乳腺MRI影像組學研究方法及其預后應用進展

李忠遠，歐陽愛梅

0 前言

乳腺癌已是現(xiàn)今全世界臨床最常見的惡性腫瘤癌癥之一，也是目前導致我國女性過早死亡的第二大癌癥[1]。2022 年美國美國癌癥協(xié)會的統(tǒng)計數(shù)據(jù)顯示，乳腺癌是女性發(fā)病率排名首位且致死率排名前五的腫瘤[2]。現(xiàn)階段乳腺癌影像檢查主要包括超聲成像、乳腺X 線攝影、PET/CT 和乳腺MRI。乳腺癌的個性化早期診斷、個性化治療以及個體化預后監(jiān)測已成為一系列關(guān)鍵臨床問題。在攻克這些難點過程中，MRI 因?qū)浗M織分辨率高且無電磁輻射，是目前早期診斷乳腺癌的一種常用成像方式。但是，MRI 影像圖像中仍然存在我們?nèi)庋塾^察不到的信息。研究者們指出這種信息可以通過紋理分析和形狀分析等數(shù)據(jù)挖掘方法從影像中提取出來[3]，伴隨著當代計算機技術(shù)快速發(fā)展，影像組學技術(shù)越來越受到人們重視。影像組學通過評估和監(jiān)測腫瘤內(nèi)在特征（如時間和空間異質(zhì)性），以達到對腫瘤信息進行深度解讀并且用于臨床診療和預后。近年來在女性乳腺癌早期診斷以及早期治療方案中，影像組學相關(guān)技術(shù)研究也已經(jīng)達到較高水平，本文旨在對目前乳腺癌MRI影像組學在臨床預后等方面的研究現(xiàn)狀進行綜述，為專注于乳腺癌患者預后治療的臨床醫(yī)生提供有價值的影像學信息，助力乳腺癌精準治療。

1 MRI影像組學概述

“組學”最早起源于現(xiàn)代分子生物學，它常被用來定量表征人類DNA（脫氧核糖核酸）、核糖核酸（ribonucleic acid, RNA）、蛋白質(zhì)類型和活性代謝物信息[4]。影像組學概念最初在2010 年由一位美國學家明確提出[5]，它的產(chǎn)生是基于一個假設(shè)，即所獲得的影像特征是產(chǎn)生在組織基因型和表型特征相關(guān)的遺傳和蛋白質(zhì)水平上的結(jié)果[6]。影像組學是一個快速發(fā)展的研究領(lǐng)域，涉及醫(yī)學圖像中定量指標（即所謂的影像組學特征）的提取，該指標捕獲組織和病變特征，例如異質(zhì)性和形狀，可以單獨或與人口統(tǒng)計學、組織學、基因組或蛋白質(zhì)組學數(shù)據(jù)結(jié)合使用，用于解決臨床問題[7]?；贛RI圖像的影像組學可以為精準醫(yī)療表征乳腺癌的生物學特征提供大量潛在信息，例如MRI影像組學可用于治療前預測新輔助化療后乳腺腫瘤退縮模式，并融合臨床病理特征構(gòu)建聯(lián)合預測模型，顯示出良好的預測效能[8]。作為一種全面評估腫瘤及其微環(huán)境的非侵入性方法，MRI 影像組學通過評估和監(jiān)測腫瘤特征（如時間和空間異質(zhì)性），以達到對腫瘤信息進行深度解讀并且用于臨床診療和預后的目的。MRI 影像組學技術(shù)是指一種視覺分析方法框架，適用于測量各種特定目標部位形態(tài)，包括各種成像技術(shù)方式，一般包括以下幾個步驟：圖像數(shù)據(jù)采集和圖像重建、圖像分割、特征信息提取處理、建立模型和驗證。

2 乳腺癌預后的影像組學研究方法現(xiàn)況

2.1 研究平臺

在進行數(shù)據(jù)提取及分析時，研究者們通常采用不同的研究平臺。常用到的軟件有R 軟件、SPSS、Python、MATLAB、Review Manager、PASW Statistics和社會科學統(tǒng)計軟件包等，各統(tǒng)計軟件都有著不同的優(yōu)點。SPSS 主要用于一般統(tǒng)計分析，如數(shù)據(jù)管理、回歸分析等；對ROI 進行分割時，常選用兩類分割軟件，即基于傳統(tǒng)分割方法的軟件（MIM、ITK-SNAP、3DSlicer、ImageJ）以及基于深度學習的軟件（FCN、PSPNet、DeepLab、Mask R-CNN）；常用的特征提取軟件有Radcloud platform、Matlab等；R軟件常用于數(shù)據(jù)挖掘及模型建立。

