影像組學(xué)在乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移評(píng)估中的研究進(jìn)展

謝玉海， 周運(yùn)鋒， 韓劍劍， 馬培旗

中國(guó)女性乳腺癌的發(fā)病人數(shù)和死亡人數(shù)均居世界首位，且呈逐年上升的趨勢(shì)[1]。張圣澤等[2]通過(guò)對(duì)326例女性乳腺癌患者的臨床資料進(jìn)行分析，發(fā)現(xiàn)腋窩淋巴結(jié)(axillary lymph node,ALN)轉(zhuǎn)移不僅是影響患者5年總生存時(shí)間(overall survival,OS)的獨(dú)立危險(xiǎn)因素，也是影響患者無(wú)病生存時(shí)間(disease free survival,DFS)的獨(dú)立預(yù)后因素。李聰?shù)萚3]研究也進(jìn)一步表明ALN狀態(tài)是影響乳腺癌患者DFS和OS的獨(dú)立影響因素。ALN清掃術(shù)雖是診斷淋巴結(jié)是否轉(zhuǎn)移的金標(biāo)準(zhǔn)[4]，但其術(shù)后并發(fā)癥較多，如上肢淋巴水腫等[5]，嚴(yán)重影響患者的術(shù)后生活質(zhì)量。因此，術(shù)前準(zhǔn)確評(píng)估ALN是否轉(zhuǎn)移對(duì)臨床診療方案的制定至關(guān)重要。臨床上常用的影像學(xué)檢查技術(shù)包括超聲、乳腺X線攝影和MRI，但傳統(tǒng)的影像學(xué)分析對(duì)乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移情況無(wú)法精準(zhǔn)評(píng)價(jià)[6-9]。影像組學(xué)作為一種新興技術(shù)，它通過(guò)提取肉眼無(wú)法觀察的高通量特征來(lái)預(yù)測(cè)惡性腫瘤的生物學(xué)行為，目前在乳腺癌中的應(yīng)用已成為學(xué)術(shù)研究熱點(diǎn)。本文就影像組學(xué)在乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移評(píng)估中的研究進(jìn)展進(jìn)行綜述。

影像組學(xué)的概述及流程

2010年美國(guó)學(xué)者Gillies等[10]最早提出影像組學(xué)(Radiomics)的概念，后經(jīng)荷蘭學(xué)者Lambin等[11]進(jìn)一步總結(jié)完善，于2016年被Radiology正式命名。它是從醫(yī)學(xué)影像圖像中提取高通量特征參數(shù)并創(chuàng)建高維數(shù)據(jù)集，其研究流程主要包括標(biāo)準(zhǔn)化高質(zhì)量影像圖像的獲取、圖像分割、高通量影像特征的提取和降維、預(yù)測(cè)模型的建立。

超聲影像組學(xué)在乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移評(píng)估中的應(yīng)用

