影像基因组学在肿瘤研究中的应用进展

李梦蕾 童 彤

随着20世纪90年代初基因组革命的到来，医学研究被推动到从基因水平上去探究疾病的基础机制，以实现精准医疗。传统的基因分析手段依赖于有创的活检取材或术后病理组织来进行，具有一定的风险及潜在的并发症，因此并不能应用于每位癌症患者。相比之下，医学影像作为疾病诊断和治疗过程中重要的组成部分，具有非侵入性和普遍性的优点，为影像基因组学（radiogenomics）提供了新的思路。影像基因组学是一种将基因组学与多种成像特征（如大小、体积、纹理特征等）联系起来，从而更深入地了解肿瘤生物学特性和捕获内在的肿瘤异质性的新的影像分析方法[1]。近年来，越来越多学者开始关注影像基因组学，并在不同的领域展开研究，取得了一定的进展。

历 史 背 景

2003年首次出现了影像基因组学的概念，但当时仅表示放疗效果与基因之间的关联[2]。随后几年，陆续有学者发表文章强调这一新兴领域，并将其概念扩大到影像特征与基因组之间的联系上[1]。需要注意的是其与影像组学存在些微差别，后者是指从影像中高通量地提取大量影像信息，实现肿瘤分割、特征提取与模型建立，凭借对海量影像数据信息进行更深层次的挖掘、预测和分析来辅助医师做出最准确的诊断。

影像基因组学的出现，既发挥了基因组学可以用于早期疾病诊断的优势，又解决了传统基因分析手段依赖于有创的手术获得样本、采集样本的时间和空间局限性等缺点，只需通过无创的常规影像学检查，就可以了解基因表达谱。影像基因组学的最终目标是，结合基因型和表型度量标准开发出特异性成像生物标记物。

当 前 应 用

1． 脑

影像基因组学研究在中枢神经系统（central nervous system，CNS）肿瘤（特别是胶质母细胞瘤）方面取得的成果最丰硕。

1．1 多形性胶质母细胞瘤（glioblastoma multiforme，GBM）：GBM是一种多变的异质性肿瘤，磁共振成像（magnetic resonance imaging，MRI）和纹理分析有助于分析肿瘤异质性，比如，TP53突变肿瘤的对比度增强程度较弱且坏死体积较小，而RB1突变的水肿体积较小；EGFR扩增和CDKN2A丢失与肿瘤内血管生成增加有关等。Jamshidi等构建了一个放射性相关图谱，该图上确定的基因与性状的关系（如：对比坏死比率与KLK3和RUNX3的关联等）突出了一些新的候选成像生物标志物，有待学者们在未来研究中进一步评估[3]。

1．2 脑转移瘤（brain metastases，BM）：BM是颅内肿瘤中最常见的类型，但在影像基因组学方面的研究相对较少。在BM中常出现密集的肿瘤浸润淋巴细胞（tumor-infiltrating lymphocytes，TILs），其中黑色素瘤的BM中TIL密度最高，TILs与术前磁共振图像中的瘤周水肿程度和预后呈正相关，因此可以用TILs判断患者预后。另外研究发现EGFR突变状态影响肺癌BM的分布，比如L858R突变的EGFR肺癌易转移到尾状叶、小脑和颞叶等[4]。

CNS肿瘤种类繁多，且具有不同的临床特征、疗效和预后，因此精准的脑肿瘤分类和分级是治疗此类肿瘤的重要步骤。目前，世界卫生组织根据放射学和基因组学研究成果，已对CNS肿瘤进行了新的分类，例如，依据IDH的关键基因突变将GBM分为IDH-野生型、IDH-突变型和其他胶质母细胞瘤三种类型等[5]。

2．肺

肺部研究主要集中在非小细胞肺癌（non-small cell lung cancer，NSCLC）方面。EGFR、KRAS和ALK突变状态的分子分析在NSCLC的研究中较为常见，例如：已知EGFR突变与空气支气管征、胸膜牵拉征、较小病灶、无纤维化、磨玻璃影（ground-glass opacity，GGO）、不规则结节和结节边界不清显著相关，Gevaert等创建了一个通过成像特征（即肺气肿、气道异常、GGO成分百分比和肿瘤边缘类型）来预测EFGR的模型，前两个特征可以单独预测EGFR的野生状态，而GGO的存在即表明存在EGFR突变[6]；ALK重排与边缘分叶、实性肿块、无胸膜尾征、大量胸腔积液和肿瘤中心位置等相关，有研究表示可利用这些影像特征来辅助鉴别诊断ALK+与非ALK肿瘤等[7]。另外发现肿瘤大小、边缘形状和边缘清晰度具有很高的预后意义，并且多个研究已经证实了NF–kappa B与18F-FDG PET摄取和患者预后存在关联[8]。

3．乳腺

目前，乳腺的影像基因组学研究主要集中在基因签名、分子亚型、复发评分三方面。

3．1基因签名：2012年Yamamoto等首次发表了一项关于乳腺MRI影像基因组学的自述性研究，他们确定了21个影像学特征与71%的总基因有相关性，另外发现有12项成像特征与乳腺癌基因组显着相关，11项与预后相关[9]。该开创性研究为乳腺成像中的放射基因时代奠定了基础。随后他们又研究了动态增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging，DCE-MRI）表型、早期转移和长非编码RNA（long noncoding RNA，lncRNA）表达之间的多尺度关系，鉴定出8个与增强的边缘分数评分显着相关的lncRNA[10]。