通過閱讀近一年來最新文獻，發(fā)現(xiàn)大多數(shù)研究運用了多種軟件，WANG 等[9]、HAN 等[10]運用R Statistical Software、SPSS和Python等統(tǒng)計軟件相結(jié)合使用的方法，對乳腺癌預后進行分析并取得了良好的結(jié)果。LI等[11]在探討計算機提取乳腺MRI表型與MammaPrint、腫瘤型DX和PAM50多基因檢測的關(guān)系以及CHO等[12]在從動態(tài)造影增強MRI 中識別具有相似動力學特征的灌注子區(qū)域，并評估基于這些子區(qū)域的灌注異質(zhì)性對各種風險模型中患者生存結(jié)局的影響時均用到MATLAB這個軟件并獲得了可靠的研究成果。各國學者的現(xiàn)有研究發(fā)現(xiàn)，SPSS 仍是常用的軟件之一，更多的學者選擇各種統(tǒng)計平臺相結(jié)合的方法以獲得更準確的數(shù)據(jù)，多種研究平臺的出現(xiàn)及發(fā)展為影像組學的突破提供了有利的條件。

2.2 圖像分割

對已獲取的影像圖像，首先要進行ROI 的劃分，乳腺MRI圖像的分割是一項極具挑戰(zhàn)性的工作，通常采用手動和自動分割兩種方式。手動分割一般由影像學醫(yī)生手動繪制ROI，費時費力，但較準確。WANG等[9]選用兩位經(jīng)驗豐富的影像學醫(yī)生來進行圖像分割，進而隨機抽取20例患者計算其影像組學特征的組內(nèi)相關(guān) 系 數(shù)（intra-class correlation coefficient,ICC），發(fā)現(xiàn)研究者之間的一致性良好。

而自動分割則是使用已驗證的自動分割方法和軟件進行分割后再由影像學醫(yī)生進行校正。WAN等[13]通過半自動分割來獲取ROI。該項研究由不知道病理診斷結(jié)果的影像科醫(yī)生（均具有10年以上乳腺MRI判讀經(jīng)驗）選擇對比增強MRI（contrast-enhanced MRI,DCE-MRI）病灶的代表性部分，通過專門開發(fā)的半自動分割方法自動描繪病變邊界，表現(xiàn)出較高的可重復性和時效性。LI等[11]選用ClearCanvas軟件獨立定位和分割病灶也取得較好效果。

近年來，一種基于深度學習的三維U-Net分割模型逐漸被研究者們應用，這種預先訓練的模型可以對腫瘤進行自動分割，模型具有良好的重復性和準確性。MA 等[14]應用這種模型對DCE-MRI 第三期圖像進行自動分割，自動分割后的結(jié)果由兩位專業(yè)乳腺影像科醫(yī)生在ITK-SNAP 上進行檢查，其研究過程節(jié)省了時間成本且結(jié)果精準，這主要因為該期腫瘤明顯增強，背景實質(zhì)輕度增強，更有利于分割。而對于新輔助化療后患者，腫瘤強化不明顯或圖像上沒有明顯可見的腫瘤，自動分割效果較差，需影像科醫(yī)生根據(jù)腫瘤纖維化或解剖標志手動分割。DORAN 等[15]使用Annotation and Imaging Markup[16]創(chuàng)建一個注釋模板，以捕獲圖像ROI，取得良好效果。在實際應用中應該根據(jù)分割場景的不同采用不同的分割方法，以達到準確分割病灶或器官的目的。

自動分割可以避免由影像醫(yī)生個體認知差異帶來的誤差，速度快，可減少研究者的工作量，已經(jīng)在醫(yī)學領(lǐng)域發(fā)揮了重要作用，但是也存在不足，由于自動分割方法是一種人工智能，它不可避免地會忽略某些微小病灶，因此還需要影像醫(yī)生進一步手動分割和檢查。除此之外，自動分割模型的建立需要大量圖像的訓練，其準確性也需要進一步提高。

