人工智能时代下的影像组学在肺癌中的应用研究进展

韩志萍 唐兴 杨庭义 常宁 张勇 张信信 徐永强 张艰

1空军军医大学西京医院呼吸与危重症医学科,西安 710032；2空军军医大学西京医院放射科,西安 710032

近几十年来,随着成像技术的发展,肺癌领域的影像学应用越来越普及,但肺癌的诊断仍然主要依赖放射医师和临床医师的主观经验和半定量分析判断,与基因组学、蛋白质组学、代谢组学等相比,仅能提供有限的价值信息,对影像信息的挖掘利用尚有很大空间。因此,有学者提出了利用医学影像大数据进行深度挖掘并量化分析的影像组学,受到了国内外学者的广泛关注。

1 影像组学概念及研究内容

伴随着人工智能时代的发展,模式识别工具及数据集的不断增加促进了高通量提取、量化分析医学图像的发展,它可以使图像转换成可采集的数据,结合患者其他信息,能够为临床决策提供更精准的依据[1]。2012年,Lambin等[2]正式提出了影像组学的概念,定义影像组学(又称放射组学)为通过自动化的高通量影像特征数据提取,利用复杂的生物信息学工具开发模型,建立影像特征与临床表型、基因分子标志等的关联,从而进行肿瘤诊断和临床表型预测的过程。随后,Kumar等[3]将影像组学概念完善为高通量地从MRI、CT 及PET 中提取大量高维的定量影像特征并进行分析。影像组学广泛应用于各类疾病中,尤其在肿瘤领域的辅助诊断、疗效评估和预后分析中具有较大的应用前景。

2 影像组学相关流程

(1)收集高品质和标准化图像;(2)采用自动分割方法,或由有经验的放射科医师或肿瘤放疗医师对图像中肿瘤区域进行标定和分割;(3)从这些分割的肿瘤区域中提取定量影像特征。这些特征主要包括形态特征、统计特征、区域性特征以及模型基础上的特征四大类;(4)利用支持向量机、决策树等方法基于图像特征的独立性、可重复性和数据的显著性进行筛选,然后构建模型,分析这些特征与基因、表型、疗效、预后等的关系,最终目标是通过将影像特征纳入预测模型,辅助临床提供更多有价值的信息[2-3]。

3 影像组学在肺癌中的应用

Aerts等[4]是最早将影像组学应用于肺癌的学者,他们的研究证实了影像组学特征可捕捉肿瘤异质性,与肿瘤病理类型、T 分期、基因表达的模式以及患者的预后都有显著关联。此后,影像组学在肺癌中的应用成为一大研究热点,广泛应用于肺部结节良恶性的鉴别、肿瘤表型的综合评价,包括组织类型、细胞分子、基因状态[5-6]以及疗效评估、预后分析等方面[4,7-8]。

3.1 影像组学辅助诊断

3.1.1 影像组学用于肺结节筛查及鉴别诊断 肺结节诊治指南中推荐使用低剂量CT 用于筛查[9],但低剂量CT 存在较高的假阳性率,使得肺结节的定性诊断一直以来是临床上难以解决的问题之一,影像组学的研究为肺结节筛查及良恶性鉴别提供了更多有价值的信息。Ma等[10]提出了一种应用影像组学方法计算机辅助自动检测肺结节的系统,对1 004例患者的CT 资料进行了评估,在区分真实的肺结节与假阳性结节中获得了88.9%的阳性检出率。另有学者利用影像组学方法对593例患者的肺部结节进行良恶性鉴别,总体准确率达82.7%[11]。

杨春然等[12]应用影像组学方法对604例患者胸部CT上的2 803个肺结节进行了恶性程度预测,结果显示对于单个肺结节,平均预测准确率为77.85% [每一类预测受试者工作特征曲线下面积(area under the curve,AUC)均＞0.94];对于每例患者,准确率为75.16%。影像组学方法不仅可以高效筛选肺结节,减轻放射科医师的工作负担,而且可以预测其恶性程度,辅助临床诊断,减少人为失误。

3.1.2 影像组学辅助病理诊断 影像组学方法可结合成像参数与临床特征,以非侵入性的方式,在无法获取肿瘤或活检标本时辅助病理诊断,帮助制定下一步的治疗方案。已有研究证实部分影像组学特征是病理分级的独立影响因素,可作为预测肿瘤侵袭性的指标,实现对早期肺癌患者治疗分层的目标[13]。

Yuan等[14]利用影像组学方法来鉴别原位腺癌/微浸润腺癌和浸润性腺癌,结果显示区分原位腺癌/微浸润腺癌与浸润性腺癌的准确率达80.5%,显著高于容量分析(准确率69.5%,P=0.049)。回归分析表明,影像组学方法比容量分析具有更佳的预测性能。Satrajit[15]应用影像组学方法区分鳞癌与腺癌的预测精度在63%以上,区分细支气管肺泡癌与非细支气管肺泡癌的准确率在77%左右。Saad和Choi[16]提出了一个利用影像组学方法进行非小细胞肺癌定量分类的分析器,结果显示分类器模型对非小细胞肺癌的病理分型平均准确度达81%,其中最好的模型减少了53%的未分类或组织学亚型不明确。影像组学在活检取材有限或肿瘤分化较差导致病理难以定性诊断时可提供更多有价值的信息。

