深度学习和影像组学在宫颈癌中的研究进展

郭城，辛仲宏，王敏哲，郑悠，雷军强*

1.兰州大学第一临床医学院，甘肃 兰州 730000；2.兰州大学第一医院放射科，甘肃 兰州 730000；*通信作者 雷军强 leijq1990＠163.com

宫颈癌是女性常见的恶性肿瘤，其发病率和死亡率居女性恶性肿瘤第四位[1]，且近年发病呈明显年轻化趋势，因此，早发现、早诊断、早治疗对改善预后尤为重要。目前，影像学检查、临床及实验室检查等已广泛应用于宫颈癌的筛查和诊断，但在准确预测疾病进展及提示预后方面存在一定的局限性。随着深度学习和影像组学的迅速发展，其在评估宫颈癌病程及预后方面较传统检查方法优势明显，成为目前的研究热点。本文对深度学习及影像组学在宫颈癌影像中的应用及研究进展进行综述。

1 深度学习和影像组学概述

深度学习作为人工智能领域的分支，主要通过多层神经网络上运用各种机器学习算法学习样本数据的内在规律和表示层次，从而实现各种任务的算法集合[2]。深度学习在医学影像中已应用于图像分类、分割、配准、目标检索、生成重建及客观评价图像质量等[3]，其模型种类多，目前卷积神经网络（convolutional neural network，CNN）应用最为广泛[4]。

影像组学的概念由Gillies等[5]于2010年首次提出；Lambin等[6]于2012年进一步完善，并将其定义为从放射图像中使用高通量的手段提取图像特征，并自动化将感兴趣区（ROI）内的图像特征转化为高保真数字化数据，进而实现图像特征的提取与模型建立。提取的纹理特征可以作为潜在基因表达模式以及相关生物肿瘤特征（如肿瘤形态和肿瘤内异质性）的替代标志[7]。因此，通过研究纹理特征与生物肿瘤特征的关系，能够从图像中提取更多有价值的信息，用于诊断、分期和疗效预测等[8]。

2 深度学习和影像组学在宫颈癌影像中的应用现状及研究进展

目前深度学习和影像组学在宫颈癌中的应用范围较为广泛，涉及肿瘤的诊断、鉴别诊断、分期、组织学类型、淋巴血管间隙侵犯、淋巴结转移、疗效评估、预后预测及基因型预测等。

2.1 宫颈癌的诊断 传统的CT或MRI能较好地显示肿瘤病灶，但诊断准确性仍取决于医师的个人诊断水平等因素。Urushibara等[9]比较深度学习与影像医师在单一T2WI上诊断宫颈癌，得出CNN模型和影像医师的敏感度分别为0.883和0.783～0.867，特异度分别为0.933和0.917～0.950，准确度分别为0.908和0.867～0.892，表明CNN模型的诊断效能与影像医师相当，甚至优于影像医师的诊断效能，曲线下面积（AUC）为0.932，准确度：P=0.272～0.62。

除深度学习外，影像组学也可以用于诊断宫颈癌及鉴别良恶性。Lin等[10]应用表观扩散系数（ADC）直方图对73例宫颈癌（FIGO IB期35例）和38例正常宫颈或宫颈良性病变进行分析，显示IB期宫颈癌各直方图参数较正常宫颈或宫颈良性病变有显著差异（P＜0.05），提示ADC直方图分析有助于区分早期宫颈癌与正常宫颈或宫颈良性病变。深度学习和影像组学特征能提高宫颈癌的诊断敏感度和特异度，早期检测癌前病变和宫颈癌，减少病理活检的侵入性，延缓肿瘤的恶性发展，为患者带来更好的预后，减少其经济负担。