2.3 特征提取

2.3.1 特征種類及數(shù)量

研究者們常提取的影像組學特征主要包括：基于形狀和大小的特征、一階統(tǒng)計特征以及紋理特征。相對于形狀大小特征來說，紋理特征包含了更多的信息，它包含了有關(guān)空間分布和亮度變換的信息，也表達了圖像表面的結(jié)構(gòu)信息，是大多數(shù)模型建立的主要特征。紋理特征的提取方法有很多，例如：小波變換、拉普拉斯高斯（LoG）濾波變換、灰度共生矩陣（gray level co-occurrence matrix, GLCM）等。

HUANG 等[17]提取了包含強度、形狀以及紋理特征在內(nèi)的42 個影像組學特征所建立模型評估乳腺癌患者1年無復發(fā)生存期（relapse-free survival, RFS）AUC為0.75，2年RFS的AUC為0.68。CHITALIA等[18]提取共60個特征，影像組學表型顯示預測RFS的C指數(shù)為0.73。XIA等[19]共分別提取到1316個影像組學特征，包括了14 個形狀特征，372 個紋理特征以及930 個序列特征，基于這些因素建立列線圖，該模型的C 指數(shù)分別為0.834和0.868。MA等[14]在新輔助化療前后的DCE-MRI 圖像上，從每個ROI 提取了總計1070 個影像組學特征，輸出包含840個紋理特征、216個一階統(tǒng)計特征和14個基于形狀的特征。通過對這些研究結(jié)果的總結(jié)，我們發(fā)現(xiàn)隨著技術(shù)的提高以及特征提取軟件的升級，可以提取的乳腺癌相關(guān)特征數(shù)量越來越多，特征涉及種類也越發(fā)廣泛，其研究結(jié)果也愈發(fā)精準。進一步通過對瘤內(nèi)及瘤周組織同時進行特征提取并進行比較，可以獲得更加準確的信息，以便更準確地預測乳腺癌的預后狀況。

2.3.2 紋理特征的提取

著名的GLCM 分析法最先由HARALICK 提出（1973年）。利用GLCM可以從參數(shù)映射中評估參數(shù)的空間分布，表示相鄰像素之間的距離和角空間關(guān)系。BHARDWAJ 等[20]從每個參數(shù)映射中提取不同的紋理特征，例如：對比度參數(shù)、相關(guān)參數(shù)、均勻性參數(shù)和能量參數(shù)。隨著許多基于多分辨率或多通道分析的出現(xiàn)，小波變換已經(jīng)受到了大量的關(guān)注[21]。1989 年，MALLAT[22]將小波分析引入到紋理特征提取中。MA等[14]將全部乳腺癌患者MRI 圖像進行LoG 濾波和小波變換。隨著技術(shù)的發(fā)展以及對紋理特征更深入的研究，從乳腺癌圖像中提取紋理特征越來越多[23]。ZHANG等[24]提取乳腺癌的紋理特征共75個，研究成果表現(xiàn)良好。PARK 等[25]在研究影像組學特征作為浸潤性乳腺癌患者無病生存期（distant disease free survival, DFS）危險分層的生物標志物時發(fā)現(xiàn)基于GLCM/灰度大小區(qū)域矩陣（gray-level size zone matrix, GLSZM）的紋理特征比基于直方圖的特征更能捕獲異構(gòu)紋理信息，原因是基于GLCM/GLSZMs的紋理特征考慮了相鄰像素之間的相互作用，非常適合量化腫瘤的紋理和異質(zhì)性。

2.3.3 特征與預后

一階直方圖分布特征可通過直方圖分析計算得到，但是只評估直方圖（一階）影像特征選擇過于單一，結(jié)果可能不夠準確。例如，JO 及其團隊[26]利用LIFEx 軟件包從PET/CT 中提取了大量基于直方圖的一階統(tǒng)計特征，得出預處理PET/CT 計算的原發(fā)性腫瘤半定量參數(shù)可能比最大攝取標準值更能準確預測乳腺癌的復發(fā)。

根據(jù)以往的研究，基于紋理的（高階）影像特征與乳腺癌復發(fā)顯著相關(guān)，高階特征比一階特征更被認為是RFS 的重要預后預測因子[17,27-28]。HUANG 等[17]

