基于MRI的影像组学在宫颈癌的研究进展及潜力

胡鹤 张瞳

【中图分类号】 R711.74 【文献标识码】 A      【文章编号】2107-2306（2022）12--01

据美国2021年癌症统计分析，宫颈癌（cervical cancer，CC）患者死亡人数约占所有妇科恶性肿瘤死亡人数的12.6%，已经成为威胁女性健康的重要原因之一[1]。早期诊断和预测对提高治疗效果、改善其预后至关重要。许多临床参数被用来作为宫颈癌患者的诊断和预后因素，包括肿瘤分期、组织学类型、淋巴结状况，但在预测准确性方面存在局限性。因此迫切需要开发能够在治疗开始前或治疗期间提供更特异的肿瘤特征的非侵入性生物标志物。影像组学是一个新兴的研究领域，旨在寻找从影像检查中提取的定量信息与臨床数据之间的联系，以支持最佳临床决策。近年来，影像组学已逐渐用于宫颈癌患者的分期、组织类型、结节状态、复发和生存预测。本文将针对基于MRI的影像组学在宫颈癌应用的研究进展进行综述。

1.宫颈癌的诊疗及影像表现

CC是一种生长相对缓慢的恶性肿瘤，早期常沿子宫旁韧带和子宫骶韧带横向扩展。此外，CC可沿阴道向下扩散，并横向扩散至宫颈旁间隙，在疾病晚期或大体积肿瘤中可能侵犯膀胱、直肠、盆腔侧壁和主动脉旁淋巴结。早期诊断、准确分期、放射治疗的最新进展和更有效的化学疗法已显著改善疾病结果和生存率，但它仍然是女性最常见的死亡原因之一。手术是早期CC（国际妇产科联合会-FIGO IA1-IIA2期）治疗的金标准，而局部晚期宫颈癌（LACC;FIGO IIB-IVA期）患者通常需要以铂类为基础的同期放化疗 （CCRT）作为标准治疗的多模式方法。

MRI具有较好的软组织分辨率且无电离辐射，在CC诊断、分期、及治疗评估方面日益受到临床的重视，在肿瘤大小和周围组织器官浸润评估等方面相对于CT有明显的优势。其中，T2加权序列（T2WI）足以回答大多数临床分期问题。MRI还提供有助于规划管理其他信息，例如规划近距离放射治疗的范围大小，有助于确定出现附件侵犯的手术方法（即经腹/经阴道/腹腔镜）。对于初发的CC患者，不论有无保留生育的需求，都推荐行盆腔MRI检查评估肿瘤局部情况。2021年美国国立综合癌症网络（NCCN）CC临床实践指南推荐盆腔MRI增强检查作为CC局部病灶评估的影像学方法。

2.影像组学概述

荷兰学者Lambin在2012年首次提出“影像组学”的概念，并将其定义为：用高通量的方法从影像图像的感兴趣区域中提取大量的影像特征，以提高图像的诊断和预测的精准度等。影像组学研究设计和工作流程通常包括四个步骤[2]：图像采集和重建，图像分割，影像组学特征提取和筛选，统计分析和模型建立。影像组学的图像来源于患者在诊疗过程中采集到的CT、MR、PET-CT等图像，获取高质量、标准化的图像是整个流程的基础。图像分割可以分为手动、半自动或自动分割方法，每一种方法都有其优缺点，与再现性和与病变实际边缘的对应之间的平衡有关。CC的图像分割以临床医生手动分割为主，计算机辅助勾画和自动勾画技术也正逐渐成熟。影像组学特征主要包括外形特征、一阶直方图特征、二阶直方图、纹理特征，或将图像用滤波器处理后建立有关模型。提取所有特征后需要进行降维和特征选择，然后与一个或多个特定结果进行关联分析。从统计方法到数据挖掘、机器学习方法，许多不同的分析方法取决于研究的目的和结果类别，例如随机森林、神经网络、线性回归、逻辑回归、最小绝对收缩和选择算子和Cox 比例风险回归。

纹理分析是影像组学应用最多的一种形式，它指的是，包含在影像图像的每个体素中的信息可以反映肿瘤组织的潜在病理生理，无论是CT的质量密度、MRI的信号强度还是PET的标准化摄取值[3]。纹理分析不仅对于评估肿瘤的异质性显示出相当大的潜力，而且还可能作为预后的生物标志物。

