基于CT影像组学鉴别良恶性肺结节应用进展

朱 娜，侯 阳

(中国医科大学附属盛京医院放射科，辽宁 沈阳 110004)

随着胸部CT的普及，肺结节检出率显著提高。良恶性肺结节之间CT特征存在重叠，如何早期鉴别良恶性肺结节是临床亟待解决的问题[1]。随着人工智能技术的发展，将医学影像学与人工智能技术相结合的影像组学对诊断肺癌[2]、预测病理分型[3]及评估预后[4-5]等具有重要作用。本研究就影像组学概念、常用技术及其在鉴别诊断良恶性肺结节中的应用进展进行综述。

1 影像组学的概念

影像组学指基于影像学图像(CT、MRI及PET-CT等)提取病变的形状、强度、纹理和小波等特征，并转换为高维度可量化的定量特征数据以进一步反映病变的生物学信息的人工智能技术，可为诊断疾病、预后评估和预测疗效等提供相关信息[6]。

2 影像组学研究中CT成像方法

2.1 扫描方式 常规CT平扫及增强图像均可用于鉴别肺结节良恶性的影像组学研究。研究[7-8]证实，鉴别良恶性肺结节的影像组学研究中，平扫图像的应用价值与增强图像相当甚至更佳。WU等[7]于胸部CT平扫及增强图像中提取影像学特征及定量纹理特征，建立模型鉴别良恶性病变，其AUC分别为0.86及0.83。HE等[8]发现，基于平扫CT建立的影像组学模型相比增强CT具有更好的诊断效能，其AUC(0.86)高于后者(0.83)，原因可能在于增强扫描时肿瘤生物学异质性被强化所掩盖，导致良恶性结节间影像组学特征差异不明显[7]。

2.2 窗口技术 常规影像组学鉴别良恶性肺结节主要采用纵隔窗图像。纵隔窗图像中结节实质部分与侵袭性有关，提取纵隔窗图像特征可提高亚实性肺结节分类结果的一致性[9]。LU等[10]同时自肺窗和纵隔窗图像提取影像组学特征构建预测模型，以区分良恶性肺结节，其AUC为0.85，准确率达84.67%，诊断效能优于单一窗口图像，提示联合应用肺窗和纵隔窗图像能提供更多诊断相关信息。

2.3 图像层厚 影像组学模型对肺结节的诊断效能与CT图像层厚有关。TAN等[11]分别于层厚1.25 mm、2.5 mm及5.0 mm的CT图像上对病灶进行一维、二维及三维勾画，发现其间病变大小存在差异。HE等[8]分别于层厚1.25 mm和5 mm的胸部CT图像中提取病灶影像组学特征建立模型鉴别良恶性病变，发现层厚1.25 mm图像建立模型的诊断效能(AUC=0.86)优于层厚5 mm图像(AUC=0.79)。与薄层图像相比，厚层图像的部分容积效应较大，对识别边界和计算图像纹理特征产生一定影响，导致模型诊断效能存在差异。

3 影像组学在鉴别良恶性肺结节中的应用

3.1 影像组学鉴别良恶性肺结节 影像组学特征是通过计算机提取的人眼无法识别的高通量特征空间，能反映常规影像学无法提供的信息[12]，不同影像组学研究提取的特征不尽相同。HAWKINS等[13]对600个肺结节于CT图像中提取219个特征，最终筛选出23个稳定特征用于鉴别良恶性肺结节，准确率达80%，假阳性率为9%；但该研究采集CT图像的标准不一、层厚不等，且结合相关临床资料较少，所用支持向量机(support vector machine, SVM)算法内存消耗大，对缺失数据敏感，限制了其鉴别潜力。SHAKIR等[14]对200个肺结节自CT图像中提取105个三维特征，筛选出25个较稳定的特征建立模型鉴别良恶性，其中形状和一阶特征的稳定性更好，模型的AUC达0.99。HUANG等[15]针对186个肺结节的CT图像提取小波、纹理、形态等影像组学特征建立模型鉴别良恶性结节，阳性预测值达0.86，优于肺部CT筛查报告及数据系统(lung CT screening reporting and data system, Lung-RADS)(0.64)；但该研究对每例患者仅提取术前CT所示1个结节的特征，可能错失结节动态及稳定性信息。