放棄了使用已有研究報道的特征，例如，GLSZM 特征和基于小波的特征[4,29-30]，他們發(fā)現(xiàn)MRI 衍生的逆差矩歸一化GLCM 與1 年RFS 高度相關(guān)，成為預測患者1 年RFS 的關(guān)鍵特征。此外，MR 均值和最小強度、MRI衍生的GLCM 平均強度、MRI 衍生的GLCM 總和平均值和PET/CT 衍生的GLCM 聚類顯著性與2～5 年RFS 中度相關(guān)。同時，LI等[11]證實了來自DCE-MRI圖像的腫瘤大小和增強紋理有效地區(qū)分了乳腺癌復發(fā)的風險。夏冰清等[31]創(chuàng)新性地提取了12 個時間域特征，其研究成果有助于早期預測三陰性乳腺癌在新輔助化療后遠期復發(fā)、轉(zhuǎn)移的風險，為臨床決策提供支持。

基于形狀大小的特征、一階統(tǒng)計特征以及經(jīng)過小波變換、GLCM 及其他提取方法提取出來的紋理特征都可以篩選出乳腺癌預后相關(guān)特征，目前多數(shù)研究者對乳腺癌MRI 圖像進行了多層次、多序列的分析，獲得了更多與乳腺癌預后相關(guān)的特征。

2.4 驗證隊列的選擇

研究過程中，訓練隊列用來訓練模型內(nèi)參數(shù)的數(shù)據(jù)集，驗證隊列用于檢驗模型的狀態(tài)以及收斂情況，外部驗證是證明所建立模型的泛化能力，避免建模過程出現(xiàn)擬合現(xiàn)象。MA 等[14]在研究三陰性乳腺癌的預后生物標記物時，選取了單中心的147例患者數(shù)據(jù)，且只進行了內(nèi)部驗證，其研究結(jié)果缺乏一定的泛化能力。PARK 等[25]納入了294 例術(shù)前接受MRI 檢查的浸潤性乳腺癌患者，同樣，該研究為單中心研究，但是他們通過對數(shù)據(jù)集進行了三次額外的劃分，獲得了相對可靠的結(jié)果。

CHITALIA 等[18]在確定和驗證DCE-MRI 的乳腺癌內(nèi)在異質(zhì)性的成像表型，并評估其預測10 年復發(fā)的預后表現(xiàn)時，選擇公共癌癥影像檔案女性患者作為獨立樣本來對所建立模型進行外部驗證，得出初次診斷時乳腺癌腫瘤異質(zhì)性的內(nèi)在影像學表型可以預測乳腺癌10 年復發(fā)風險。WANG 等[9]探討了用影像組學預測局部晚期乳腺癌患者生存狀況的有效性，他們以來自癌癥圖像檔案（The Cancer Imaging Archive,TCIA）的數(shù)據(jù)作為外部驗證隊列，用以評估所建立模型的可行性，效果良好。KOH 等[32]不僅評估了乳腺癌MRI的三維影像組學特征作為預測三陰性乳腺癌全身復發(fā)的預后因素，而且在不同的MRI掃描儀上進行了驗證，結(jié)果表明不同儀器的模型在驗證集中表現(xiàn)較低的性能，無法判斷不同的掃描儀對試驗結(jié)果的影響。

是否對所建立模型進行外部驗證這個問題的答案是肯定的，近年來，國內(nèi)外學者逐漸對模型可廣泛適用性越來越重視，因此，采用多研究中心的研究方法，用外醫(yī)院數(shù)據(jù)進行外部驗證越來越廣泛，以提高研究成果的可靠性。

2.5 圖像種類的選擇

MRI 是一種可以提供多參數(shù)解剖、功能和代謝信息的無創(chuàng)技術(shù)，該技術(shù)包含多種序列，例如T1WI、T2WI、擴散加權(quán)成像（diffusion weighted imaging,DWI）以及DCE-MRI，多個對比參數(shù)可以形成良好的軟組織對比，同時MRI可以在斜矢方向成像并提供二維和三維數(shù)據(jù)[33]。

