影像組學(xué)在腮腺腫瘤鑒別中的研究進(jìn)展

李文鑫，楊慧敏，郭蘭田（通信作者）

（1 濱州醫(yī)學(xué)院附屬醫(yī)院放射科 山東 濱州 256603）

（2 濱州醫(yī)學(xué)院醫(yī)學(xué)影像學(xué)院 山東 煙臺(tái) 264003）

腮腺腫瘤約占頭頸部腫瘤的3%～6%，其中良性腫瘤約占80%，多形性腺瘤、沃辛瘤（Warthin tumor,WT）常見[1]。多形性腺瘤易惡變及復(fù)發(fā)[2]，通常采取部分或全部腮腺切除術(shù)[3]；沃辛瘤術(shù)前診斷明確時(shí)應(yīng)盡量避免手術(shù)[4]。而惡性腫瘤的首選腮腺全切除術(shù)聯(lián)合放療[3]。目前，常用的檢查方法包括影像學(xué)檢查如超聲、CT、MRI 和細(xì)針穿刺細(xì)胞學(xué)檢查，前者主要通過腫瘤的大小、形態(tài)、位置、邊緣、密度或信號(hào)及強(qiáng)化方式等征象并結(jié)合相關(guān)臨床資料進(jìn)行診斷，但其影像表現(xiàn)不典型時(shí)易誤診[5]；而后者存在腫瘤細(xì)胞種植轉(zhuǎn)移以及誘發(fā)腮腺炎的風(fēng)險(xiǎn)[6]。因此，術(shù)前準(zhǔn)確、無創(chuàng)地進(jìn)行腫瘤分類對(duì)治療方案的選擇至關(guān)重要。影像組學(xué)作為人工智能與醫(yī)學(xué)影像領(lǐng)域交叉融合的產(chǎn)物，最早由Lambin 等[7]提出，能夠無創(chuàng)地從醫(yī)學(xué)圖像中高通量提取定量數(shù)據(jù)，這種特征可以體現(xiàn)人眼無法辨認(rèn)的病灶微觀或分子水平上的改變[8]，其思想是源自實(shí)體腫瘤的基因、蛋白質(zhì)、微環(huán)境等存在時(shí)間和空間上的異質(zhì)性。而深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)子集，相較傳統(tǒng)影像組學(xué)，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的多層結(jié)構(gòu)能夠自動(dòng)學(xué)習(xí)更為豐富的影像學(xué)特征，有助于提高腫瘤分類性能[9]。

1 基于超聲影像組學(xué)在腮腺腫瘤鑒別中的應(yīng)用

超聲具有無創(chuàng)、無輻射等優(yōu)點(diǎn)，但是病變間特征存在重疊且受限于操作者的主觀經(jīng)驗(yàn)，因此需要更客觀的方法評(píng)價(jià)超聲圖像。文榮等[10]探討了基于超聲圖像建立的影像組學(xué)模型在多形性腺瘤和沃辛瘤鑒別診斷中的應(yīng)用價(jià)值，結(jié)果顯示基于局部各向異性梯度方向共生的兩個(gè)特征構(gòu)建的模型表現(xiàn)出良好的鑒別效能，其訓(xùn)練集和測(cè)試集的AUC 分別為0.91、0.88，但該研究樣本量較小，存在一定的偶然性。在良、惡性腮腺腫瘤的分類中，Wang 等[11]納入251 例腮腺患者的超聲圖像，構(gòu)建四種深度學(xué)習(xí)模型，最終研究表明基于EfficientNetB3 構(gòu)建的模型表現(xiàn)優(yōu)于其他3 種模型，曲線下面積（AUC）為0.82。這可能是由于該卷積網(wǎng)絡(luò)對(duì)圖像的深度、寬度和分辨率進(jìn)行擴(kuò)展，因此相較于其他模型擁有相對(duì)更好的精度。但是超聲圖像是單張圖像，難以對(duì)病變整體進(jìn)行分析，因此不可避免地會(huì)丟失部分腫瘤信息，存在一定的局限性。

