影像组学在进展期胃癌化疗反应和生存预测中的研究进展

迪利亚尔·阿地力，曹博威，张文斌（通信作者）

（新疆医科大学第一附属医院胃肠肿瘤外科 新疆 乌鲁木齐 830054）

影像组学是近几年兴起的一门技术，以无创性预测肿瘤的生物学行为实现精准医疗的需求。它能够把传统的影像图像转换为定量数据，在CT的影像分割、疾病诊断、放化疗反应、转移风险评估和预后情况的预测等各个领域中的应用引起了广泛关注。本文就影像组学在进展期胃癌化疗与生存预测中的应用进展做一综述，旨在为将来研究方向的选择提供参考。

1 影像组学概述

受基因组学和蛋白组学的启发，2012年由荷兰的Lambin等[1]首次提出了影像组学的概念，强调从医学图像中高通量地提取定量影像信息。影像组学可直观地将视觉影像信息转化为深层次的特征来进行量化分析，有望实现无创性、全面、动态量化病灶的时间和空间异质性，对病理、临床及放射医师在肿瘤的分型、精准诊疗、预后预测中有着重大的临床参考价值。2018年伊始，影像组学研究的重点更是从预先设定的手工特征逐渐转移至更加深层次的深度学习特征。其流程可大致分为图像采集和预处理、图像分割、图像特征提取和筛选、预测模型构建与应用。在肿瘤学的应用中，影像组学特征还可作为一种客观、量化的生物标记物应用于肿瘤的鉴别诊断、表型分析及预测预后。

2 影像组学在胃癌化疗反应预测中的应用

2.1 新辅助化疗反应预测

对于初始分期较晚的可切除胃癌患者，新辅助化疗已逐渐成为围手术期治疗中的重要方案。同单独手术治疗相比，新辅助化疗+手术治疗具有更高的生存获益，然而只有20%～40%的病人对新辅助化疗表现出敏感性，且存在术后不同程度的复发风险。因此，精准化潜在受益的人群能够使患者避免不必要的不良反应具有非常重要的临床意义。Chen等[2]对221名接受新辅助化疗的胃癌患者进行了模型预测，从572个影像组学特征最终选取5个特征作为影像组学评分的计算基础，结果亦展示出良好的预测效能，c-index（评价模型的预测能力）为0.763，提示该模型能够根据胃癌患者的潜在敏感度进行分层并针对性给予治疗方案。Mazzei等[3]对意大利5个中心70名接受新辅助化疗的胃癌患者进行了分析，AUC达0.763，肯定了模型的预测价值。Sun等[4]纳入106名接受新辅助化疗的胃癌患者，结合其临床病理特征建立了影像组学评分，结果提示该评分对新辅助化疗反应起到了良好的预测作用[AUC 95%CI=0.82（0.67，0.98）]。Li等[5]纳入30例处于Ⅱ/Ⅲ期的进展期胃癌患者，在接受新辅助化疗前构建了影像组学模型，结果显示该模型能够有效筛选出新辅助化疗反应不佳的潜在患者。

2.2 辅助化疗反应预测

针对手术治疗且病理学分期为T3或T4期或伴有淋巴结转移的胃癌患者常使用术后辅助化疗。近年来，多项前瞻性临床研究结果证实辅助性化疗可有效延长患者的生存时间，其中2007年的ACTSGC研究和2012年的CLASSIC研究确定了辅助性卡培他滨和奥沙利铂联合化疗方案在行胃癌D2根治术患者中具有良好的临床获益能力，为进展期胃癌患者的术后辅助化疗方案奠定了基础[6]。2021年，Liu等[7]基于双能CT建立了一种多能量影像组学模型，结果表明高能特征对胃癌化疗疗效的预测能力最高，同时多能量模型的预测能力也优于单能影像组学模型。同年，Jiang等[8]在Annals of Surgery杂志发表了一项多中心回顾性研究，共纳入1 615名患者，利用一种新的神经网络（S-Net），集成全面的多尺度图像特征，建立了一种用于评估肿瘤浸润淋巴细胞和髓系细胞的影像组学特征模型，有效预测出胃癌辅助化疗反应的强弱。Tan等[9]以86例胃癌患者为研究对象建立了DECT Delta影像组学模型，结果显示该模型亦可有效预测进展期胃癌患者的化疗反应，最佳AUC达0.83，是一种可靠的生物标志物。Li等[10]从CT影像的瘤内和瘤周区域提取特征并构建了影像组学模型，对Ⅱ/Ⅲ期胃癌患者显现出良好的辅助化疗反应预测能力。上述Jiang等研究人员早于2018年相继发表两篇研究，一篇对159 例胃癌患者进行建模分析，通过影像组学评分将患者纳入不同风险组，印证了Ⅱ/Ⅲ期患者辅助化疗反应的预测能力[11]；另一篇基于18F-氟代脱氧葡萄糖正电子发射断层成像CT建立了影像组学模型，共收集了214例胃癌患者，通过训练和验证队列也同样证实了影像组学评分对辅助化疗潜在获益人群的鉴别能力[12]。