超聲具有價(jià)廉、便捷、無(wú)創(chuàng)等特點(diǎn)，是目前乳腺癌篩查最常用的檢查技術(shù)手段之一。Qiu等[12]通過(guò)對(duì)196例乳腺癌患者的超聲影像資料進(jìn)行回顧性分析，發(fā)現(xiàn)影像組學(xué)構(gòu)建的Logistic回歸模型對(duì)乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移具有中等的預(yù)測(cè)能力，在訓(xùn)練組和驗(yàn)證組的診斷效能分別為0.778和0.725，且在篩選的最優(yōu)特征中以熵的權(quán)重系數(shù)最高；該研究結(jié)果表明基于超聲影像組學(xué)模型對(duì)乳腺癌ALN是否轉(zhuǎn)移的預(yù)測(cè)具有一定價(jià)值。也有學(xué)者研究表明，基于灰階超聲的影像組學(xué)模型在驗(yàn)證組對(duì)乳腺癌ALN轉(zhuǎn)移的預(yù)測(cè)效能優(yōu)于放射科醫(yī)生的診斷能力[13]，其AUC、敏感度和特異度分別為0.680、68.0%、79.4%和0.630、52.0%、73.5%。Yu等[14]通過(guò)對(duì)426例早期浸潤(rùn)性乳腺癌患者的超聲圖像利用手動(dòng)分割方法，并采用最小絕對(duì)收縮和選擇算子算法，最終從96個(gè)特征中篩選出14個(gè)最優(yōu)特征構(gòu)建影像組學(xué)標(biāo)簽，該標(biāo)簽在訓(xùn)練組和驗(yàn)證組預(yù)測(cè)腋窩淋巴結(jié)轉(zhuǎn)移的曲線下面積(area under curve,AUV)分別為0.780和0.710，該標(biāo)簽聯(lián)合腫瘤大小、超聲診斷的ALN狀態(tài)組成的列線圖預(yù)測(cè)ALN轉(zhuǎn)移具有更高的診斷效能，在驗(yàn)證組和訓(xùn)練組中的AUC分別為0.840和0.810。Gao等[15]聯(lián)合超聲影像組學(xué)特征、年齡和病變大小構(gòu)建的模型判斷T1/T2期浸潤(rùn)性乳腺癌ALN狀態(tài)，結(jié)果表明該模型具有較好的預(yù)測(cè)效能，其在訓(xùn)練組和驗(yàn)證組的AUC分別為0.846和0.733。Zheng等[16]將腋窩淋巴結(jié)轉(zhuǎn)移情況分成三組，即N0、N+(1-2)和N+(≥3)三組，采用卷積神經(jīng)網(wǎng)絡(luò)(residual neural network,ResNet)方法提取乳腺癌常規(guī)超聲與剪切波彈性成像的特征構(gòu)成的影像組學(xué)模型，對(duì)鑒別N0與N+、N+(1-2)與N+(≥3)均具有較高的診斷效能，其在訓(xùn)練組、驗(yàn)證組、獨(dú)立測(cè)試組的AUC分別為0.850、0.804、0.796和0.874、0.800、0.777，該作者還進(jìn)一步分析了影像組學(xué)特征聯(lián)合臨床指標(biāo)(包括患者年齡、腫塊大小、BI-RADS分級(jí)、腫瘤類型、ER、PR、her-2和Ki-67增殖指數(shù))構(gòu)建的模型對(duì)淋巴結(jié)狀態(tài)的診斷效能，結(jié)果表明聯(lián)合模型在訓(xùn)練組、驗(yàn)證組和獨(dú)立測(cè)試組的診斷能力均高于單獨(dú)的影像組學(xué)模型，其AUC分別為0.936、0.904、0.902和0.956、0.925、0.905；該研究結(jié)果進(jìn)一步證實(shí)了影像組學(xué)特征聯(lián)合臨床指標(biāo)對(duì)預(yù)測(cè)乳腺癌ALN的診斷能力更高。Sun等[17]利用超聲乳腺癌圖像，分別對(duì)瘤體區(qū)、瘤周區(qū)、瘤體和瘤周聯(lián)合區(qū)建立了3個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)和3個(gè)影像組學(xué)模型，通過(guò)比較發(fā)現(xiàn)對(duì)于深度卷積神經(jīng)網(wǎng)絡(luò)和影像組學(xué)模型，瘤體和瘤周聯(lián)合區(qū)預(yù)測(cè)ALN轉(zhuǎn)移具有較高的診斷效能，在訓(xùn)練組和驗(yàn)證組的AUC分別為0.957和0.912、0.940和0.886；與影像組學(xué)模型相比，各區(qū)的深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)測(cè)乳腺癌ALN轉(zhuǎn)移的效能更高。

數(shù)字乳腺X線攝影影像組學(xué)在乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移評(píng)估中的應(yīng)用

