重視影像組學在結直腸癌精準診療中的研究與應用

王 嵩

（上海中醫(yī)藥大學附屬龍華醫(yī)院放射科，上海 200032）

近年來，隨著社會經濟的迅猛發(fā)展和大數(shù)據信息的爆發(fā)式增長，影像組學作為一個新興的學科受到越來越多的關注，且被廣泛地應用于醫(yī)學領域，在疾病的診療中起到重要作用［1-3］。影像組學可從醫(yī)學圖像數(shù)據中獲得海量的肉眼無法觀察到的深層特征及信息，同時，通過高保真、高通量的方法提供可供挖掘的定量特征，深入分析大數(shù)據中所蘊含的臨床病理信息，為醫(yī)療決策提供更加客觀、準確的輔助信息［4-6］。目前，影像組學已被應用于結直腸癌的術前診斷［7-9］、療效評價［10-12］，以及預后預測［13-15］等方面，并取得了可喜的成果；但影像組學在臨床實踐過程中仍存在一定的困難與挑戰(zhàn)，有必要提高對影像組學的認識，以促進其在臨床中的應用。

1 影像組學協(xié)助結直腸癌的診斷

結直腸癌的術前準確診斷和分期對制訂最佳個體化治療方案和患者風險分層十分重要。根據結直腸癌臨床實踐指南，早期結直腸癌可直接行手術切除，局部進展期則主張在術前行新輔助放化療，使腫瘤降低分期后再手術，從而達到提高腫瘤可切除性、降低術后局部復發(fā)的目的［16］。Yin 等［7］從直腸癌患者DWI 圖像中提取影像組學特征，通過邏輯回歸算法對T 分期問題進行分類，結果顯示：b=0 s/mm2時，提取到的不相似性、總平均和、信息相關性和游程不均勻性是T3、T4期的獨立預測因子，模型取得了較好的預測效果。此外，還有學者通過聯(lián)合矢狀位脂肪抑制序列和橫軸位T2WI 圖像行直腸癌T 分期影像組學分析，共納入患者174 例，通過單因素和多因素分析發(fā)現(xiàn)聯(lián)合序列中得到的影像組學特征與直腸癌的T 分期相關［17］。

影像組學還被應用于結直腸癌的N 分期中。Zhu等［18］從直腸MRI 圖像上所有可見的淋巴結及原發(fā)病灶中分別提取影像組學特征，然后通過L1 正則化的邏輯回歸構建淋巴結模型和腫瘤模型；研究表明，基于淋巴結特征的影像組學模型能夠準確預測局部進展期直腸癌患者的淋巴結病理狀態(tài)，且預測精度優(yōu)于基于原發(fā)灶特征建立的影像組學模型。還有研究者在影像組學特征的基礎上引入臨床相關變量，如癌胚抗原（carcinoembryonic antigen，CEA）、糖類抗原19-9（carbohydrate antigen 19-9，CA19-9）、血管外侵犯（extramural vascular invasion，EMVI）等，建立直腸癌N 分期綜合診斷模型，研究發(fā)現(xiàn)基于影像組學的預測模型優(yōu)于單純MRI 的診斷效能［19］。

結直腸癌最易發(fā)生轉移的器官為肝臟。結直腸癌肝轉移占結直腸癌轉移的75%～83%［20］。早期準確診斷結直腸癌肝轉移對患者治療方式的選擇具有重要意義。Taghavi 等［21］進行了一項多中心研究用于探究影像組學預測模型是否可有效預測結直腸癌異時性肝轉移，對91 例患者的臨床和影像數(shù)據分析后發(fā)現(xiàn)，影像組學模型可準確識別出具有異時性肝轉移風險的患者，且預測效能優(yōu)于臨床模型。最近的一項研究在常規(guī)影像組學的基礎上引入基因組學，從影像、基因和臨床多角度預測結直腸癌肝轉移并將模型以列線圖的形式可視化，便于術前對患者進行個體化評估［22］。以上研究表明影像組學在結直腸癌術前診斷方面前景可期，能夠輔助臨床風險分層。