3.2 影像组学与基因表达 随着 “精准医疗”的发展,肺癌患者的诊疗已进一步深入到了基因水平,然而在极低浓度下存在的突变基因很难被检测到,并且由于肿瘤的异质性,通过活检组织的检测也可能存在假阴性[17]。影像组学分析可以捕获有关基因突变的有用信息,在无法手术或活检时联合临床特征可能为诊断提供附加利益,从而辅助制定治疗方案。

Liu等[18]研究表明表皮生长因子受体(epidermal growth factor receptor,EGFR)突变组与野生型组的11种影像组学特征有统计学差异;多因素logistic回归模型显示,在临床模型中加入影像组学特征后,预测EGFR 突变能力显著提高(AUC由0.667提高到0.709,P＜0.000 1)。多项研究得出类似结论,表明影像组学方法预测EGFR 基因突变状态的性能显著优于传统影像参数(肿瘤体积、最大直径),但未发现影像组学特征与KRAS突变相关[19-20]。

另有研究表明间变性淋巴瘤激酶(anaplastic lymphoma kinase,ALK)与c-ros原癌基因1/转染重排阳性患者的影像组学特征也有显著差异[8]。Yamamoto等[21]发现ALK 阳性的非小细胞肺癌在CT 成像上有鲜明的特点,利用这些影像特征组成的影像组学标签在年龄≤60岁的患者中预测ALK 融合的准确度达78.8%,尤其在可手术的患者(ⅢA 期或更早)中区分能力更强,灵敏度可达100%,特异度88.1%,准确度89.4%。由此可见,影像组学对基因表型的预测具有一定价值,未来整合影像与基因组学的研究必将成为热点之一。

3.3 影像组学与疗效评估 临床实践过程中,对疗效的准确预估和评价是治疗方案制定和调整的重要依据。已有研究表明影像组学特征会在治疗期间发生变化[22],可用于预测术前新辅助化疗的疗效,区分病理性完全缓解和大体残留病变。Coroller等[23]研究结果显示影像组学特征对于新辅助化疗后是否达病理性完全缓解和大体残留病变均有显著的预测价值(AUC 值分别为0.67和0.72～0.75,P＜0.05),且均优于传统特征(最大标准摄取值和体积,AUC=0.62)。Aerts等[24]研究表明治疗前影像组学数据可预测EGFR 突变状态与吉非替尼的疗效,展示了影像组学方法来提高酪氨酸激酶抑制剂敏感和耐药患者的分层和疗效评估的潜力。因此,应用影像组学方法,可提早预估患者疗效,及时调整其治疗方案,避免反复多次的疗效评估,减少患者的放射暴露及经济、心理负担,使更多患者获益。

3.4 影像组学与临床预后 肺癌是目前世界上病死率最高的癌症,即使经过有效治疗后仍会出现局部复发、远处转移、放射性肺损伤等一系列问题。因此,临床上需要一种能够正确分层高危患者的策略,影像组学在预测患者临床预后方面表现出具大的潜力。Hawkins等[25]应用影像组学方法构建模型预测600例患者肺癌的发生,结果表明预测肺结节在1年和2年后转变为肺癌的准确度分别为80%和79%,显著优于传统的体积测量方法。多项研究表明无论是患者治疗前的影像组学特征还是治疗期间发生的影像组学特征的变化均与患者预后显著相关,可预测远处转移、局部复发的风险以及无疾病生存期和总生存期[26-27]。Aerts等[4]从1 019例患有肺癌或头颈癌患者的CT 数据中提取了440个特征进行影像组学分析,发现大量影像组学特征具有预测预后的能力,其中许多特征在此之前被认为是没有意义的。Zhou等[28]建立了一个联合临床信息、PET 和CT的影像组学特征的模型来预测体部立体定向放疗后早期发生远处转移的风险,最高敏感度达76%,特异度达94%(AUC=0.83)。另有学者应用影像组学方法对体部立体定向放疗治疗后患者的临床预后进行了分析,结果表明影像组学特征不仅可定量、客观地评价放射性肺损伤[29],且早在立体定向放疗治疗3个月后即可预测疾病进展情况[30]。这些研究结果表明将影像组学特征与临床特征相结合,可有效提高预测患者预后的能力,可能是未来人工智能在医学应用方面的发展方向。

4 展望

目前肺癌的影像组学研究仍处于早期的阶段,还有许多问题有待解决,由于其本质上是高通量的数据挖掘,因此必须有恰当的特征选择策略来提高其预测性能,同时还要最大限度地减少模型过拟合来增加概括能力,可重复性以及标准化的问题也需要更大数据的研究[31]。总之,在人工智能时代,各种癌症 “组学”崭露头角,影像组学在肺癌领域中有巨大的潜在应用价值,影像组学与其他 “组学”的整合研究将成为未来的研究方向之一[32]。

利益冲突所有作者均声明不存在利益冲突