2 基于CT 的影像組學(xué)在腮腺腫瘤鑒別中的應(yīng)用

CT 的密度分辨率高、成像數(shù)量多，可以多個(gè)層面地顯示腫瘤。然而，基于CT 不同期相構(gòu)建的模型的分類性能存在差異，Chen 等[12]分析了189 例腮腺腫瘤患者的CT 平掃、動(dòng)脈期及靜脈期圖像，構(gòu)建影像組學(xué)模型來鑒別多形性腺瘤、沃辛瘤和基底細(xì)胞瘤，該研究指出基于靜脈期構(gòu)建的模型對(duì)沃辛瘤與基底細(xì)胞瘤具有良好的分類能力，其AUC 為0.95；而基于動(dòng)脈期構(gòu)建的模型對(duì)多形性腺瘤與沃辛瘤、基底細(xì)胞瘤的分類性能更優(yōu)，AUC 為0.89，這與鄭韻琳等[13]的研究結(jié)果一致。在腮腺良、惡性腫瘤的鑒別中，Yu 等[14]將三種不同特征選擇方法與兩種分類器進(jìn)行組合并分別構(gòu)建模型，結(jié)果顯示基于動(dòng)脈期的模型在三個(gè)期相中具有最高的預(yù)測(cè)性能，在測(cè)試集中AUC 高達(dá)0.924。以上研究說明各期相所攜帶的特征信息之間存在差異，這可能由腫瘤的組織成分不同所致。王琴等[15]基于CT 平掃圖像分別使用三種不同的機(jī)器學(xué)習(xí)算法構(gòu)建影像組學(xué)模型，結(jié)果顯示以隨機(jī)森林（random forest, RF）鑒別多形性腺瘤與沃辛瘤的效能最佳，準(zhǔn)確率及AUC 分別為83.3%、0.882，該研究說明不同機(jī)器學(xué)習(xí)分類器對(duì)腮腺腫瘤的最佳分類效能存在差異，與Lu 等[16]研究結(jié)果一致。這主要與腫瘤的類型及分類器本身的算法有關(guān)，因此，選擇有效且適當(dāng)?shù)慕７诸惼鲗?duì)開發(fā)穩(wěn)健的預(yù)測(cè)模型至關(guān)重要。

Feng 等[17]在多形性腺瘤與沃辛瘤的多中心分類研究中，基于動(dòng)脈期圖像構(gòu)建臨床因素（年齡、性別、吸煙）模型與影像組學(xué)標(biāo)簽以及兩者聯(lián)合模型，最終結(jié)果顯示聯(lián)合模型分類效能最佳，其訓(xùn)練集、驗(yàn)證集和獨(dú)立測(cè)試集AUC 分別為0.979、0.922 和0.903，這與Zheng等[18]的研究結(jié)果一致。Xu 等[19]在鑒別腮腺良惡性腫瘤的多中心研究中，建立聯(lián)合影像學(xué)特征（位置、淋巴結(jié)）的綜合預(yù)測(cè)模型，在訓(xùn)練集和外部測(cè)試集中的準(zhǔn)確率分別為85.4%、83.5%，聯(lián)合模型的分類能力同樣優(yōu)于單獨(dú)的影像學(xué)特征模型及影像組學(xué)模型。這說明多中心研究的影像數(shù)據(jù)增加了樣本的數(shù)量及多樣性，能夠提高模型的泛化能力，另外納入相關(guān)的臨床及影像資料，能夠進(jìn)一步提高模型的分類能力。但是傳統(tǒng)影像組學(xué)方法流程比較復(fù)雜，工作量大且需要比較豐富的臨床經(jīng)驗(yàn)，不利于進(jìn)一步推廣。

Zhang 等[20]訓(xùn)練了四種基于遷移學(xué)習(xí)的模型以及一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks,CNN）模型對(duì)腮腺良、惡性腫瘤進(jìn)行分類，結(jié)果顯示優(yōu)化的CNN 模型取得了97.78%的準(zhǔn)確率并優(yōu)于其他模型。深度學(xué)習(xí)雖然能夠自動(dòng)學(xué)習(xí)更為豐富的影像學(xué)特征，但是其算法是抽象且高度假設(shè)的，如何得出特定結(jié)論目前還缺乏有效的解釋。

3 基于MRI 的影像組學(xué)在腮腺腫瘤鑒別中的應(yīng)用

MRI 具有無創(chuàng)、軟組織分辨率高等優(yōu)勢(shì)，能清楚地顯示腫瘤與周圍神經(jīng)、軟組織關(guān)系。吳艷等[21]基于T2WI 序列圖像的最大層面構(gòu)建影像組學(xué)聯(lián)合模型鑒別多形性腺瘤與沃辛瘤，最終聯(lián)合模型在訓(xùn)練集及驗(yàn)證集中的AUC 為0.90、0.96，但是單序列、最大截面感興趣區(qū)不能反映腫瘤的全貌，可能會(huì)導(dǎo)致部分具有特征性的紋理數(shù)據(jù)丟失。周宇堃等[22]對(duì)腫瘤感興趣區(qū)進(jìn)行逐層勾畫，并基于T1WI、IDEAL-T2WI 及二者聯(lián)合序列分別構(gòu)建隨機(jī)森林及邏輯回歸模型鑒別多形性腺瘤與沃辛瘤，最終基于聯(lián)合序列的隨機(jī)森林模型的分類性能表現(xiàn)最佳，在驗(yàn)證集中AUC 為0.87，而單序列模型AUC 最高為0.86，這表明多模態(tài)影像組學(xué)模型可以提高對(duì)腮腺腫瘤的鑒別效能，但該研究局限性在于樣本量較少，會(huì)對(duì)模型的適應(yīng)、優(yōu)化及評(píng)估產(chǎn)生影響。Qi 等[23]對(duì)腮腺不同良性腫瘤、良惡性腫瘤之間進(jìn)行鑒別，研究結(jié)果顯示多模態(tài)影像組學(xué)模型聯(lián)合臨床特征后的綜合模型分類性能最佳，在良性與惡性腫瘤、多形性腺瘤與惡性腫瘤、沃辛瘤與惡性腫瘤、多形性腺瘤與沃辛瘤的鑒別中其AUC 分別達(dá)到0.907、0.961、0.879、0.967，而沃辛瘤與惡性腮腺腫瘤的鑒別效能相對(duì)較低，可能是沃辛瘤比多形性腺瘤具有相對(duì)更大的組織異質(zhì)性和血管分布，使其更類似于低度惡性腫瘤有關(guān)。