數(shù)字乳腺X線攝影因具有較高的分辨率且操作便捷等優(yōu)點(diǎn)，是乳腺癌最常用的檢查方法之一。譚紅娜等[18]分別從乳腺X線內(nèi)外斜位(MLO)、頭尾位(CC)圖像上提取影像組學(xué)特征，利用最小絕對(duì)收縮與選擇算法(least absolute shrinkage and selection operator，LASSO)從MLO、CC和MLO聯(lián)合CC圖像中分別提取與ALN轉(zhuǎn)移相關(guān)的高維特征9個(gè)、3個(gè)和7個(gè)，并結(jié)合臨床特征分別構(gòu)建單獨(dú)MLO、CC、MLO聯(lián)合CC、臨床特征、臨床特征聯(lián)合MLO和CC圖像的高維特征5個(gè)模型，使用10折交叉驗(yàn)證模型對(duì)ALN轉(zhuǎn)移的預(yù)測(cè)能力，結(jié)果表明在驗(yàn)證組中，MLO聯(lián)合CC圖像的模型預(yù)測(cè)效能最高，其AUC為0.740，均高于其他4種模型；該研究結(jié)果證實(shí)乳腺X線影像組學(xué)特征可用于術(shù)前ALN轉(zhuǎn)移的預(yù)測(cè)。張玉嬌等[19]研究結(jié)果表明單獨(dú)從乳腺X線CC位提取的組學(xué)特征模型對(duì)ALN轉(zhuǎn)移的預(yù)測(cè)也具有較高的效能，其AUC、敏感度、特異度在訓(xùn)練組和驗(yàn)證組分別為0.760、72.41%、70.83%和0.742、62.96%、77.42%，組學(xué)特征聯(lián)合腫瘤大小可將訓(xùn)練組和驗(yàn)證組的診斷效能分別提高到0.808和0.811。Yang等[20]利用MatlabR2016b軟件，采用半自動(dòng)分割方式，從乳腺X線圖像中提取瘤體299個(gè)特征，通過(guò)LASSO回歸算法選取10個(gè)最優(yōu)特征構(gòu)建支持向量機(jī)(support vector machines,SVM)模型，該模型預(yù)測(cè)ALN轉(zhuǎn)移的AUC在訓(xùn)練組和驗(yàn)證組分別為0.895和0.875。Tan等[21]研究表明由基于乳腺X線攝影的影像組學(xué)特征聯(lián)合分子亞型、PR狀態(tài)組成的組合模型對(duì)ALN轉(zhuǎn)移的預(yù)測(cè)效能優(yōu)于影像組學(xué)模型，組合模型在驗(yàn)證組和訓(xùn)練組的AUC分別為0.883和0.863。

MRI影像組學(xué)在乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移評(píng)估中的應(yīng)用