2 影像組學評估結直腸癌患者的治療反應

影像組學不僅在結直腸癌術前診斷方面取得了令人滿意的效果，其還能夠對新輔助治療后的療效進行評估預測。新輔助放化療是臨床治療結直腸癌的重要方式之一，2020 年第6 版美國國立綜合癌癥網絡（National Comprehensive Cancer Network，NCCN）指南［16］推薦局部進展期患者首先行新輔助治療。部分患者在新輔助治療后可達到病理上的完全緩解，但還有部分患者對治療無反應，甚至發(fā)生疾病進展的情況，據統(tǒng)計數(shù)據顯示約30%的患者無法從新輔助治療中受益［23］。因此，準確評估腫瘤的變化，對確認整體治療方案的效果，以及對后續(xù)方案的擬定都起到非常重要的作用。

Wang 等［24］開發(fā)了一種基于治療前多參數(shù)MRI的影像組學列線圖模型區(qū)分接受新輔助放化療的局部晚期直腸癌患者的應答反應，并對模型進行了驗證；研究通過列線圖的形式對治療后產生良好應答的相關因素進行可視化，方法簡單易行，在訓練集和驗證集內都展現(xiàn)出較好預測性能。與上述研究不同的是，首爾國立大學學者基于患者放化療后的MRI圖像構建深度學習模型，用于評估療效反應，其在預訓練模型ShuffleNet 的基礎上引入長短期記憶網絡模型，研究顯示，基于深度學習構建的影像組學預測模型可用于療效評估中，并且是輔助臨床采取“觀察和等待”策略的潛在工具之一［25］。

3 影像組學預測結直腸癌患者的預后

結直腸癌患者的預后具有高度異質性，如何準確判斷預后是當前研究的重點和難點。影像組學大量研究結果的涌現(xiàn)，提示影像組學可為結直腸癌的預后判斷提供新方法。復旦大學一研究團隊通過回顧性分析411 例局部晚期直腸癌患者的CT 圖像和臨床病理信息，使用機構內部的組學軟件提取271 個影像組學特征，然后采用Spearman 相關分析，保留系數(shù)＞0.7 的特征，最終共納入21 個影像組學特征構建模型，用于預測局部晚期直腸癌患者新輔助治療后的總生存期，結果提示加入影像組學特征后可提升模型的預測能力［26］。賓夕法尼亞大學生物醫(yī)學圖像計算和分析中心的Liu 等［27］則采取了一種無監(jiān)督的機器學習方法用于預測直腸癌患者的總生存期，同時根據患者的影像組學特征將其分為不同的風險組，以期對臨床結局進行穩(wěn)健預測。

4 影像組學面臨的挑戰(zhàn)

隨著醫(yī)學圖像分析處理技術和人工智能的快速發(fā)展，影像組學在結直腸癌的臨床診療中取得了可喜的成果。影像組學通過高通量地提取大量醫(yī)學圖像特征，深入挖掘其中潛在的臨床病理信息，通過非侵入式的方法動態(tài)評估腫瘤異質性，有望為臨床決策提供重要輔助信息，促進并助力精準醫(yī)學的發(fā)展。但影像組學在臨床實踐過程中還存在一些問題：①當數(shù)據來源多樣時，需對數(shù)據進行標準化管理以降低數(shù)據變異度，進而保證研究的質量和可重復性［28］。②由于醫(yī)學領域對人工智能算法的可解釋性與模型結果的可信度有較高的要求，算法結構的復雜性、多維性使得人工智能系統(tǒng)決策過程透明性降低，“黑箱技術”使得模型在臨床實際診療工作中的應用面臨巨大阻力［29］。③在醫(yī)療大數(shù)據使用、傳輸，以及監(jiān)督管理方面需建立完善的體系，保護患者隱私，保障數(shù)據安全，防范數(shù)據泄露［30］。

隨著大數(shù)據和精準醫(yī)療時代的到來，影像組學以一種客觀、無創(chuàng)、定量的方式在醫(yī)學實踐過程中發(fā)揮出優(yōu)勢，通過聚焦深層信息，賦能診療各環(huán)節(jié)，輔助臨床決策，助力實現(xiàn)個體化治療。雖然現(xiàn)階段影像組學仍存在不足，但相信在國內外研究學者的共同努力下，影像組學將會得到長足的發(fā)展，并對臨床醫(yī)學產生深遠影響。