影像基因組學在預測結直腸癌肝轉移基因突變中的應用進展

馬佳琪，肖玲清，李曉夫*

1 影像組學的概念及發(fā)展

影像組學一詞最早由荷蘭學者Lambin[1]在2012 年提出，其通過對醫(yī)學圖像中的信息進行高通量的定量提取、篩選，進而表達腫瘤特征的異質性。2012年11月，Kumar等[2]對影像組學的定義進行了拓展，他們提出影像組學是指從電子計算機斷層掃描（computed tomography, CT）、正電子發(fā)射計算機斷層顯像（positron emission computed tomography, PET）或MRI等醫(yī)學影像中高通量地提取并分析大量高級且定量的影像學特征。這個理念在隨后的研究中被越來越多的學者改進與完善。2014年，Aerts等[3]進一步完善了影像組學方法，提出影像組學的工作流程，主要包括四個部分：圖像獲取、圖像的分割、特征提取和篩選（包括形態(tài)學特征、一階特征、二階特征、高階特征等）、數(shù)據(jù)的處理與分析并構建預測和分類模型[4-5]。

近年來，影像基因組學技術發(fā)展較為迅速，其將影像組學圖像信息與基因突變數(shù)據(jù)進行整合，在指導腫瘤患者選擇不同治療方式、評估對化療和/或放療治療的敏感性、預測患者潛在耐藥性等方面顯示出極大的潛力[6-7]，對不同患者分類治療，提高患者的遠期生存率[8]。將影像組學和影像基因組學應用于結直腸癌肝轉移（colorectal liver metastasis, CRLM）已成為近年來研究的熱點。

2 影像基因組學在預測CRLM基因突變中的進展

肝臟是結直腸癌（colorectal cancer, CRC）最常見的轉移器官[9]。15%～25%的CRC 患者在就診時就伴隨同步肝轉移[10]。CRC的發(fā)生、發(fā)展是許多因素共同作用的結果，除了外界因素的影響，CRC 的發(fā)生還與諸多基因突變有關，研究表明：APC、c-myc、RAS（KRAS 和NRAS）、p53、p16、DCC、MCC、DPC4、BRAF等基因均參與大腸黏膜上皮癌變。其中，KRAS基因突變在CRC患者中的發(fā)生率為35%～45%，BRAF 基因突變發(fā)生率為4.7%～8.7%,而BRAF 基因中的V600E 位點的突變幾乎占BRAF 基因突變的80%[11-13]。RAS和BRAF基因同時存在突變時會產(chǎn)生更為嚴重的不良預后，此類患者會在確診之后的一年內死亡[14-15]。因此，準確識別此類患者的基因狀態(tài)顯得尤為重要。

近年來，影像組學在預測CRLM 基因突變中得到快速發(fā)展。影像組學特征聯(lián)合基因突變信息、患者臨床信息，可以更全面、準確地評估患者病情，進一步提高診斷效能。然而，預測驅動基因的突變狀態(tài)需要對獲取的樣本進行分析，傳統(tǒng)的方法是從術中或者活檢中獲取樣本進行病理學分析，這種方法有創(chuàng)，還會受到多種因素的影響，比如腫瘤異質性、基因突變狀態(tài)的不一致性、腫瘤組織的無效性以及樣本量不足等[14]。與傳統(tǒng)的方法相比，基于MRI 的影像組學預測基因突變狀態(tài)并且針對多中心的不同腫瘤提供了臨床決策和額外的信息，這種方法可以提高MRI 在CRC 診斷中的價值并且可以更好地發(fā)現(xiàn)腫瘤分子表型的潛在差異[16]。利用影像組學預測CRLM基因突變可以避免由腸道蠕動導致的CRC 基因突變的偏差和低重復性，同時能確?；驙顟B(tài)的高度一致性[4,17-19]。Kawada等[20]研究發(fā)現(xiàn)基于PET/CT 的影像組學特征可以預測CRLM 患者的基因突變狀態(tài)，當最大標準攝取值（maximum standard uptake value, SUVmax）截止值為13 或14 時，預測KRAS/BRAF 基因突變狀態(tài)的敏感度、特異度、準確率分別為74%、75%、75%。Granata 等[21]研究發(fā)現(xiàn)擴散峰度成像（diffusion kurtosis imaging, DKI）-MRI 衍生的參數(shù)平均擴散峰度的標準差值（the standard deviation value of mean of diffusional kurtosis, MK STD）可以預測CRLM 患者的RAS 基因突變，其敏感度、特異度、準確性分別為72%、85%、79%。Gültekin等[22]研究發(fā)現(xiàn)與野生型KRAS 基因相比，伴有KRAS 基因突變的CRLM患者有更低的表觀擴散系數(shù)（apparent diffusion coefficient,ADC）和ADC 平均值。Granata 等[8]將K-鄰近算法與預測因子相結合去推斷RAS 基因突變，其敏感度、特異度、準確性分別為90%、67.8%、76.9%。Mao等[23]研究表明，與野生型KRAS相比，伴有KRAS 基因突變的CRLM 有更高的ΔSUVmax和滯留指數(shù)[retention index，RI（%）]，SUV值可以預測CRLM 患者存在KRAS突變狀態(tài)。Chen 等[24]發(fā)現(xiàn)在CRC 患者中TP53 和KRAS 突變與SUVmax和腫瘤最大攝取寬度的40%升高有關，進一步研究表明灰度共生矩陣對比度的增加與KRAS 突變之間存在相關性，TP53 突變與灰度運行長度矩陣中的低灰度強度值增加有關，而APC 突變與灰度級區(qū)域長度矩陣中的低灰度級區(qū)域強度值相關[25]。Oh等[26]發(fā)現(xiàn)與野生組相比，KRAS 突變組梯度濾波值和平均（和標準差）偏度顯著升高，中等質地紋理特征的標準偏差較高，能夠區(qū)分突變型KRAS 和野生型KRAS。Shin 等[27]發(fā)現(xiàn)，基線直腸MRI 檢查時，腫瘤軸向與縱向長度之比越大，KRAS 發(fā)生突變的幾率就越高，兩者之間呈顯著正相關。Xu等[28]研究表明，與KRAS 野生型組相比，KRAS 突變組的六種紋理特征（均值、方差、偏度、熵、灰度不均勻性、游程長度不均勻性）的平均值顯著高于KRAS 野生型組。來自強度直方圖的特征，包括熵、標準差和偏度，與CRLM患者的KRAS突變和腫瘤分級相關[29]。以上研究均表明，影像組學特征在預測CRLM 的基因突變程度方面具有廣闊的研究前景，非侵入性獲取的腫瘤基因表達信息可以彌補傳統(tǒng)方法的不足，從而幫助臨床醫(yī)師對不同基因突變患者進行分類管理，為精準治療提供支持與幫助，使患者獲得更好的生存預后。