2.2 宫颈癌的分期及组织学类型 肿瘤的分期和组织学类型是评价肿瘤生物学行为的重要指标，准确的肿瘤分级和组织学亚型对选择治疗方案和评估预后具有重要作用。宫颈癌分期和组织学亚型的标准诊断是对获得的肿瘤标本进行病理学分析，但采集样本的过程为侵入性操作。Schob等[11]利用ADC直方图分析方法区分宫颈癌的病理学分级及临床分期，其中T分期晚期（T3/4）肿瘤ADC熵值显著高于T分期早期（T2）肿瘤（P＜0.05）；高级别（G3）肿瘤的ADC最小值明显高于低级别（G1/G2）肿瘤（P＜0.05）。Umutlu等[12]研究从多参数18F-FDG PET/MR图像中提取的组学特征预测原发性宫颈癌的N和M分期，通过相关分析和受试者工作特征曲线，发现对M分期的预测优于N分期，其中以支持向量机递归特征消除（support vector machine recursive feature elimination，SVM-RFE）为特征选择的SVM对M分期的预测效果最好，敏感度为91%，特异度为92%，AUC为0.97；使用带有相互信息作为特征选择的SVM-RFE预测N分期的敏感度为83%，特异度为67%，AUC为0.82。

尽管目前鲜有深度学习在宫颈癌分期或组织学类型中的报道，但是由于深度学习的易适应性和方便性，相信在不久的将来，必将辅助临床医师迅速且准确地对宫颈癌进行分期或分型，以做出正确的临床决策。

2.3 宫颈癌淋巴-血管间隙侵犯（lymph-vascular space invasion，LVSI）和淋巴结转移的预测 LVSI和淋巴结转移是宫颈癌的高危因素[13]。对于早期宫颈癌的未产妇，如果在手术前能确定是否存在LVSI，则可以选择保留生育能力的手术[14]。而淋巴结转移状态将直接影响治疗方法的选择，无论是单纯手术切除子宫，还是同步放化疗[15-16]。目前，临床上对LVSI及淋巴结转移的术前预测工具很少，但深度学习和影像组学方法可以作为术前预测的无创性工具[17-19]。

Dong等[20]建立并验证了能预测宫颈癌术前淋巴结转移的深度学习组学模型，其中基于Logistic回归模型包含5个影像组学特征和2个临床病理特征，AUC为0.737 2，准确度为89.20%；而训练好的CNN模型的AUC为0.99，内部验证准确度为97.16%。该研究进行了独立的外部验证，AUC和准确度分别为0.90和0.92。Jiang等[21]利用多参数MRI数据区分宫颈癌是否有LVSI，以建立基于深度学习的影像组学方法，结果发现此方法可以有效地帮助影像医师在术前预测宫颈癌的LVSI。Li等[22]回顾性研究105例有完整临床特征的宫颈癌，并在宫颈活检前进行增强T1WI MRI扫描，通过选择3个组学特征和1个临床特征构建列线图，训练队列的AUC值为0.754，特异度和敏感度分别为0.756和0.828，而验证队列的AUC值为0.727，特异度和敏感度分别为0.773和0.692，发现列线图对显示LVSI组与非LVSI组有良好的区分性，可以作为预测宫颈癌术前LVSI的无创性生物标志物。深度学习和影像组学为术前预测LVSI和淋巴结转移提供了新的方法，并提高了预测的准确性，为早期宫颈癌选择更好的诊疗提供帮助。

2.4 宫颈癌疗效评估和预后预测 目前，临床对实体肿瘤疗效评估的标准有两大类：WHO标准和实体瘤的疗效评价标准，两者均基于病变大小改变。而深度学习和影像组学不但可以用定量方法发现医师肉眼无法识别的宫颈癌早期改变，还可以更清楚地表现病灶治疗前后的微小改变。这些优势既可以在治疗前评估疗效，还能预测预后，区分潜在的不良预后群。Wormald等[23]从ADC图和T2WI图像中提取纹理特征，其中6个集群的纹理特征（相异性、能量、聚类突、聚类萌、逆方差、自相关）在大体积（15.3±11.7）cm3和小体积（1.3±1.2）cm3肿瘤间存在差异（P＜0.02），并有可能预测小体积肿瘤的复发。

