基于CT的影像组学在胃肠道间质瘤中的应用进展

王沛哲，闫呈新

山东第一医科大学第二附属医院影像科，山东泰安 271000

胃肠道间质瘤（GIST）起源自Cajal间质细胞，是消化系统中最常见的间叶源性肿瘤［1］。一项针对于我国4.3亿城镇人群的研究表明，GIST发病率大约为0.40/10万人年，男女比例为1.22∶1，年龄（55.2±14.26）岁［2］。GIST 主要发生于胃（64.5%）、小肠（25.1%）、结肠（5.1%）和食管（1.9%），约3.3%出现在网膜、肠系膜、后腹膜等胃肠道外［3］。多层螺旋CT（MSCT）扫描速度较快，密度分辨率较高，安全无创，增强后还可显示GIST的强化方式、程度、肿瘤供血血管及与周围组织器官的关系等，是GIST检查、诊断及分级的首选影像学检查方法，对肿瘤生物学行为预测、治疗方案选择、疗效评价及预后评估具有重要的价值［4-5］。但这种基于CT形态学诊断的传统模式有一定的局限性。影像组学采用高通量特征提取算法进行定量分析，深入挖掘肿瘤或其他实体疾病无法用肉眼分辨的隐藏信息，反映不同类型肿瘤的异质性，被广泛运用于鉴别不同组织学表型的肿瘤［6-7］，在指导GIST诊疗方面具有广泛的临床应用前景。肿瘤异质性与其临床生物学行为密切相关，穿刺活组织病理学检查只能获取肿瘤局部组织，不能反映病灶的整体情况及活体内生存代谢的状态［8］。鉴于GIST的恶性潜能较高，病理诊断具有侵入性，而影像组学具有揭示肿瘤在空间和时间上存在异质性的能力，且近年来研究渐成趋势并有望取得良好的效果，为此，本文就影像组学在GIST的研究进展进行综述。

1 影像组学的概念

影像组学由荷兰学者LAMBIN等［9］于2012年首次提出，是利用大量自动化数据特征算法，高通量地从影像的感兴趣区中提取大量的定量图像特征数据，转化为具有高分辨率的可挖掘的高维特征空间数据，用于描述肿瘤异质性的深层信息。作为肿瘤潜在基因表达模式及相关生物特征的替代标志物，影像组学为临床精确诊断、精准化个体治疗、预测远处转移、预后评估等决策提供帮助［10］。影像组学主要包含以下步骤：①数据采集与标准化。影像组学的本质是图像分析，足量标准化影像图像采集是影像组学研究成功的基础。针对具体的研究问题和目的，收集统一的、标准化的图像参数的数据集，是消除影像组学疾病诊断混杂偏倚的关键。②图像分割与绘制。对病灶感兴趣区或感兴趣体积的分割，采用的方法有手动、半自动及自动分割，其中手动分割仍被认为是大多数放射组学分割的金标准［11-13］。边界的选择将影响结论的准确性，通常分割及勾画时会剔除病灶中的空气和钙化［14］。③特征提取和处理。影像组学的核心步骤就是从图像中提取出语义特征和非语义特征［15］。由于提取后的影像组学特征数量繁多，为选取预测效能最高的特征，需要对提取的特征进行降维处理，运用单因素分析、最大相关最小冗余、“套索”回归［16］等方法筛除冗余和噪点。④模型建立。特征选取后用筛选的影像组学特征联合临床、病理特征，建立分类或预测模型，即训练集，再用验证数据（验证集）来验证模型的准确性，最终选取出一个合适的高精度模型。目前常用的方法有logistic回归模型、随机森林、支持向量机［17］、人工神经网络［18］等。其中logistic回归模型因简单、可操作性强，被广泛应用于临床。

2 基于CT的影像组学在GIST中的应用

2.1 胃肠道肿瘤的鉴别诊断 GIST与平滑肌瘤、平滑肌肉瘤、神经鞘瘤、胃腺癌和淋巴瘤等疾病的影像学表现相似，但治疗的方法和预后却显著不同。有时仅靠MSCT平扫及增强很难将其进行鉴别诊断。目前多项研究发现影像组学可以增加GIST诊断的准确性，同时能鉴别其他消化道肿瘤。BA-SSALAMACH等［19］分析了47例动脉期和48例门脉期GIST、腺癌及淋巴瘤患者术前增强CT图像的纹理特征，发现动脉期CT图像中的纹理特征能准确鉴别淋巴瘤和GIST（误判率0%）；门脉期图像对GIST与淋巴瘤的鉴别成功率略低，但能够区分腺癌和GIST（误判率8%）。SUN等［20］分析了基于增强CT的影像组学对鉴别GIST与胃癌的意义，分别建立了常规CT特征模型、影像组学特征模型及二者的联合诊断模型，结果表明，联合诊断模型可明显提高GIST 与胃癌鉴别准确性（P=0.03）。王睿［21］基于XGBoost算法，得出影像组学模型对胃神经内分泌肿瘤与胃腺癌鉴别的灵敏度、特异度、AUC及准确性均优于常规CT的特征模型（P<0.05）；侯宗宾［22］又进一步研究发现，CT纹理特征中的Kurtosis及Entropy可作为鉴别胃间质瘤和其他胃良性黏膜下肿瘤的独立影响因素，常规CT形态学模型与影像组学联合模型对其鉴别的诊断效能明显优于传统CT特征。上述研究表明，影像组学特征可较准确地对GIST进行诊断，在诊断与鉴别诊断消化道肿瘤方面具有明显优势，同时结合与临床、病理联合的模型具有更准确的诊断效能。