MRI具有多方位、多參數(shù)成像以及軟組織分辨率高等優(yōu)點(diǎn)，在乳腺中的應(yīng)用越來(lái)越廣泛。國(guó)內(nèi)學(xué)者單嫣娜等[22]研究結(jié)果表明基于淋巴結(jié)MRI影像組學(xué)特征構(gòu)建的Logistic回歸模型能術(shù)前無(wú)創(chuàng)地對(duì)乳腺癌ALN轉(zhuǎn)移的風(fēng)險(xiǎn)作出有效評(píng)估，其AUC、敏感度、特異度和準(zhǔn)確度分別為0.953、89.3%、92.6%和92.6%，單個(gè)組學(xué)特征中以表容積的預(yù)測(cè)效能最高，AUC為0.931。Han等[23]從411例乳腺癌患者的術(shù)前磁共振動(dòng)態(tài)對(duì)比增強(qiáng)(dynamic contrast-enhanced MRI,DCE-MRI)掃描第1期圖像中提取了808個(gè)瘤體的影像組學(xué)特征，通過(guò)構(gòu)建Logistic回歸模型評(píng)估所提取的最優(yōu)影像組學(xué)特征與乳腺癌ALN轉(zhuǎn)移的關(guān)系，結(jié)果顯示其在訓(xùn)練組和驗(yàn)證組預(yù)測(cè)ALN轉(zhuǎn)移的AUC、敏感度和特異度分別為0.760、89.0%、57.0%和0.780、78.0%、72.0%；該研究表明基于瘤體DCE-MRI的影像組學(xué)特征對(duì)術(shù)前預(yù)測(cè)ALN轉(zhuǎn)移具有較高的診斷效能。Mao等[24]利用LASSO算法最終從MRI多期增強(qiáng)圖像中的強(qiáng)化峰值期篩選3個(gè)非零系數(shù)構(gòu)建的模型預(yù)測(cè)ALN轉(zhuǎn)移具有中等診斷效能，在驗(yàn)證組和訓(xùn)練組的AUC分別為0.780和0.790，該影像組學(xué)特征聯(lián)合MRI診斷的ALN狀態(tài)構(gòu)建的模型對(duì)預(yù)測(cè)ALN轉(zhuǎn)移具有更高的診斷效能，在驗(yàn)證組和訓(xùn)練組的AUC分別為0.920和0.900。邢滔等[25]研究表明，基于STIR T2WI、DWI和DCE-MRI的紋理參數(shù)模型對(duì)預(yù)測(cè)乳腺癌ALN轉(zhuǎn)移的AUC、敏感度和特異度分別為0.902、91.3%和78.6%，其中熵對(duì)乳腺癌ALN轉(zhuǎn)移的預(yù)測(cè)效能最優(yōu)，這與夏旭東等[26]的研究結(jié)果一致。Yu等[27]進(jìn)行了一項(xiàng)多中心研究，通過(guò)回顧性分析四家醫(yī)院共1214例早期乳腺癌患者的MRI影像資料(包括增強(qiáng)T1WI、T2WI和擴(kuò)散加權(quán)成像ADC圖)，按照7:3隨機(jī)分為訓(xùn)練組和驗(yàn)證組，根據(jù)LASSO和隨機(jī)森林算法，采用Logistic回歸和支持向量機(jī)(SVM)模型，構(gòu)建LASSO-Logistic回歸模型、LASSO-SVM模型、隨機(jī)森林Logistic回歸模型和隨機(jī)森林-SVM模型，該研究結(jié)果表明在預(yù)測(cè)早期乳腺癌ALN轉(zhuǎn)移方面，LASSO-Logistic回歸模型的預(yù)測(cè)能力最強(qiáng)，其在訓(xùn)練組和驗(yàn)證組中的AUC分別為0.88和0.850。而Yu等[28]的一項(xiàng)多中心研究卻表明，利用隨機(jī)森林算法提取由ALN和瘤體的MRI影像組學(xué)特征構(gòu)成的SVM模型對(duì)乳腺癌ALN轉(zhuǎn)移的評(píng)估具有較高的效能，其AUC在訓(xùn)練組、外部驗(yàn)證組和前瞻性回顧性驗(yàn)證組分別為0.880、0.807和0.870，但模型的診斷能力略低于由影像組學(xué)特征、臨床和病理特征、分子亞型組成的模型。因此，盡管目前基于MRI影像組學(xué)特征構(gòu)建的模型對(duì)預(yù)測(cè)乳腺癌ALN轉(zhuǎn)移的研究還存在一些缺陷，但是為臨床術(shù)前無(wú)創(chuàng)評(píng)估ALN是否轉(zhuǎn)移提供更多參考。

基于MRI的影像組學(xué)特征預(yù)測(cè)乳腺癌ALN轉(zhuǎn)移的效能高于超聲和數(shù)字乳腺X線攝影，這可能是由于MRI具有較高的軟組織分辨率，其組學(xué)特征更能反映乳腺癌的異質(zhì)性。在高通量的影像組學(xué)特征中，以紋理特征，尤其是熵對(duì)乳腺癌ALN轉(zhuǎn)移的判斷能力最強(qiáng)。多項(xiàng)研究表明，影像組學(xué)特征聯(lián)合臨床病理構(gòu)建的組合模型對(duì)乳腺癌ALN轉(zhuǎn)移的預(yù)測(cè)能力高于單一模型(表1)。

表1 納入分析的文獻(xiàn)匯總表

影像組學(xué)的發(fā)展前景及展望

目前，影像組學(xué)對(duì)術(shù)前判斷乳腺癌ALN轉(zhuǎn)移雖有一定價(jià)值，但研究尚處于起步階段，且多為單中心、單模態(tài)研究以及圖像分割也存在一定的人為因素干擾，預(yù)測(cè)的準(zhǔn)確性有待進(jìn)一步提升。因此，未來(lái)影像組學(xué)的發(fā)展以多中心、多模態(tài)及自動(dòng)分割為新方向。