3．2分子亚型：基于基因表达谱，可将乳腺癌分为四种主要分子亚型：Luminal A；Luminal B；富含HER2 和三阴性（TN）/基底样。其中，Luminal A最常见预后最佳；Luminal B型和HER2型与多灶性、多中心性疾病以及淋巴结受累有关等[11-12]。

3．3复发评分（recurrence score，RS）：一项研究评估了影像特征与Oncotye DX检测的复发评分（oncotype DX test recurrence score，ODxRS）之间的关系，比如，乳腺密度与ODxRS呈负相关；肿瘤边缘模糊和线性钙化与ODxRS呈正相关等[13]。另外很多其他成像特征（如肿瘤大小、对比度增强、质地等）与复发评分之间也存在着显著相关性，上述这些成像标志物都可以指导治疗策略的制定。

4．肾脏

目前肾脏的放射基因学研究较少，但已有一些学者对肾透明细胞癌（clear cell renal cell carcinoma，ccRCC） 常 见 的 突 变（ 如：VHL、PBRM1、SETD2、KDM5C、BAP1和 MUC4基 因突变等）与影像特征之间的相关性进行了探讨，例如：VHL突变与清晰的肿瘤边缘、结节增强、肿瘤血管的生成相关；MUC4与肿瘤外生生长模式相关等。Jamshidi首次开发了肾癌的放射基因组风险评分（radiogenomic risk scores，RRS），该评分包括四个CT成像特征（即是否有肿瘤坏死、过渡区浸润情况、是否存在肿瘤的不连续增强边缘、是否存在减弱的肿瘤边缘），能够独立于疾病分期、分级和临床表现，对疾病特异性存活情况进行预测[14]。随后，一项研究证实了RRS的可靠性，认为其可以作为疾病特异性生存的预测指标，并且与生存率呈负相关[15]。

5．肝脏

最初的研究显示了一些肿瘤影像特征与基因型之间的潜在关系，但具体到特定基因在肝细胞癌（hepatocellular carcinoma，HCC）中的重要性还不清楚[16]。之后，Hesketh等人在此基础上取得了突破性进展，他们在仅有的28种成像特征的基础上，预测到6732个基因中74%的表达[17]。在预后方面，肿瘤大小、不光滑肿瘤边缘和瘤周增强等与微血管浸润（microvascular invasion，MVI）显著相关，而HCC中的MVI又是手术切除或肝移植后预后不良的独立预测因子[16]，因此可以推断这些特征预示着预后不良。

6．前列腺

关于前列腺癌的影像基因组学研究也取得了一些进展。迈阿密大学的一组研究证明了与免疫/炎症反应、新陈代谢、细胞和生物黏附相关的基因表达与成像特征之间有强烈关联，其中表观扩散系数（ADC）值与这些生物学过程的相关性最高[18]；另一研究将106例患者的MRI影像特征[包括：前列腺成像报告和数据系统（prostate imaging reporting and data system，PI-RADS）评分、可疑病变的直径和平均ADC值]与细胞周期进展（cell cycle progression，CCP）评分进行关联研究，结果发现PI-RADS与CCP评分显着相关，然而与迈阿密大学的研究不同的是，CCP分数与平均ADC值并没有显著相关性，CCP分数也与病变直径无关[19]。

7．妇科肿瘤

7．1宫颈癌：对晚期宫颈癌患者的研究，主要是评估了影像基因组学对放化疗患者的预测价值。Halle等对78个宫颈癌肿瘤中的46个进行了基因组分析，发现A Brix参数与缺氧基因组相关；剩余的32个进行了免疫组织化学分析，发现低A Brix与HIF1a蛋白表达的上调相关[20]。也有研究表明DCEMRI图像的多个药代动力学模型（Brix和Tofts模型）参数与无进展生存期（PFS）有关，其中A Brix参数与患者疾病结局的相关性最高[21]。

7．2卵巢癌：卵巢癌分类（classification of ovarian cancer，CLOVAR）将该肿瘤分为4种基因组亚型：分化型、免疫反应型、间充质型和增殖型，其中肠系膜浸润和弥漫性腹膜受累模式与间充质亚型相关；肠系膜浸润的存在也与更短的PFS和OS显著关联[22]。

影像基因组学的前景与挑战

影像基因组学尚处于早期研究阶段，其应用仍存在较多问题：①可重复性：研究过程中一些常见影响因素如数据过度拟合、报告结果的完整性和许多混杂变量的存在等导致研究的可重复性存在困难。②影像分析标准化：在临床实践中，对于图像的扫描参数缺乏统一的标准，因此在不同机器上获得的结果难以进行比较和评价。③图像分割问题：进行图像分割并提取感兴趣区域是数据分析过程的关键步骤之一，但是由于许多肿瘤的边界模糊及手动分割存在观察者间差异，难以保证图像分割的可重复性，虽然已经开发了自动和半自动分割算法，但是目前还没有适用于所有医学图像应用的通用分割算法。④数据共享：研究必须针对完全独立的数据集进行，而且最好从不同的机构中进行验证，所以需要有用于验证集合的共享数据库。目前已取得一些进展，比如癌症基因组图谱（the cancer genome atlas，TCGA）和癌症成像存档（the cancer imaging archive，TCIA）等。

展 望

影像基因组学未来的一个方向是进行更多“组学”技术（转录组学、蛋白质组学、代谢组学等）与功能成像数据（如灌注、弥散成像和光谱等）相结合的探索，从而为多维影像基因组学开辟更多新途径。总之，随着研究的进一步深入，影像基因组学将在医学领域尤其是癌症研究工作中发挥更加积极的作用，并很有可能彻底改变癌症患者的诊断、治疗和预后。