影像组学在卵巢肿瘤中的研究进展

魏明翔，柏根基，郭莉莉

作者单位：

南京医科大学附属淮安第一医院影像科，淮安 223300

卵巢肿瘤是常见的妇科肿瘤，根据其组织来源可以分为上皮性肿瘤、性索间质肿瘤、生殖细胞肿瘤、转移性肿瘤及其他肿瘤[1]。又可根据其是否具有异常增殖分化及侵袭性分为恶性、交界性和良性肿瘤[2]。卵巢良性肿瘤预后较好，而大多数卵巢恶性肿瘤预后较差。其中，上皮性卵巢癌占卵巢恶性肿瘤的90%[3]，也是女性恶性肿瘤中致死率最高的一类。卵巢癌可分Ⅰ型和Ⅱ型[4]，Ⅰ型癌症通常表现为临床进程缓慢，而Ⅱ型癌症具有高度侵袭性。卵巢癌有很高的复发可能性，进行预后及转移预测对临床决策也起到十分重要的作用。因此对于卵巢肿瘤进行良恶性分类，对卵巢癌进行分型和分期以及对预后进行精准预测在临床实践中尤为重要。

影像学方法如超声、CT和MRI等由于其方便无创，已经广泛应用于卵巢肿瘤的诊断及肿瘤评估中[5-8]。然而，传统影像诊断很大程度取决于影像科医生的经验，从而缺乏客观性。此外，有些可以反映肿瘤特异性的影像特征无法被肉眼识别，从而造成临床诊断或决策的困难。影像组学的方法较传统影像学方法更具有客观性，它从传统的医学影像中提取高通量的影像特征来定量分析疾病，特别是肿瘤类疾病，从而为卵巢肿瘤的临床诊疗提供一个新的思路。

1 卵巢肿瘤影像组学(radiomics)分析方法概述

1.1 概念

“影像组学”这一术语由Lambin等[9]于2012年首次提出，是指从医学影像中提取定量特征，以提高图像的诊断、预测和预测精度的各种技术。Gillies等[10]将影像组学进一步定义为：使数字医学影像图像转化为高通量的数据，并挖掘这些数据用以改进医学决策的方法。近年来，人工智能技术的高速发展，促进了影像组学分析在临床决策中的应用[11]。如今的影像组学凭借其对高通量影像特征的挖掘与分析，已广泛应用于肿瘤等疾病的鉴别诊断、临床分期、甚至预后分析[10]。

1.2 医学图像的获取、预处理及分割

医学图像的获取与预处理是影像组学分析的第一步，图像信息可以来自于各种影像设备，如超声、CT、MRI及PET等。由于卵巢肿瘤患者临床表现差异较大，往往需要依据实际情况选择不同的扫描设备，因此影像图像还需要进行预处理(重采样、标准化及高通滤波等)，使得不同患者的影像图像具有相同的标准，如同一层厚或矩阵大小。第二步就是图像感兴趣区(region of interest，ROI)的分割。分割ROI十分关键，因为影像组学特征的提取是来源于所勾画的ROI。目前，ROI的分割主要分为手动分割、半自动分割及全自动分割的方法[12]。半自动及自动分割方法速度快，但缺乏精度，易受到病灶周围因素的影响。部分卵巢肿瘤患者往往伴有腹水，这就造成自动及半自动分割方法很难实施，因此手动分割目前依然是分割卵巢肿瘤ROI的主流方法。提取的ROI可以是二维也可以是三维的。大多数关于卵巢肿瘤的影像组学研究提取的三维ROI，但相当多的卵巢肿瘤病灶体积较大，三维ROI的提取耗费时间及人力，因而亦有研究提取病灶直径最大的一个层面来代替整个病灶[13]。

1.3 特征提取

ROI分割完毕后，最主要的步骤就是影像组学特征的提取，卵巢肿瘤的影像特征提取并无特殊性。影像组学特征分为两大类：语义特性(semantic features)和不可知特征(agnostic features)。前者是指放射科医生影像描述中常用的特征，如形状、大小、边缘和位置等。后者是指用数学方法从图像中提取的特征，又可细分为一阶、二阶和高阶特征[14]。一阶特征与单个体素值有关，如直方图特征，包括一致性、能量、熵、偏度、最大值、最小值、均值、标准差等。二阶特征，是基于描述空间强度分布的矩阵，分析图像中感兴趣区域内像素或体素灰度级的分布和关系所形成，如灰度共生矩阵(grey level co-occurrence matrices，GLCM)特征[15]、运行长度矩阵(run length matrix，RLM))特征及灰度大小矩阵(graylevel size zone matrix，GLSZM)特征等[16]。高阶特征，即对图像进行滤波，提取重复或非重复特征。如小波变换特征(wavelets)等。