Shen等[24]设计深度学习模型预测放化疗患者的局部复发和远处转移，纳入142例均接受18F-FDG PET/CT检查的宫颈癌，对图像进行预处理并进行配对治疗，结果发现21例和26例分别经历了局部复发和远处转移，显示该深度学习模型对预测肿瘤局部复发的敏感度、特异度、阳性预测值、阴性预测值和准确度分别为71%、93%、63%、95%和89%；对预测远处转移的敏感度、特异度、阳性预测值、阴性预测值和准确度分别为77%、90%、63%、95%和87%，推测深度学习模型能够很好地预测宫颈癌的治疗结果。Tian等[25]提取277例接受新辅助化疗局部晚期宫颈癌治疗前的CT图像特征，并从每例患者的静脉期增强和平扫CT图像中提取组学特征，结果显示组学特征可以作为有效和方便的预测指标，帮助患者进行风险分层和改进新辅助化疗选择，有助于为局部晚期宫颈癌患者制订最佳治疗策略，从而延长患者的生存期。

2.5 宫颈癌基因型的预测 潜在的基因表达会影响肿瘤的组织构成及生物学行为，也会导致肿瘤图像中的特征发生改变，基因与影像之间存在密切的联系。目前，影像基因组学在肺癌[26]、肝癌[27]及乳腺癌[28]等基因表型研究较多，也初步应用于宫颈癌研究[29]中。Meyer等[30-31]分析18例宫颈鳞状细胞癌常规MRI序列的直方图参数与宫颈鳞状细胞癌的几种基因型之间的可能关系，结果显示T1WI、T2WI直方图参数可以反映宫颈鳞状细胞癌中人类表皮生长因子受体-2和表皮生长因子受体的表达；而ADC直方图参数能反映表皮生长因子受体和组蛋白-3的表达，不能反映血管内皮生长因子、Hif1-alpha和人类表皮生长因子受体-2的表达，而这些基因型的存在往往与患者的预后和复发紧密相关。Fjeldbo等[32]以DCE-MRI参数A Brix作为肿瘤缺氧的独立指标，构建基因分类器，并根据活检组织中6个基因（ERO1A、DDIT3、KCTD11、P4HA2、STC2、UPK1A）的表达水平表征肿瘤缺氧的程度，该基因分类器可能会给出患者缺氧相关复发风险的早期指示，并有可能作为患者的生物标志物，有助于为宫颈癌患者实施缺氧引导的治疗策略。深度学习和影像组学可以无创地预测宫颈癌的基因型，描述肿瘤的功能信息及异质性，预测患者的预后和复发，提供个体化的治疗方案，实现精准医疗，虽然其目前尚未广泛应用于预测宫颈癌基因型，但这部分尚属于起步阶段，需要进一步深入研究，相信未来会有更广阔的应用前景。

3 总结和展望

随着深度学习和影像组学在肿瘤治疗中的发展和应用，其在预测宫颈癌和其他癌症的分期、组织类型、淋巴结状态、复发和生存方面提供了有价值的信息，但应用于临床之前仍存在一定的局限性：①由于扫描机器、参数、重建算法、采集时间不同，限制了研究结果的准确性和可重复性；②目前大多数研究为单中心研究，样本量相对较小，且缺乏外部验证，导致结果在其他数据集上的概括性不适用；③深度学习和影像组学中手动分割的复杂性和主观性难以规范化，易受一些人为主观因素的干扰。为了让影像组学或深度学习算法成为一种有效的临床工具，这些局限性的验证对于深度学习和影像组学在临床管理中的成功应用具有重要意义。

综上所述，深度学习和影像组学具有良好的临床应用潜力，而将两者结合起来，可能会产生更好的性能，拥有更广泛的应用前景和更深层次的发展，使其成为精确医学和癌症治疗的一种很有前途的方法，相信宫颈癌患者也将从深度学习和影像组学研究中受益。