3.基于MRI的影像组学在宫颈癌诊疗中的研究进展

目前基于MRI的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、分期、组织学类型、淋巴血管间隙侵犯、淋巴结转移、疗效评估及预后预测等。

3.1组织学

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。宫颈癌的许多预后因素可以从组织学检查中获得（例如FIGO肿瘤分期、肿瘤大小、侵袭深度、淋巴血管间隙侵犯以及组织学亚型和分级）。WorMald等人[4]通过对378例宫颈鳞癌I-II期患者的T2WI和表观扩散系数（ADC）数据进行纹理分析，发现宫颈肿瘤在体积阈值以上和体积阈值以下的影像组学特征有显著差异，这些特征包括相异度、能量、簇影、簇影、逆方差、自相关性。

3.2宫旁侵犯

宫旁侵犯（FIGO IIB期）是CC的高危因素，也是区别早期和局部晚期疾病的一个转折点，对治疗有重要意义。对于早期CC的未产妇，如果在手术前能确定是否存在宫旁侵犯，则可以选择保留生育能力的手术。Jiang等人[5]使用167例早期CC患者的动态对比增强T1WI和T2WI，通过在动态增强（DCE）T1和T2WI MR图像上应用基于卷积神经网络的影像组学方法，建立并验证了基于深度学习的影像组学模型，以预测早期CC的血管侵犯。

3.3淋巴结转移

2018年，FIGO分期将盆腔或腹主动脉旁淋巴结阳性的患者划分为IIIC期。标准诊断方法在评估淋巴结状态方面存在一些局限性，尤其是检测正常大小的淋巴结微转移。此外，系统性盆腔淋巴结清扫术存在严重并发症，并非对每个患者都有指征。因此，一种新的非侵入性诊断方法可能有助于这种情况。Kan等人[6]使用支持向量机算法，在100名患者的研究队列中构建了影像组学模型，然后在43名患者的队列中进行了验证。结果表明，该模型能够使用从T2WI和增强T1WI手动分割后提取的特征来预测早期CC患者的淋巴结状态。Wu等人[7]的一项研究将189名患者分为训练组（n=126）和验证组（n=63）。作者提出了一种用于预测淋巴结转移的决策树，它结合了从瘤内和瘤周组织的T2WI获得的影像组学特征，以及MRI对淋巴结的标准形态评估报告。

3.4对治疗反应的评估

LACC患者不适合手术，标准的治疗方法是铂类放化疗。尽管这种治疗显着改善了局部病情和总体生存率，但大约40%的患者会出现复发。治疗反应的巨大差异可能与临床和病理预后因素有关，也可能与无法预测的表型和基因组肿瘤特征有关[8]。在Ciolina等人[9]基于MR构建了能够准确预测治疗反应的影像组学模型。作者认为，从T2WI和ADC图中提取的峰度在有反应的患者中显示出显著更高的价值，可作为肿瘤对铂类新辅助化疗反应的预测因子。Fang等人[10]将120名患者平均分为训练组和测试组，并开发了基于三种机器学习模型（矢状 T2WI、轴向增强T1WI和ADC序列）的影像组学模型，该模型在预测LACC患者对CCRT的反应方面表现良好。

3.5复发预测

局部复发是CC治疗失败和死亡的最常见原因[8]。目前需要新的可靠的诊断工具能够在早期预测复发和远处转移，以便提前指导治疗选择。Meng等人[11]一项前瞻性研究探讨了LACC患者ADC直方图和纹理分析在预测肿瘤复发中的价值。作者证明，治疗前和治疗中期的整体病灶ADC直方图和纹理分析在预测肿瘤复发方面具有很大的潜力。第二年，同一组前瞻性研究探索从ADC图和T2WI中提取的纹理参数在预测接受CCRT治疗的LACC患者肿瘤复发的应用[12]。作者证明，使用ADC纹理参数的支持向量机分类器在预测复发方面表现最好，而结合T2WI纹理参数对预后增加的价值很小。

4.局限性和发展潜力

综上所述，基于MRI的影像组学通过整合CC图像和临床特征挖掘他们之间的关系，可作为一种非侵入式检测方法在疾病的诊断、个性化治疗、预后预测、疗效评估等方面发挥重要的作用。与传统影像技术相比，影像组学更能够定量评估CC肿瘤空间上的异质性，可重复性更强，还能够提供更多的有效信息。但目前影像组学对CC尚处于早期研究阶段，仍存在较多问题。

