朱美娇,杨 明,王树杰
(南京医科大学附属儿童医院放射科,江苏 南京 210008)
医学影像学是临床获取信息、诊断疾病、制定治疗策略的重要手段,在儿童疾病诊断中具有重要意义。但由于儿童依从性差、检查难度高以及辐射安全等问题,精准诊断一直是儿科影像学的难题。MRI无创、软组织分辨率高,适于纵向随访,且可提供结构和功能数据,在儿童疾病研究中具有优势。基于MRI数据的影像组学可将常规视觉影像信息转化为深层次的特征以进行量化研究,从而获得更多的图像信息,且可利用常规临床MRI数据而不增加扫描时间,是目前精准医疗的重要组成部分,已成为现阶段的研究热点之一[1-2]。本文对基于MRI的影像组学在儿童疾病中的应用进展进行综述。
1.1 定义 Lambin等[3]于2012年提出影像组学的概念,指从CT、MRI或PET获得的医学图像中提取大量影像学特征,通过高通量定量分析,将图像转化为具有高分辨率、可发掘的空间数据[1]。影像组学技术来源于计算机辅助诊断(computer aided diagnosis, CAD),凭借对海量影像学数据进行更深层次的挖掘来预测和分析疾病,并辅助临床医师做出准确诊断,已发展成为融合影像、基因及临床等信息的辅助诊断、分析和预测方法[4-5],并广泛应用于肿瘤等疾病[6-7]。
1.2 处理流程 影像组学研究的总体处理流程[8]包括数据采集、病变识别、病灶分割、特征提取和分析建模,病灶分割及特征提取是其中的核心步骤。
数据采集和病变识别是影像组学处理的基本步骤,采集图像时应尽可能使用同种MR设备,且尽量保持扫描参数一致,从而获得高质量和标准化的原始MRI[8]。病灶分割是指基于图像来分割病变ROI,目前主要由经验丰富的放射科医师采用软件手动、半自动或自动在目标图像上勾画ROI。常用分割算法包括基于区域生长法、水平设置法和图形切割法等[5],均适用于病变边缘相对清晰及生理学特征分布相对均匀的区域。影像组学合并多参数(增强T1WI、DWI等)、多方位(轴位、矢状位及冠状位)的图像,从而产生具有特定定量图像数据的组合,可反映病变内具有生理学特征差异的区域[9-10]。由于存在手动分割所需时间长、放射科医师对结果判断的主观性强、病灶边缘可能未明确定义等缺点,如何精准分割病灶尚待进一步研究。
确定ROI后,提取成像特征,包括描述病变形状、大小、位置等关系的语义特征以及运用数学运算方法从图像中提取的非语义特征,后者通常分为一阶、二阶和更高阶的统计[9]。一阶统计是基于直方图方法描述单个体素值的分布,而不考虑空间关系,包括强度的均值、最大值、最小值、峰度、偏度和描述分布随机性的熵等。二阶统计即纹理特征,描述具有相似或不相似对比值的体素之间的相互关系,运用基于灰度共生矩阵[11]、灰度游程步长矩阵、灰度尺度区域矩阵和邻域灰度差分矩阵等三维运算方法可测量肿瘤内异质性,包括自相关、对比度、同质性及能量等特征。高阶统计指在图像上施加滤波以提取重复或非重复模式,包括分形分析及小波分析等[9]。通过上述方法可提取数百个纹理特征值,但可能重复或多余,导致诊断效能降低,并增加过度拟合数据的可能性。因此,通常采用机器学习或统计学分析方法等进行分析建模,以获得具有最佳诊断效能的特征组合。
1.3 研究现状 目前影像组学的应用报道[12-14]较多,特别是其在肿瘤中的应用。由于肿瘤具有异质性,其细胞的每一部分均能驱动基因突变,从而改变基因表达和代谢;而活体组织病理检查仅能反映肿瘤在特定时间和空间上的特征,且为有创检查,在儿童中难以广泛开展。基于MRI的影像组学可全面、无创、定量地描述肿瘤的特征及异质性,为临床提供更多可靠信息[6],并已广泛应用于对多种肿瘤的研究中,如乳腺癌、颅内肿瘤、肺癌及消化道肿瘤等,在肿瘤的鉴别诊断、分级、基因表型预测、治疗方案制定、疗效及预后评估中发挥重要作用[12]。