3 影像基因組學預測CRLM患者的預后

CRLM患者基因突變狀態(tài)與患者的預后和遠期生存密切相關。Modest等[30]和Souglakos等[31]研究表明，與野生型KRAS相比，伴有KRAS基因突變的CRLM患者有更為不良的無進展生存期（progression free survival, PFS）和總體生存率，BRAF和PK3CA基因突變也與更短的PFS和總體生存率相關。Deng等[32]研究表明伴有KRAS或者BRAF基因突變的晚期CRC患者有更短的無復發(fā)生存期（recurrence free survival, RFS）、無疾病生存期（disease free survival, DFS）[32]和復發(fā)后生存期（survival after recurrence, SAR）[33]。Margonis等[34]研究發(fā)現(xiàn)與KRAS 基因突變相比，BRAF V600E 突變與總體生存率和DFS有更強的相關性。

不同影像學標志物在CRLM 患者中的預測作用不同。對比增強CT（contrast-enhanced CT, CE-CT）影像組學分析可區(qū)分高級別和低級別CRC[35]。Badic等[36]研究表明，CRC中的平坦度、總熵、來自灰度級共生矩陣的熵（entropy of gray level co-occurrence matrix, GLCME）、灰度不均勻性等放射組學特征，聯(lián)合ABCC2 mRNA 水平、Ⅲ期腫瘤和淋巴結狀態(tài)，在Cox 單變量分析中與PFS 顯著相關；在多變量分析中，Ⅲ期腫瘤、ABCC2 mRNA 水平和GLCM E 是PFS 的獨立預后因素；而3D 表面積/體積比、平面度、逆差力矩、逆差等放射組學特征聯(lián)合ALDH1A1過表達可以作為總體生存率的預測因素，進一步的多變量分析表明，3D 表面積/體積比和ALDH1A1 是CRC 的獨立預后因素。Granata等[8]研究表明CE-MRI組學特征與K-鄰近算法相結合可以預測RAS基因的突變狀態(tài)，對患者進行預后危險分層。通過影像組學對于不同患者的預后程度進行預測，可以發(fā)現(xiàn)不同患者的組學特征存在差異，證明了其在預測預后方面具有明顯優(yōu)勢。由于患者的隨訪調查過程較長，組學技術在此過程中不斷進步與完善，組學特征的提取方法和技術可能較之前有細微差別，也會對最終的結果產(chǎn)生難以避免的影響。

4 影像基因組學預測CRLM治療敏感性

早期發(fā)現(xiàn)肝臟轉移灶并選擇合適的治療方法是改善CRLM遠期預后和總體生存率的關鍵。Starmans 等[37]研究表明，CT影像組學和機器學習特征可以預測CRLM 的腫瘤生長模式。CT影像組學特征可以表達CRLM患者肝轉移灶的腫瘤異質性，可能有助于判斷治療前肝損害的分級[38]，根據(jù)肝損害程度的不同選擇合適的治療方法。CRLM 的治療方式包括化療、靶向治療、免疫治療、外科手術等。約20%～30%的CRLM 患者可以進行R0 期切除，超過80%的CRLM 患者無法行根治性手術治療，此類患者的5 年存活率接近于零[9]。對無法手術切除的CRLM，有必要檢測患者KRAS基因、NARS基因及BRAF基因狀況。利用影像組學的方法可以無創(chuàng)地檢測基因狀態(tài)，針對不同的基因狀態(tài)選擇對該基因治療敏感的方案，從而改善患者的預后效果。這就說明了影像組學在評價CRC 基因突變層面具有較廣闊的應用前景。