2.5.1 T2WI

T2WI 信號跟水含量有關(guān)，從T2WI 中可以清楚地看到病灶所處位置、大小。T2WI 的瘤周水腫征象在磁共振基因影像圖譜中是十分關(guān)鍵的征象，能夠?qū)δ[瘤惡性程度、預后進行預測[34]。一項基于腫瘤異質(zhì)性紋理分析的研究發(fā)現(xiàn)T2WI的高熵值（≥6.013，HR=9.84）與較差的無復發(fā)生存率顯著相關(guān)[35]。LEE等[36]利用MRI上腫瘤異質(zhì)性和血管生成特性的量化，研究基于影像組學的預測乳腺癌預后生物標志物和分子亞型的機器學習方法時，采取包括T2WI的多參數(shù)研究方法，建立了一個可靠的預測乳腺癌預后因素的模型。

2.5.2 DWI

DWI從分子層面評估組織水分子擴散[37]，其計算得出的表觀擴散系數(shù)（Apparent diffusion coefficient,ADC）值可以反映組織水分子擴散能力和腫瘤的生物學、細胞結(jié)構(gòu)等微觀結(jié)構(gòu)特征。既往研究發(fā)現(xiàn)，ADC值不僅與組織學分級、Ki-67、淋巴結(jié)、雌激素受體等高危復發(fā)因素存在潛在相關(guān)性[38-39]，而且與腫瘤的侵襲性和預后密切聯(lián)系[40-41]。體素內(nèi)不相干運動（intravoxel incoherent motion, IVIM）可用于定量評價DWI圖像中的快池擴散和慢池擴散，更真實準確地量化病變中水分子的真實運動以及血管灌注情況。FENG 等[42]在探討定量參數(shù)直方圖分析對乳腺癌不同分子預后因素的療效時，采集了IVIM的圖像，得出定量直方圖參數(shù)可為進一步指導臨床乳腺癌預后提供科學依據(jù)的結(jié)論。IVIM 雖然實現(xiàn)體素內(nèi)水分子彌散和灌注成分的分離，反映組織細胞的數(shù)量和血管分布，但它與乳腺癌預后之間的關(guān)系存在爭議[43]。DWI 及其衍生技術(shù)在乳腺癌預后方面顯示出巨大的預測潛力，但DWI 序列在乳腺掃描中也存在一些不足：信噪比和空間分辨率較低、空間失真較大等，會導致圖像損失一些重要信息[44]。目前在預后方面DWI序列仍作為DCE-MRI的重要的補充序列。

2.5.3 DCE-MRI

DCE-MRI 除了能夠?qū)Σ∽兊男螒B(tài)特點以及內(nèi)在結(jié)構(gòu)進行觀察，還能對病變的血流動力學變化進行分析[45]。增強掃描是評估血管最常用的方法，包括基于強度-時間曲線（intensity-time curve, TIC）的半定量參數(shù)，NIUKKANEN等[46]利用3D分割技術(shù)分析得到瘤內(nèi)、瘤周的信號增強比與腫瘤大小、組織學分級、Ki-67表達相關(guān)，證實了瘤周區(qū)域TIC相關(guān)的半定量參數(shù)與乳腺癌不良預后的關(guān)聯(lián)性。CHITALIA等[18]回顧性地從原發(fā)性乳腺癌患者中篩選出使用DCE-MRI圖像的患者進行分析，提出影像組學表型可以提供腫瘤異質(zhì)性的無創(chuàng)表征，以增強個體化預后和治療。XIA等[19]回顧性地研究了150 例確診為三陰性乳腺癌的患者資料，從他們的DCE-MRI圖像中提取特征并建立了可靠的預后模型。

2.5.4 多模態(tài)序列

曾經(jīng)部分研究者們在研究乳腺癌預后中只討論了患者單序列圖像，進一步的前瞻性研究包括多種乳腺MRI 方案，如T2WI、DWI 與DCE-MRI 聯(lián)合的多模態(tài)序列等[19]。ZHANG 等[47]應用T1WI、T2WI、DWI 和DCE-MRI，建立一種基于多參數(shù)MRI 的影像組學列線圖，用于預測乳腺浸潤性導管癌患者的淋巴血管浸潤及臨床預后狀態(tài)。但是由于該研究僅使用增強后的早期圖像提取影像組學特征，并且所使用序列空間分辨率略低，可能會對影像組學特征魯棒性有一定的影響。黑歡歡等[48]對患者行雙側(cè)乳腺平掃、DWI 和DCE-MRI，探究乳腺癌術(shù)后復發(fā)的有效預測因子并構(gòu)建列線圖預測模型，所構(gòu)建模型預測準確性和有效性較高。多模態(tài)MRI 以其多功能和多參數(shù)成像的特點，通過各序列間橫向聯(lián)合和優(yōu)勢互補可顯著提高對乳腺癌預后檢出的敏感性和特異性，現(xiàn)已成為重要的術(shù)前檢查方法。