此外，有學(xué)者采用深度學(xué)習(xí)方法對(duì)腮腺腫瘤進(jìn)行鑒別，Gunduz 等[24]基于InceptionResNetv2 構(gòu)建的TIWI、T2WI、 彌散加權(quán)成像（DWI）（b = 0、1 000 s/mm2）及表觀彌散系數(shù)（ADC）聯(lián)合后的模型在良性腫瘤、良惡性腫瘤間的鑒別中優(yōu)于單序列，準(zhǔn)確率達(dá)到了92.86%。同時(shí)，該模型與傳統(tǒng)分類器模型相比，深度學(xué)習(xí)模型在更加便捷的基礎(chǔ)上具有與傳統(tǒng)分類器模型相近的準(zhǔn)確率?？偟膩碚f，這些研究目前仍在選定的特征性疾病中進(jìn)行，未來真正應(yīng)用于臨床中還需要進(jìn)一步地深入探索。

近年來，瘤周影像組學(xué)悄然興起，除了腫瘤本體攜帶的疾病信息外，腫瘤外圍的區(qū)域可能會(huì)包含一些重要的疾病信息，其組學(xué)特征也可能蘊(yùn)含著一些重要的疾病特定的關(guān)聯(lián)特征，可以提供腫瘤異質(zhì)性的補(bǔ)充信息等。在腮腺相關(guān)疾病中，Li 等[25]開發(fā)和驗(yàn)證了基于多中心CT 圖像的瘤內(nèi)和瘤周多種影像組學(xué)模型，以對(duì)腮腺多形性腺瘤有無完整包膜進(jìn)行鑒別診斷，結(jié)果顯示基于感興趣區(qū)瘤內(nèi)和瘤周特征的線性判別分析（linear discriminant analysis, LDA）影像組學(xué)模型獲得了更高分類性能，在測(cè)試集中的AUC 為0.869。目前尚未發(fā)現(xiàn)瘤周影像組學(xué)在腮腺腫瘤鑒別診斷中的相關(guān)研究，這為腮腺疾病的分類研究提供了新的方向。

4 挑戰(zhàn)與展望

影像組學(xué)的出現(xiàn)為腫瘤影像領(lǐng)域的發(fā)展提供了新的方向，在面對(duì)影像組學(xué)帶來可喜機(jī)遇的同時(shí)，也必須正視影像組學(xué)在應(yīng)用中存在的挑戰(zhàn)。數(shù)據(jù)在人工智能中處于核心地位，其數(shù)量、質(zhì)量以及穩(wěn)定性直接決定了人工智能的應(yīng)用效果，目前不同中心的影像數(shù)據(jù)仍缺乏統(tǒng)一的標(biāo)準(zhǔn)。此外，目前的研究以回顧性的單中心研究居多，仍需要前瞻性、多中心、大樣本數(shù)據(jù)研究的驗(yàn)證。深度學(xué)習(xí)有望在不增加樣本量的前提下提升影像組學(xué)流程的智能化程度、改善特征提取結(jié)果和提升預(yù)測(cè)模型的效率及準(zhǔn)確性，具有較大的優(yōu)勢(shì)和臨床應(yīng)用價(jià)值。未來，隨著計(jì)算機(jī)算法理論的進(jìn)一步發(fā)展和影像學(xué)數(shù)據(jù)的積累與標(biāo)準(zhǔn)化，通過與基因、蛋白質(zhì)等組學(xué)領(lǐng)域生物標(biāo)志物的聯(lián)合，以影像組學(xué)和深度學(xué)習(xí)為代表的人工智能在醫(yī)學(xué)領(lǐng)域有望為腮腺腫瘤的精準(zhǔn)分類、治療策略選擇開拓新的研究方向。