3 影像组学在胃癌生存预测中的应用

3.1 总生存期（overall survival，OS）预测

行胃癌根治术和接受不同形式化疗的最终目的即有效延长患者的生存期。总生存期（OS）是指从随机化开始，因任何原因引起死亡的时间，是衡量治疗效果的一项重要指标。上述Sun等[5]通过影像组学评分以0.59为界点将胃癌患者分为高分组和低分组，结果显示高分组患者的OS显著高于低分组（P＜0.001），即基于影像组学模型对患者总生存期的预测是有效的。Wang等[13]收集243例患者的信息，有意思地发现基于脾脏的影像学特征也可以有效预测胃癌患者的长期预后。肿瘤浸润性Treg细胞（TITreg）在胃癌组织中呈高度浸润性，与胃癌患者的不良预后密切相关。Gao等[14]从三个独立队列共165例胃癌患者中提取信息并构建了影像组学模型，结果显示出对TITreg的良好的预测效能，AUC分别为0.884、0.869和0.847，多变量COX回归分析系OS的独立危险因素。Zhang等[15]利用18层残差卷积神经网络建立的深度学习模型对胃癌病人进行了预测，发现该模型对胃癌病人的OS具有良好的预测能力。该研究团队进一步提出了一种多聚焦融合特征金字塔网络（MMF-FPN），该网络统一了分离的低层特征和融合的高层特征，显示出比现有的影像组学和深度学习方法更好的性能，期待后期进一步的模型验证[16]。Li等[17]对181 例胃癌患者的影像组学和临床病理因素进行了分析，发现影像组学评分对总生存期（OS）的预测表现优于临床预测模型，而整合二者后的诺模图更是将预测OS的效能提高了11%。Yoon等[18]对26例接受曲妥珠单抗为主的联合化疗的胃癌患者进行影像组学分析，中期随访19 个月，同样发现一些纹理特征与OS密切相关。

3.2 无病生存期（disease free survival，DFS）并OS预测

无病生存期（DFS）可简单定义为从手术切除到局部复发的时间。2021年，上海瑞金医院的Chen等[19]对156例处于Ⅱ～Ⅳ期胃癌患者的双能CT（DECT）进行分析并构建了影像组学模型与临床模型进行对比，发现在DFS的预测方面显著高于临床模型，AUC分别为0.80、0.77，而在OS预测中未见统计学差异。该团队随后构建了整合影像组学特征与临床病理特征的综合模型，预测能力得到进一步改善，在DFS和OS的C指数分别为0.810和0.710。前文已述Jiang等[8]同样基于多尺度图像特征有效预测了胃癌患者的DFS和OS，是预测两个结局的独立预后因素（P＜0.001）。该团队[20]又基于影像组学对胃癌免疫评分进行了预测，并在三个队列中均发现对患者的DFS和OS有显著的预测价值，HR范围为0.296～0.487（P＜0.001）。然而也有研究结果并不完全相同。2020年，Chen等[21]在基于增强CT（CECT）的影像组学模型中预测了胃癌的淋巴血管浸润，并有效预测出无进展生存时间，但并未发现与OS的预测关联性。前文Jiang等[11-12]在2018年发表的两篇研究亦显示了影像组学模型对OS和DFS良好的预测效能。Li等[10]的研究同样对Ⅱ～Ⅲ期胃癌患者的DFS进行了多因素分析，证实了影像组学预测的可靠性。Wang等[22]从2个中心招募353例胃癌患者，建立了包含4个影像组学特征和3个临床病理特征的影像组学模型，同样发现该模型可有效预测胃癌患者的DFS，AUC达0.77。

4 小结与展望

影像组学在肿瘤诊治策略的选择、反应预测和预后评估等方面展示出不容小觑的价值，但作为影像学领域中的一门新兴分支学科，尚处于探索阶段，仍存在较多可优化的节点。例如：在数据准备阶段，当样本量较少时，训练和验证数据集的分层较差，会导致模型的适应性、优化和评估过程受阻。在模型开发和验证阶段，模型的可复现性、泛化性和生物可解释性主要体现影像组学的性能，但当前较多模型的可复现性和泛化性欠佳，在共同配准、重采样、分割和强度归一化等流程中亟待改善。在临床应用阶段，开发适用于临床工作的高效影像组学系统，能有效降低影像科医师的工作负担，是后期应用阶段的关键点。作为医工结合的影像组学在未来拥有广阔前景，相信这项不断完善的技术能在肿瘤表象的鉴别、治疗期间的表型变化、治疗反应的评估和生存的预测中展示出良好的效能，为肿瘤患者带来更精准的治疗方案。