一，缺乏标准化。影像组学研究过程中，图像采集、预处理和分割的类型、特征选择都会影响预测模型的准确性和可重复性。但对于图像标准化应遵循的原则尚无共识。因此，在未来的研究中，影像学特征的重复性和质量控制将是一个重要方向。二，缺少精准地自动分割肿瘤的软件。由于肿瘤的病理分型的多样化，所以手工勾画感兴趣区的复杂性和主观性难以规范化。人工智能的出现及其对影像学越来越广泛的影响可能，会克服一些局限性。三，现有的CC研究大多数为回顾性、小样本、单中心研究，这导致了在影像组学研究容易出现数据过度拟合、选择偏倚和多重检验相关的统计问题。而更优算法（如深度学习、神经网络）不断涌现可能会进一步优化数据。此外，影像组学未来需要获取更大的生物医学数据以及开展更多前瞻性、多中心研究。四，整合其他组学有待研究。目前CC的影像组学研究多局限在图像特征和结合临床参数的分析。未来的研究中，量化地引入肿瘤基因、肿瘤标志物等相关指标以更精确地评估和预测CC的疗效和预后，是我们的重点方向。

总之，影像组学对CC的研究可以更深入挖掘患者的临床特征、影像数据和遗传分子特征，建立更为精准和鲁棒的模型来提高对疾病的诊断和预测性能。这些CC的临床问题仍值得我们去探索：预测肿瘤侵袭性和风险分层，并做出精准诊断和选择手术方案，预测放化疗后反应，早期有效干预制定个性化的治疗方案，放射性药物的靶向分子成像等等。在未来，结合更多的“组学”技术对附加功能成像数据的探索，将为多维影像基因组学研究开辟新的途径。

参考文献：

Siegel Rebecca L，Miller Kimberly D，Fuchs Hannah E et al. Cancer Statistics， 2021.[J] .CA Cancer J Clin， 2021， 71： 7-33.

施奕倩 .影像组学的临床研究进展 [J].实用放射学杂志，2017， 33（10）：1623-1626.

[1]朱碧云，陈卉.医学图像纹理分析的方法及应用[J].中国医学装备，2013，10（08）：77-81.

Wormald Benjamin W，Doran Simon J，Ind Thomas Ej et al. Radiomic features of cervical cancer on T2-and diffusion-weighted MRI： Prognostic value in low-volume tumors suitable for trachelectomy.[J] .Gynecol Oncol， 2020， 156： 107-114.

Jiang X， Li J， Kan Y ， Yu T， Chang S， Sha X， et al. Mri based Radiomics approach with deep learning for prediction of vessel invasion in early- stage cervical cancer. IEEE/ACM Trans Comput Biol Bioinform 2020; PP03 Jan 2020.

Kan Yangyang，Dong Di，Zhang Yuchen et al. Radiomic signature as a predictive factor for lymph node metastasis in early-stage cervical cancer.[J] .J Magn Reson Imaging， 2019， 49： 304-310.

Wu Qingxia，Wang Shuo，Chen Xi et al. Radiomics analysis of magnetic resonance imaging improves diagnostic performance of lymph node metastasis in patients with cervical cancer.[J] .Radiother Oncol， 2019， 138： 141-148.

閆静，吴玉梅. 宫颈癌预后影响因素的研究进展[J]. 中国医刊，2020，55（12）：1308-1311.

Ciolina Maria，Vinci Valeria，Villani Laura et al. Texture analysis versus conventional MRI prognostic factors in predicting tumor response to neoadjuvant chemotherapy in patients with locally advanced cancer of the uterine cervix.[J] .Radiol Med， 2019， 124： 955-964.

Fang Mengjie，Kan Yangyang，Dong Di et al. Multi-Habitat Based Radiomics for the Prediction of Treatment Response to Concurrent Chemotherapy and Radiation Therapy in Locally Advanced Cervical Cancer.[J] .Front Oncol， 2020， 10： 563.

Meng Jie，Zhu Lijing，Zhu Li et al. Whole-lesion ADC histogram and texture analysis in predicting recurrence of cervical cancer treated with CCRT.[J] .Oncotarget， 2017， 8： 92442-92453.

Meng Jie，Liu Shunli，Zhu Lijing et al. Texture Analysis as Imaging Biomarker for recurrence in advanced cervical cancer treated with CCRT.[J] .Sci Rep， 2018， 8： 11399.