Wang等[13]回顾性分析88例浸润性乳腺癌的对比增强MRI,采用半自动分割技术划定肿瘤及周围实质ROI,提取肿瘤形态、密度及信号强度等85个特征值,再以高效的浮动搜索算法选择最佳特征组合,并以AUC来评估其分类性能,结果显示背景实质增强是预测三阴性乳腺癌最具鉴别性的纹理特征。Zinn等[14]通过分析胶质母细胞瘤患者的头颅MRI及其基因表达谱,发现基于FLAIR图像的肿瘤坏死体积高值组中存在多个生物学预测和反向表达的基因,可阐明肿瘤基因组成与影像学特征之间的因果关系,并提出一种适用于临床的影像组学测序方法,可实现自动化分析各种类型图像,并提供非侵入性的基于影像组学的诊断及预后信息。此外,有学者[15]将影像组学应用于结直肠癌诊断治疗,发现24个影像组学特征与淋巴结状态显著相关,且影像组学特征、淋巴结状态和癌胚抗原水平均是预测结直肠癌转移的独立影响因素,从而可建立基于影像组学标签的结直肠癌淋巴结转移术前预测模型。
儿童正处于全身组织和器官快速成长,生理、心理和精神状态不断完善的时期,病情变化较快。采用基于MRI的影像组学方法对儿童疾病进行分类、预测和基因分型等非常必要。关于精准影像组学应用于儿科疾病中的研究尚较少见,需要更多研究者参与。
2.1 儿童肿瘤性疾病 影像组学在儿科主要用于肿瘤性疾病,尤其是脑肿瘤。脑肿瘤为最常见的儿童实质性肿瘤之一,是导致儿童死亡的重要原因[16]。Rodriguez Gutierrez等[17]回顾性分析40例后颅窝肿瘤患儿的术前MRI资料,根据增强T2WI和T1WI以及ADC图计算肿瘤形状、直方图和纹理特征,并使用特征组合来训练用于鉴别肿瘤特异性的分类器,发现根据ADC直方图中第25、75百分位数的ADC值和偏度的支持向量机分类器可很好地区分小儿后颅窝肿瘤类型;同时ADC纹理分析中熵及均匀性的组合可区分经典髓母细胞瘤。既往研究[18-19]发现基于ADC及DTI直方图的分析方法可用于鉴别小儿后颅窝与小脑肿瘤。上述研究提示肿瘤扩散图像的定量特征分析在小儿神经肿瘤学中有重要诊断价值。Poussaint等[20]分析140例脑桥胶质瘤患儿放疗前后的头颅MRI,采用联合液体反转恢复序列及增强图像确定肿瘤的ROI并生成ADC直方图,分析后者与患儿无进展生存率及总体生存期的相关性,发现ADC峰值数量与患儿的无进展生存率及总体生存期均呈负相关,提示影像组学在预测患儿生存期方面也具有潜在价值。
目前影像组学在儿童非脑部肿瘤中的研究较少见。Meeus等[21]回顾性分析42例腹部肿瘤患儿的ADC及IVIM图,发现D*和f的直方图参数(包括平均值、中位数和第75、90百分位数,D*偏度和f的第25百分位数、峰度和熵)有助于鉴别儿童腹部恶性神经母细胞瘤与肾母细胞瘤,并可区分良恶性病变。
2.2 儿童非肿瘤性疾病 影像组学在儿童非肿瘤性疾病中的应用较少见。Zeng等[22]分析急性期与恢复期肠道病毒71型脑炎患儿T1WI及T2WI的信号强度直方图,并采集平均值及中位数等特征值,发现急性期与恢复期T1和T2的信号强度差异显著,提示T1、T2直方图技术可量化监测疾病的严重程度。有学者[23]认为ADC直方图参数值能识别新生儿缺氧缺血性脑病,且患儿脑成熟度与ADC值具有相关性。
与成人疾病的影像组学研究相比,儿童疾病影像组学研究尚处于起步阶段,存在较多局限性:①病种单一,样本量较小;②所采用的序列及观察的影像学特征较为单一,扫描方案、研究方法等尚未标准化[24],采用纹理特征的方法提取影像学特征的研究较少,而采用小波分析方法进行特征提取的研究罕见;③研究方向较为单一,与成人相比,目前儿童影像组学主要运用于肿瘤性疾病,对于基因分型、辅助治疗、预测生存率等方面的研究尚不多见。
随着深度学习及大数据分析的推动,基于深度学习的分析和预测方法将是影像学的发展方向之一。目前基于MRI的影像组学因其能定量分析病变的生物学特征,已在肿瘤分型、分期、预后分析及诊疗方案选择的研究中取得初步进展,并逐渐扩展到非肿瘤性病变的研究中,但在儿童疾病的研究中尚不完善。相信随着国家对儿童医疗的高度重视,基于MRI的影像组学在儿童疾病的研究中将会发挥重要作用,使更多患儿受益。