2.2 病理危险度分级的预测和评估 GIST生物学行为及危险程度分级的研究一直是热点，目前对于GIST的病理学危险程度分级较常用的是改良NIH标准（2008年），其根据肿瘤大小、核分裂象计数及肿瘤原发部位将危险度分级分为四级，即极低危险度、低度危险度、中度危险度和高度危险度［4］。目前多项应用影像组学对GIST病理学危险度分级进行预测和评估的研究取得了一定的成果。LIU等［23］对78例低危险度和极低危险度GIST患者的CT平扫、动脉期和静脉期图像的影像组学分析，认为其诊断效果较好。ZHANG等［24］研究了140例中危和高危患者术前GIST的动脉期CT增强图像，运用随机森林的方式建立模型，发现影像组学特征在区分GIST中危和高危时具有较高的诊断效果（AUC为0.935）。REN等［25］学者在一项针对440例患者回顾性研究中发现，通过线性相关及LASSO回归降维所建立的影像组学模型能区分低危险度和高危险度GIST（在训练和验证队列中，AUC分别为0.935和0.933）；WANG等［26］对333例GIST的增强CT图像建立的logistic回归模型，证明在训练集及验证集均对低风险和高风险GIST的区分能力较好（AUC分别为0.882和0.920）；侯宗宾［22］研究了98例GIST患者的危险度分级，得出了影像组学纹理模型联合传统CT模型的效果最好（AUC为0.964），并优于传统CT模型；ZHANG等［27］通过对330例GIST患者多中心的回顾性研究表明，CT平扫对高危GIST患者的预测与增强扫描相当。FENG等［28］从90例小肠间质瘤患者的动脉期、静脉期CT图像中提取了不同的纹理参数，其中容积纹理特征，特别是熵对危险度分层的诊断准确率最高（AUC在动脉期和静脉期分别为0.823和0.830），说明不同纹理特征参数对GIST分级具有一定的差异。上述研究表明，基于CT图像的影像组学对于GIST危险度分级具有良好的鉴别预测能力，可以为临床精准治疗提供帮助。

2.3 预测肿瘤细胞的增殖状态 Ki-67增殖指数可以反映细胞分裂、增殖活性，是一种临床上广泛应用的免疫组化标志物，用以判断肿瘤的恶性程度、侵袭性及生存时间及预后情况［29］。研究表明，Ki-67的高表达与GIST的病变体积、有丝分裂率、恶性风险及侵袭性呈正相关，代表着预后不良［30-31］。国内外文献报道，GIST的MSCT特征与Ki-67的表达水平具有显著相关性［32-33］。随着影像组学的不断发展，有学者对GIST的CT纹理特征与Ki-67进行相关研究，ZHANG等［34］对339例GIST的增强CT进行分割勾画，通过多变量logistic模型绘制诺莫图，结果表明增强CT的影像组学特征联合肿瘤大小与Ki-67的表达明显相关（训练组、内部验证组和外部验证组AUC分别为 0.801，0.828和 0.784）。ZHAO 等［33］将344例患者分为训练集和外部验证集，建立了Ki-67指数的影像组学预测模型，证明影像组学可术前预测Ki-67指数（AUC分别为0.835和0.784）。上述研究证实影像组学在预测肿瘤细胞的增殖状态方面有很大潜力。

3 基于CT的影像组学在GIST研究中的不足

作为一个新的研究领域，基于CT的影像组学对GIST的研究还存在一些不足。首先，多数研究仍是单中心小样本研究，各机构评价标准又不尽相同，即使在同一研究中，验证组模型效果也明显弱于实验组。其次，因采集设备不同，或管电压、层厚等参数的选择不同，所获取的图像存在明显差异［35］。增强扫描所使用的对比剂、注射时相差异也会影响肿瘤周围微环境，导致图像纹理具有差别［36］。第三，不同研究者所筛选的标准有差异［37］，筛选出的影像组学特征也不尽相同。这些均可导致研究的可重复性有待进一步提高，影像组学在GIST方面的研究还不能全面应用于临床。

4 展望

在当前强调精准医疗的社会背景下，影像组学在术前能较准确的对GIST做出诊断，预测其危险度分级及生物学特征，并有望评估评判放化疗治疗效果［38］。同时，随着计算机科学与医学的融合，基于影像的无监督学习及深度学习成为识别、分析及验证定量特性的重要方法，这可以减少特征筛选的偏倚以取得更好的分类效能，极大地降低实验者的工作量。基于不同机器学习方法的影像组学作为当前最具研究价值的交叉学科研究，必将在GIST个体化诊疗中发挥更大的作用。