3.2 影像组学鉴别不同密度良恶性肺结节 根据实性成分占比，肺结节可分为实性、亚实性和磨玻璃结节[13]，基于不同密度肺结节建立的鉴别良恶性结节模型常具有不同诊断效能。CHOI等[16]基于72例实性肺结节的CT图像提取103个影像组学特征以构建鉴别良恶性肺结节模型，准确率达0.85。FENG等[17]发现年龄、病灶边缘特征和影像组学特征是鉴别实性肺腺癌与肺实性肉芽肿的重要因素，但该研究中良性病变仅为肺结核，有待增加疾病类型进一步观察。

恶性结节实性成分占比与其侵袭性密切相关[18]，亚实性磨玻璃结节恶性可能较高。CHAE等[19]回顾性分析86例亚实性磨玻璃结节的CT影像组学特征，所建立鉴别良恶性结节模型的AUC达0.98，且恶性混合磨玻璃结节常具有较小的质量和较高的峰度值。XUE等[20]应用影像组学模型鉴别良恶性磨玻璃结节，对训练队列和验证队列的AUC分别为0.76和0.79。LUO等[21]基于100个磨玻璃结节的CT特征建立影像组学模型鉴别良恶性病变，其AUC达0.90。以上结果提示，影像组学对鉴别良恶性肺结节具有重要辅助作用[22-23]。

3.3 影像组学鉴别不同大小良恶性肺结节 定性诊断肺结节、尤其是较小结节对于早期诊断及治疗非常重要，然而单纯依靠高分辨率CT定性诊断难度很大。XU等[24]观察并比较影像组学对不同大小良恶性肺结节的鉴别诊断效能，其鉴别直径0～1 cm、1～2 cm、2～3 cm良恶性肺结节的诊断模型的AUC分别为0.84、0.78、0.79，且对直径0～1 cm结节的敏感度、特异度和准确率均高于其余2组，提示基于直径0～1 cm肺结节CT建立的影像组学模型的诊断价值最高；但该研究样本存在一定选择偏倚，0～1 cm结节组恶性率低，有待扩大样本量进一步验证。

3.4 影像组学鉴别良恶性肺结节研究现状 早期诊断肺癌为临床诊疗的重点和难点。CT是筛查肺结节的主要手段[25-27]，基于CT影像组学鉴别良恶性肺结节现已取得较好效果。BEIG等[2]以病理结果为金标准，按1∶1比例将290个肺结节分为影像组学模型组及人工诊断对照组，于结节内及周围区域提取结节形状、小波和纹理特征，采用SVM算法根据结节内组学特征建立鉴别良恶性肺结节的影像组学模型，其AUC达0.75；结合结节内和结节周围影像组学特征建立的预测模型的AUC提高至0.80，准确率、敏感度、特异度分别为0.71、0.74、0.68；但该研究仅提取病灶2D特征，未结合3D特征建立更全面的预测模型，有待完善。FENG等[17]分别建立临床风险因素模型(年龄、性别和基于CT特征，如病变大小、位置、边缘、分叶状尖锐和毛刺征等)、影像组学模型及联合影像组学特征和临床风险因素的综合模型预测426例肺结节的良恶性，影像组学模型采用基于U-Net的深度学习模型分割结节，提高分割性能的稳定性和准确性，以最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)Logistic回归算法降低分类器的β系数，减小分类器方差，避免过拟合，结果显示综合模型的诊断准确率高于单一模型，其对训练集、内部验证和外部验证队列进行预测的AUC分别为0.97、0.93和0.91，对外部验证队列的诊断准确率、敏感度、特异度分别为0.82、0.79、0.95，表明影像组学特征联合临床风险因素对于鉴别诊断良恶性肺结节具有重要价值。

4 小结与展望

作为人工智能技术的重要组成部分，影像组学对鉴别良恶性肺结节具有重要辅助诊断作用，但仍存在不足：①影像组学研究往往需要较大数据集，单中心数据集或样本选择偏倚易导致过拟合现象或诊断偏倚[22]；②尚未统一标准用于分割病灶，分割结果往往与操作者主观因素有关[23]；③人工分割病灶需耗费大量人力、物力及时间，而自动分割鲁棒性和精确度难以保证。目前人工智能方兴未艾，随着标准化大数据库的建立、小样本迁移学习等人工智能算法的开发，影像组学诊断效能及模型的鲁棒性有望显著提升，进而提高诊治肺结节水平。