1.4 特征分析

提取特征的数量往往与研究目的与方法有关，如直方图分析(histogram analysis，HA)只需要提取一阶直方图即可。如果分析的特征数量达成百上千个，如纹理分析(texture analysis，TA)等，常常需要通过机器学习或统计分析的方法进行建模，包括logistic回归模型、支持向量机(support vector machine，SVM)、随机森林或神经网络等。如何对高通量的特征进行降维(即剔除多余或无用的特征)以及选择合适的方式建模，需要影像科医师和人工智能专业领域人才的通力合作。目前有关卵巢肿瘤的研究中，单纯直方图分析[17-21]或单纯纹理分析[22-24]均有较多应用。近年来，随着研究技术的提高，卵巢肿瘤的影像组学研究往往综合分析形态学特征，直方图特征及纹理特征[13，25-26]。

2 影像组学在卵巢肿瘤中的应用

2.1 肿瘤良恶性分类

基于MRI的影像组学分析有助于卵巢肿瘤良恶性的分类。Zhang等[13]研究了基于MRI影像组学分析的方法对良恶性卵巢肿瘤的分类，该研究从286位卵巢肿瘤患者的MRI图像中提取1714个影像组学特征(包括形态学特征，直方图特征及纹理特征)，通过机器学习的方法建立影像组学模型，结果显示在交叉验证队列中，影像组学模型的准确率为0.90，在独立验证队列中，其准确率为0.87，表明了基于MRI的影像组学分析有助于卵巢肿瘤的良恶性分类。除此之外，单纯的直方图分析或单纯纹理分析亦有助于鉴别卵巢肿瘤良恶性。Carter等[17]通过对磁共振T2加权图像的直方图分析表明，均值、标准差、偏度和峰度这四个直方图特征的线性组合比单纯测量平均T2值能够更好地对卵巢肿瘤的良恶性进行分类，AUC分别为0.90及0.81。Mimura等[18]研究表明，基于ADC的直方图分析有助于卵巢交界性肿瘤及卵巢癌的鉴别诊断，并且在该研究分析的直方图特征中，第10百分位ADC值具有最佳的诊断性能(P=0.003，AUC=0.854)。MRI纹理分析也有助于卵巢肿瘤良恶性的鉴别。董天发等[22]研究者通过基于磁共振T2WI的纹理分析方法，分析了卵巢肿瘤影像中实性成分的GLCM纹理特征，结果表明GLCM特征中的能量、逆差距、对比以及熵有助于对卵巢实性肿瘤进行良恶性分类(P＜0.05)。

不仅仅是MRI，研究发现基于超声图像的影像组学方法也可对卵巢肿瘤良恶性进行分类。2012年Faschingbauer等[23]对105例卵巢肿瘤病灶的超声图像提取纹理特征，通过SVM的方法分析纹理特征，并对卵巢肿瘤的良恶性及恶性程度进行自动分类，并将其性能与具有不同水平超声经验的检查人员的主观评价进行比较，结果表明，纹理分析的诊断表现明显好于经验较低(P=0.02)或中等(P＜0.01)水平的医师。此后，Aramendía-Vidaurreta等[24]提出了一种基于超声影像的卵巢肿瘤良恶性自动判别方法，该研究通过提取卵巢肿瘤超声图像中七种不同类型的影像组学特征，利用深度学习的方法对这些特征进行分析，从而得到卵巢肿瘤良恶性的分类模型，其准确度为98.78%，灵敏度为98.50%，特异度为98.90%，曲线下面积为0.997。Pathak等[27]利用小波变换对卵巢肿瘤超声图像进行去噪，利用GLCM提取灰度纹理特征，通过SVM的方法对提取的特征进行分析得到分类模型，并通过60例患者的恶性和良性图像验证了该方法的有效性，从而为卵巢肿瘤的分类提供了可靠的方法。

目前，影像组学方法在卵巢肿瘤良恶性的分类研究大多基于MRI及超声，其中MRI具有良好的软组织分辨率，人为因素干扰较少所以应用较为广泛。虽然影像组学的方法尚不能达到病理诊断的精确程度，但这一方法可以辅助卵巢肿瘤的术前诊断，对于手术方式及治疗方案的选择有很大意义。

2.2 卵巢癌的分期与分型

Zhang等[13]通过基于MRI影像组学分析的方法表明，从冠状T2WI图像上提取的部分纹理特征有助于鉴别Ⅰ型及Ⅱ型卵巢癌，放射组学模型的准确率为0.93，独立验证队列准确率为0.84，表明了影像组学方法有助于卵巢癌分型的判断。此外，单纯的直方图分析也有助于评价或预测卵巢癌的分级、分型。Wang等[19]纳入52例经组织病理学证实的卵巢癌患者术前MRI影像进行研究，提取图像的形态学特征及直方图特征，结果表明基于ADC、真扩散系数及分布式扩散系数的直方图分析模型有助于鉴别Ⅰ型和Ⅱ型卵巢癌。此后，Wang等[20]进一步分析了特定的ADC直方图特征对于卵巢癌分期及Ki-67及P53表达类型的鉴别效能。该研究纳入49例卵巢癌患者，并提取术前ADC图像的直方图特征，结果表明ROI的平均ADC值、中位数、第10和第90百分位数位ADC值这四个直方图特征有助于Ⅰ期卵巢癌的鉴别(P＜0.05)，且晚期卵巢癌患者直方图参数低。该研究还发现表达P53阳性的卵巢癌的ADC直方图参数的值普遍降低，Ki-67标记指数与ADC直方图参数的值呈显著负相关。