近年來，MRI 相關(guān)技術(shù)不斷進步，新的序列不斷出現(xiàn)，有望彌補現(xiàn)有序列的缺陷，多模態(tài)序列的結(jié)合更有利于挖掘?qū)︻A后有價值的信息。

3 影像組學在乳腺癌預后中的研究趨勢

目前基因組學、病理組學、轉(zhuǎn)錄組學、蛋白質(zhì)組學與影像組學同樣得到了飛速發(fā)展，而多組學聯(lián)合的研究也越來越多，有望為乳腺癌更精準地診斷、治療及預后提供幫助。

3.1 影像病理組學聯(lián)合模型

在乳腺癌的診斷、治療與預后等方面，臨床病理檢查結(jié)果仍然是金標準。然而近年來的研究中，將影像組學與病理結(jié)果相結(jié)合來預測乳腺癌的預后引起了大家的關(guān)注。

PARK 等[25]已經(jīng)逐漸建立及完善了這樣的一個系統(tǒng)，即包含了影像組學特征、MRI圖像分析以及臨床觀察及臨床病理結(jié)果分析的影像組學列線圖，采用了多種數(shù)據(jù)分析方法來進一步確定出這前后三者之間與DFS的相關(guān)性，從而得出結(jié)合這三者的影像組學列線圖預測性能優(yōu)于僅使用臨床病理或僅影像組學評分的列線圖。KIM等[49]、XIA等[19]和WANG[50]等同樣進行了相似的研究，表明MRI影像學特征與臨床病理學數(shù)據(jù)相結(jié)合可提高對RFS的預測。XIONG等[51]首先采用單因素Cox 比例風險模型分析臨床病理變量和影像組學特征對DFS 的影響，然后基于貝葉斯信息準則，逐步納入臨床病理變量，選擇最有用的預測因子，進而構(gòu)建了一個包含影像組學標記和臨床病理預測因子的影像組學標記圖，并與只包含臨床病理預測因子的臨床病理標記圖進行了比較，他們發(fā)現(xiàn)影像病理組學模型展現(xiàn)出更高的預測能力。

3.2 影像基因組學聯(lián)合模型

影像基因組學主要用來研究醫(yī)學成像影像表型和腫瘤基因組之間的關(guān)系。近年來，研究者們已發(fā)現(xiàn)多種基因或基因突變影響著乳腺癌的預后。BARETTA 等[52]通過系統(tǒng)回顧和薈萃分析的方法，對乳腺癌患者進行分析，研究結(jié)果顯示，BRCA 突變攜帶者的總生存期、乳腺癌特異性生存期、無遠處轉(zhuǎn)移生存期以及DFS 均下降。CHEN 等[53]發(fā)現(xiàn)基因TRIM13 低表達、WANG 等[54]發(fā)現(xiàn)基因PITX1 高表達、ZHANG 等[55]發(fā)現(xiàn)COL10A1高表達均與乳腺癌不良預后相關(guān)。CHEN等[56]發(fā)現(xiàn)TIMP2的表達與不同臨床特征的總生存期有關(guān)。ZHANG等[57]利用多種公共可用資源評估OAS家族成員的預后價值，其中OAS1 和OAS3 轉(zhuǎn)錄RNA 高表達與所有乳腺癌患者預后不良相關(guān)，而OAS2 轉(zhuǎn)錄RNA 高表達與預后良好相關(guān)。NAM等[58]共同探討乳腺癌MRI影像組學特征和預測復發(fā)風險的多基因組之間的潛在關(guān)聯(lián)，但是由于乳腺癌復發(fā)情況需要經(jīng)過長時間隨訪獲得，文章中的復發(fā)風險分數(shù)并不能完全真實反映復發(fā)情況。

乳腺基因序列同樣涵蓋了預后信息，結(jié)合乳腺癌基因數(shù)據(jù)的多組學聯(lián)合研究是影像組學新的發(fā)展方向。目前對于影像基因組學的研究大多局限于Ki-67和p53[58-61]，關(guān)于其他眾多與乳腺癌預后相關(guān)基因（例如：PTEN、BRCA等）的研究也開始出現(xiàn)。

