[18]。影像組學(xué)采用定量方法從圖像中提取特征，并分析特征與潛在病理變化的相關(guān)性，以鑒別良、惡性腫瘤；通過(guò)分析影像學(xué)圖像中RCC與AML的細(xì)微差異，而非簡(jiǎn)單視覺(jué)評(píng)估圖像，可更加準(zhǔn)確地加以區(qū)分。FENG等[19]回顧性分析17例AML及41例RCC術(shù)前CT圖像，從ROI中提取紋理特征，發(fā)現(xiàn)基于支持向量機(jī)(support vector machine, SVM)的CT紋理分析鑒別AML與RCC的曲線下面積(area under curve, AUC)達(dá)0.955。YANG等[20]證實(shí)基于CT圖像的形態(tài)特征和一階特征的影像組學(xué)模型可鑒別RCC與乏脂肪型AML。

2.2 RCC亞型分類(lèi)及鑒別 組織病理學(xué)上RCC分為透明細(xì)胞癌(clear cell RCC, ccRCC)、乳頭狀癌(papillary RCC, pRCC)、嫌色細(xì)胞癌(chromophobe RCC, chRCC)及其他類(lèi)型[21]。各亞型RCC的組織病理學(xué)差異可在圖像中有所表現(xiàn)，影像組學(xué)可將這些差異量化為影像生物標(biāo)記，有助于鑒別RCC亞型。

YU等[22]納入46例ccRCC、41例pRCC、22例chRCC，基于SVM分類(lèi)器對(duì)不同亞型RCC進(jìn)行分類(lèi)，采用MATLAB軟件從圖像中提取43個(gè)紋理特征，觀察CT紋理分析對(duì)于鑒別RCC亞型的價(jià)值，結(jié)果顯示根據(jù)直方圖特征中的幾何平均值鑒別ccRCC與其他亞型的AUC為0.81。王繹忱等[23]分析92例不同病理類(lèi)型RCC的脂肪抑制T2WI紋理特征，發(fā)現(xiàn)ccRCC的均勻度和能量顯著低于pRCC和chRCC，而其熵則顯著高于其他亞型，根據(jù)均勻度、能量及熵聯(lián)合鑒別ccRCC與非ccRCC的AUC為0.84。RCC的生物學(xué)行為和侵襲性與其病理類(lèi)型密切相關(guān)，影像組學(xué)通過(guò)高效分析方法可于術(shù)前預(yù)測(cè)RCC病理亞型，對(duì)選擇治療方案及判斷預(yù)后有重要意義。

2.3 核分級(jí)診斷 目前認(rèn)為T(mén)NM分期及Fuhrman分級(jí)[24]是影響RCC預(yù)后的重要因素。Fuhrman分級(jí)系統(tǒng)中，Ⅰ、Ⅱ級(jí)為低級(jí)別，Ⅲ、Ⅳ級(jí)為高級(jí)別[25]。國(guó)際泌尿病理學(xué)會(huì)提出的新的腎腫瘤WHO/ISUP分級(jí)系統(tǒng)較Fuhrman分級(jí)具有更好的可重復(fù)性，其預(yù)測(cè)腫瘤生物學(xué)行為的能力更強(qiáng)[26]。已有研究[27]表明Fuhrman分級(jí)系統(tǒng)可獨(dú)立預(yù)測(cè)腫瘤侵襲性及預(yù)后。目前經(jīng)皮腎穿刺病理活檢仍是RCC診斷及確定核分級(jí)的金標(biāo)準(zhǔn)，但正在尋找能夠準(zhǔn)確提供術(shù)前核分級(jí)并減少活檢的非侵入性影像標(biāo)志物，影像組學(xué)的興起在其中發(fā)揮了重要作用。

熵代表圖像的無(wú)序程度，可在一定程度上客觀量化腫瘤的異質(zhì)性。FENG等[24]分析高級(jí)別和低級(jí)別ccRCC的CT紋理特征，發(fā)現(xiàn)低級(jí)別ccRCC腎實(shí)質(zhì)期熵明顯高于高級(jí)別者，提示熵可用于預(yù)測(cè)ccRCC核分級(jí)。這可能是由于低級(jí)別腫瘤微血管較豐富，腫瘤內(nèi)強(qiáng)化程度較高且不均勻，導(dǎo)致其熵較高；而高級(jí)別腫瘤內(nèi)存在大量液化壞死區(qū)，故其熵較低。GOYAL等[28]報(bào)道，多序列MRI紋理分析中，b值為1 000 s/mm2彌散加權(quán)成像(diffusion weighted imaging, DWI)的熵和增強(qiáng)MRI皮質(zhì)期平均值是鑒別低級(jí)別與高級(jí)別ccRCC的重要指標(biāo)(AUC均>0.8)。SHU等[29]證實(shí)基于3D CT影像組學(xué)機(jī)器學(xué)習(xí)分類(lèi)器可預(yù)測(cè)ccRCC的WHO/ISUP分級(jí)。SUAREZ-LBARROLA等[30]指出，基于影像組學(xué)特征建立的機(jī)器學(xué)習(xí)模型可準(zhǔn)確、無(wú)創(chuàng)地術(shù)前評(píng)估RCC核分級(jí)，其預(yù)測(cè)RCC WHO/ISUP分級(jí)的準(zhǔn)確率與經(jīng)皮腎穿刺活檢相當(dāng)，對(duì)臨床治療決策選擇具有指導(dǎo)意義。