因此，基于MRI的影像组学分析可以为卵巢癌的分期与分型判断提供依据。然而，目前为止，基于CT及超声的相关研究较少，这值得未来进一步探索。

2.3 预后分析

在临床实践中，对卵巢肿瘤患者预后的预测也是当前影像组学研究的热点。在基于MRI的研究中，Kyriazi等[21]分析了42例转移性卵巢肿瘤的ADC图的直方图特征，包括平均ADC值、第10%、25%、50%、75%和90% ADC值、偏度以及峰度，结果表明早期ADC值的升高(P＜0.001)，及后期偏度和峰度这两个特征参数的降低是转移性卵巢肿瘤化疗后的特征，从而有利于早期监测晚期卵巢癌患者的治疗效果。此外，Zhang等[13]通过基于MRI影像组学的方法建立卵巢癌患者生存分析模型，该研究通过对Kaplan-Meier图的观察，获得了与患者生存状态最相关的MRI影像组学特征，接着用Lasso回归方法对组学特征进行分析建模，结果表明这一影像组学模型也为卵巢肿瘤患者可以提供高精度的生存评估。基于CT的影像组学方法也为卵巢肿瘤患者预后的预测提供了有价值的线索。Vargas等[25]研究了38例高级别浆液性卵巢癌患者CT图像的影像组学特征与预后的相关性。该项研究提取了CT图像ROI内的直方图特征及纹理特征等12项影像组学特征，通过决策树及最小绝对收缩选择算子算法对高通量的影像组学特征进行降维，采用Kaplan-Meier方法对总生存率的曲线进行估计，结果表明定量的影像组学特征可以准确预测高级别浆液性卵巢癌患者的预后(P＜0.05)。Rizzo等[26]探究了是否单一或结合临床参数的影像组学特征分析与高级别浆液性卵巢癌变手术后肿瘤残余相关，并预测患者12个月内疾病进展的风险。该研究从105例高级别浆液性卵巢癌患者的CT图像上绘制的三维感兴趣区中提取卵巢肿块的516个影像组学特征(包括形态学特征，直方图特征及纹理特征)，使用分层聚类程序分组，并评价各组具有代表性的影像组学特征与术后肿瘤残余及疾病进展的相关性，采用多元logistic回归模型比较影像组学模型与临床模型的价值。结果表明，基于CT的影像组学分析有助于预测短期结果以及早期复发的出现(12个月内)，并且，包含临床和影像组学特征的模型比单独的临床特征表现得更好。

当前的研究已经表明，影像组学的方法在研究卵巢肿瘤患者预后具有很大的前景，但目前研究大多是回顾性研究，且尚无研究成果适用于临床实践。预后的分析有助于治疗方案的选取以及疗效的判断，但预后分析是卵巢肿瘤特别是卵巢癌临床研究的难点，因此影像组学的在这一方向值得更深入的探索。

3 挑战与前景

影像组学是一种新兴的方法，在卵巢肿瘤中的应用仍然处于探索阶段。目前，最大的问题在于尚无对影像组学研究方法进行标准化[28]。在不同的平台和研究中，扫描设备及参数设置、影像图像的预处理、分割ROI的方式以及特征提取等过程差异很大，因此很难对这些结果进行比较和重现[29-30]。因此，在未来的研究中，标准化影像组学分析的每个环节以获得高质量的影像组学特征，才会得到更客观精确的结果，且更有利于这类方法在临床实践中的普及。其次，卵巢肿瘤由于其病理分型的多样化，很多肿瘤呈多中心、大体积、形态不规则及伴腹水等影像表现，所以手工勾画ROI费时费力。然而，目前尚无可以精准地自动分割整个肿瘤的软件。研究表明，乳腺病灶MRI自动分割已日趋成熟[31]。基于CT的肺肿瘤半自动方法与手工分割无明显差异[32]。因此，对于卵巢肿瘤影像精准的半自动化及自动化分割方法值得进一步研究。最后，对于卵巢肿瘤的影像组学研究还存在样本量较少的问题。对多个基于PET影像组学研究的Meta分析表明，在应用统计校正后，许多研究结果不再有统计学意义[33]。因此，数据共享来扩大样本量加上多中心合作将使得卵巢肿瘤影像组学研究更加精确。

4 总结

相较于传统的影像学诊断方法，影像组学的方法能够客观地分析医学图像中的特征，提供传统影像特征无法提供的信息。影像组学在卵巢肿瘤的应用具有广阔的前景。目前为止，应用影像组学的方法可以对卵巢肿瘤的良恶性进行鉴别、对卵巢癌进行分期与分型以及对卵巢肿瘤预后进行分析。随着今后影像组学方法的标准化，以及卵巢肿瘤影像数据的共享，影像组学将为卵巢肿瘤的诊疗决策提出新的思路。

利益冲突：无。