在預測治療敏感性方面，不同的影像組學特征具有不同的預測能力，比如，RAS基因突變可以預測患者對抗表皮生長因子受體（epidermal growth factor receptor, EGFR）療法的耐藥性，在CRLM患者中高頻微衛(wèi)星不穩(wěn)定性可以指導免疫療法，使高頻微衛(wèi)星不穩(wěn)定型CRLM 患者從中獲益[39-40]。Dercle 等[41]回顧性分析了667例CRLM患者病例，比較了氟尿嘧啶，亞葉酸和伊立替康（5-fluorouracil leucovorin and irinotecan,FOLFIRI）加西妥昔單抗治療組與單獨FOLFIRI 治療組。使用隨機森林算法建立的四個放射組學特征模型（包括腫瘤的形狀、體積、對數(shù)熵、灰度差異矩陣對比度）用于預測抗EGFR 療法治療CRLM患者的敏感性，結果顯示影像組學特征在檢測治療敏感性方面優(yōu)于現(xiàn)有的生物標志物。腫瘤形狀和邊界銳度特征與總體生存率密切相關，同時發(fā)現(xiàn)影像組學特征可以作為總體生存率的過渡替代標志物并且被用來指導西妥昔單抗的持續(xù)治療決策。單克隆抗體藥物可以顯著提高CRC患者的預后，一些研究表明CRLM患者KRAS和NRAS基因突變與抗EGFR療法的耐藥性相關，而BRAF基因突變對EGFR療法只產(chǎn)生輕微耐藥性[42]。位于右半結腸的CRC 比左半結腸更容易發(fā)生BRAF 基因突變，這就導致發(fā)生在右半結腸的CRC更容易對抗EGFR療法產(chǎn)生耐藥性，具有不良預后[43-44]。Giannini等[45]研究發(fā)現(xiàn)差異方差和腫瘤的異質性可以評估CRLM患者對HER2藥物治療的敏感性。對CRLM患者的基因突變狀態(tài)進行分析、根據(jù)KRAS基因突變狀態(tài)指導治療，同時也能鑒別出哪些患者可以從肝臟切除術中獲益更多[46]。影像組學特征可以預測CRLM患者的基因突變狀態(tài)，而基因突變狀態(tài)的改變可以預測患者對藥物治療的敏感性，兩者結合可以為臨床提供幫助。以上研究結果均表明影像組學在預測藥物治療CRLM的敏感性方面具有廣闊的發(fā)展前景。然而，藥物作用需要一定的時間和過程，在此過程中基因狀態(tài)的改變是否受其他外在因素的影響尚未可知。

5 小結與展望

影像組學作為一個多學科交叉的新興領域，將影像組學特征與基因組學信息結合指導CRLM 患者臨床精準治療，具有廣闊的應用前景。然而，影像組學和影像基因組學目前還處于初級發(fā)展階段，缺乏標準化定義和有效參考值，仍存在許多局限和不足之處。第一，由于圖像提取技術、不同機器掃描參數(shù)和重建參數(shù)等差異導致影像組學相關研究的重復性較低。第二，利用不同的圖像轉換技術或特征選擇方法對同一組影像組學數(shù)據(jù)進行分析時，可能會產(chǎn)生不同的結果。第三，對于感興趣區(qū)的選擇以及勾畫上，大部分研究還是通過人為手動完成，這不僅大大增加醫(yī)生的工作量，同時也存在一定的主觀性，影響后續(xù)的模型建立，從而導致研究結果的低重復性和相似性。第四，目前的研究還存在樣本量過小，以及多為單中心研究等問題。第五，對同一影像圖像進行處理時，不同的軟件之間也會有不同的參數(shù)選擇，這是因為影像組學目前還缺乏標準化定義和有效參考值。

綜上，影像組學技術可以預測CRLM 基因突變，結合基因組學信息，在CRLM 的診斷、預測預后、預測治療敏感性以及指導治療、改善患者的遠期預后和總體生存率等方面已經(jīng)顯示出巨大潛力。在未來的研究中，有待進行大樣本量、多中心以及多變量的深入研究，將更多的影像組學研究與腫瘤基因突變信息、臨床信息相結合，提高影像組學在臨床上的應用率，使影像組學在CRLM患者的診療方面發(fā)揮出獨有優(yōu)勢。

作者利益沖突聲明：全部作者均聲明無利益沖突。