3.3 多組學研究

多組學數(shù)據(jù)整合可以為乳腺癌的早期診斷、預后和治療提供依據(jù)。ZANFARDINO 等[62]提出使用數(shù)據(jù)庫作為一個集成的數(shù)據(jù)結(jié)構(gòu)來組合多組學數(shù)據(jù)，他們改進了該數(shù)據(jù)結(jié)構(gòu)的可用性，開發(fā)了一種多組學統(tǒng)計方法工具。由于影像組學模型和計算病理學模型都主要來源于臨床腫瘤組織，這只能提示腫瘤形態(tài)表型可揭示臨床腫瘤組織的形態(tài)異質(zhì)性，WANG等[9]課題組則恰恰是在將臨床影像組學結(jié)果與臨床基因組學資料和臨床計算組織病理學資料數(shù)據(jù)分析相結(jié)合，評估了臨床影像組學資料與臨床腫瘤細胞形態(tài)學及其微環(huán)境的異質(zhì)性等之間存在的聯(lián)系，還因此構(gòu)建出了另一個能結(jié)合各種臨床腫瘤病理因素評價和臨床影像組學評分指標的列線圖預測模型，該模型具有極良好的預測精度。

大規(guī)模的組學數(shù)據(jù)和生物醫(yī)學圖像的分析，在預測乳腺癌分子表型、實現(xiàn)個性化醫(yī)療方面取得了很大的進展，反映了數(shù)據(jù)的高維度和異質(zhì)性，而多組學數(shù)據(jù)整合可以為乳腺癌的早期診斷、預后和治療的準確估計提供依據(jù)。

4 影像組學在乳腺癌預后研究中存在的問題

雖然影像組學在乳腺癌預后評估中已經(jīng)有了廣泛的應用，但仍有一些尚未解決的問題，例如：影像醫(yī)生缺乏工科的相關(guān)知識，有效的標準化或可重復的特征提取系統(tǒng)的可用性有限，用于外部驗證的數(shù)據(jù)共享有限等。此外，大多數(shù)影像組學研究是初步的回顧性設(shè)計，樣本量相對較小，通常具有可疑或不確定的可重復性評估[63-64]。另外MRI圖像獲取方法的差異性使得提取的增強MRI 圖像影像組學特征與TCIA 的MRI 圖像有一定的不同[9]。盡管一些研究者試圖通過ICCs來分析影像醫(yī)生觀察者的差異，并獲得了滿意的ICCs，但是其ROI的獲取是通過手動分割的[65]，費時費力，且不可避免地受到醫(yī)生的主觀性影響。

5 總結(jié)與展望

乳腺影像組學是乳腺癌成像的未來。影像組學是一個自動化、計算機化的過程，它其實是從采集到的影像圖像中分割腫瘤，以獲得高保真信息和數(shù)據(jù)。本文通過對現(xiàn)階段MRI 影像組學研究方法及預后應用進展的總結(jié)，認為乳腺癌影像組學在預后和復發(fā)風險預測方面具有較好的前景，并且推動了個體化治療的未來，同時影像組學仍處于發(fā)展階段，其臨床應用還面臨諸多挑戰(zhàn)。例如：（1）對于包括乳腺癌在內(nèi)的高發(fā)病率腫瘤的標準化影像的獲取、高通量特征的穩(wěn)定性、特征選擇與建模等關(guān)鍵科學問題和技術(shù)方面還有待進一步探索。（2）目前針對聯(lián)合模型的發(fā)展，研究者們已經(jīng)進行了大量的研究，然而整合所開發(fā)的先進成像技術(shù)與轉(zhuǎn)錄組學、蛋白質(zhì)組學、代謝組學等關(guān)鍵組學技術(shù)領(lǐng)域的研究仍亟待進一步深入。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：歐陽愛梅設(shè)計本綜述的研究方向，對稿件重要內(nèi)容進行了修改，獲得濟南市科技創(chuàng)新發(fā)展計劃基金項目的資助；李忠遠起草和撰寫稿件，檢索文獻；全體作者都同意發(fā)表最后的修改稿，同意對本研究的所有方面負責，確保本研究的準確性和誠信。