2.4 評(píng)估療效及預(yù)后 RCC起病隱匿，早期RCC檢出率較低，約30% 患者在出現(xiàn)癥狀就診時(shí)已發(fā)生遠(yuǎn)處轉(zhuǎn)移而失去手術(shù)機(jī)會(huì)[31]，且放射及化學(xué)治療對(duì)其作用均有限，多數(shù)RCC轉(zhuǎn)移患者需接受靶向治療[32]。HAIDER等[33]采用CT紋理分析評(píng)估ccRCC患者免疫治療后總生存期(overall survival, OS)，以TexRAD軟件分析40例轉(zhuǎn)移性ccRCC患者舒尼替尼治療前后CT紋理特征，發(fā)現(xiàn)標(biāo)準(zhǔn)化標(biāo)準(zhǔn)差(normalized standard deviation， nSD)和熵對(duì)預(yù)測(cè)舒尼替尼治療前后OS有重要意義，且nSD值與OS及患者預(yù)后呈正相關(guān)，熵值與二者呈負(fù)相關(guān)；該研究還比較了國(guó)際轉(zhuǎn)移性RCC數(shù)據(jù)庫(kù)(international metastatic RCC database consortium, IMDC)模型與融合nSD參數(shù)的IMDC擬合模型對(duì)OS的預(yù)測(cè)效能，結(jié)果顯示nSD擬合模型的預(yù)測(cè)準(zhǔn)確率更高，提示nSD不僅可預(yù)測(cè)RCC患者療效及預(yù)后，還能用于構(gòu)建擬合模型，以提高預(yù)測(cè)效能。

腫瘤的生物學(xué)行為和預(yù)后常與其內(nèi)部異質(zhì)性有關(guān)。常規(guī)影像學(xué)常根據(jù)腫瘤輪廓進(jìn)行評(píng)估，而忽略了腫瘤內(nèi)部異質(zhì)性。影像組學(xué)可整體分析腫瘤內(nèi)部異質(zhì)性，對(duì)其特征進(jìn)行量化和可視化，獲取臨床及常規(guī)影像學(xué)方法無(wú)法提供的信息以評(píng)估RCC患者預(yù)后[34-35]。

3 影像組學(xué)應(yīng)用于RCC的挑戰(zhàn)

影像組學(xué)應(yīng)用于RCC尚面臨很多挑戰(zhàn)。①標(biāo)準(zhǔn)化：獲取和重建圖像缺乏統(tǒng)一標(biāo)準(zhǔn)，臨床對(duì)于影像組學(xué)研究方法、機(jī)器設(shè)備、掃描參數(shù)及圖像預(yù)處理等尚未達(dá)成統(tǒng)一，導(dǎo)致研究結(jié)果存在差異，且可重復(fù)性差；②樣本量：目前RCC影像組學(xué)研究多為小樣本回顧性分析，開(kāi)展大樣本、多中心前瞻性研究是未來(lái)研究方向；③人員：影像組學(xué)是多領(lǐng)域交叉學(xué)科，需培養(yǎng)更多工科人才參與影像組學(xué)應(yīng)用研究。

綜上所述，影像組學(xué)在診斷RCC、病理分級(jí)、亞型分類(lèi)及預(yù)測(cè)預(yù)后等方面均較傳統(tǒng)影像學(xué)方法具有明顯優(yōu)勢(shì)，但惡性腫瘤內(nèi)部不均質(zhì)性導(dǎo)致結(jié)果存在偏倚。隨著人工智能技術(shù)的發(fā)展，影像組學(xué)將為臨床提供更加經(jīng)濟(jì)有效的腫瘤監(jiān)測(cè)方法，并為制定RCC早期干預(yù)計(jì)劃及預(yù)后評(píng)估等提供重要參考。