前列腺癌影像組學研究進展

呂香凝，任 克

(中國醫科大學附屬第一醫院放射科，遼寧 沈陽 110001)

前列腺癌是男性生殖系統最常見的惡性腫瘤，在歐美國家位居男性惡性腫瘤發病率首位[1]。近年來，隨著血清前列腺特異性抗原篩查普及、人口老齡化加劇及生活方式改變等，中國男性前列腺癌發病率呈現明顯上升趨勢[2]。確診前列腺癌有賴于超聲引導下穿刺活檢，但其具有高侵入性，且易因空間采樣誤差而漏診。近年來，影像組學受到廣泛關注，發展迅速，已用于診斷腦、肺、乳腺、胃腸道等多種系統疾病[3-6]，通過深入分析和挖掘圖像特征數據，對指導臨床決策、判斷腫瘤侵襲性和評估預后發揮重要作用[7]，也為前列腺癌風險評估提供了更安全、更精確的方法[8]。本文對影像組學在前列腺癌中的臨床應用進行綜述。

1 影像組學概述

2012年，Lambin等[9]正式提出了“影像組學”的概念，即高通量的影像學圖像中提取數據特征，采用全自動或半自動分析方法將數據轉化為可挖掘的高維數據庫。影像組學是一種定量的醫學圖像分析，利用圖像“特征”作為生物標記，以幫助檢測和定位腫瘤以及預測治療后反應[10]，豐富了對于圖像數據的處理方法，使充分挖掘圖像的大數據信息、深層次利用醫學影像學數據成為可能。

影像組學的基本流程包括：①圖像采集、分割，準確的圖像分割是初始工作流程中的關鍵步驟，直方圖和矩陣分析等特征均受其影響[11]。醫學圖像分割從手動分割逐步發展到半自動分割和全自動分割。目前全自動分割仍然是一項具有挑戰性的任務，但相信自動分割將會成為未來影像組學的主要分割方法[12]。目前很多商業軟件包可供使用者選擇，如3DSlicer、MIM、ITK-SNAP、MITK及Seg3D2等。Larue等[13]詳細概述了各種不同軟件包，包括有關成像技術類型、圖像預處理步驟和特征提取等信息。②特征提取、降維，是影像組學的核心。影像組學特征包括一階直方圖特征、空間幾何特征、紋理特征和小波特征。可提取的影像組學特征數量很大，增加了過度擬合數據的可能性[14]，使得降維和特征選擇成為必不可少的步驟。Parmar等[15]提供了多種數據降維方法，并對其穩定性及預測性能進行了比較。③模型建立，影像組學的模型建立和回歸分析主要用來預測新樣本，常用的分類器有支持向量機及神經網絡，常用方法有線性回歸、Logistic回歸、支持向量機、人工神經網絡、COX回歸、樸素貝葉斯和隨機森林等。深度學習主要包括卷積神經網絡、深信度網絡、多層反饋循環神經網絡及改進模型等，可自動從原始輸入數據中學習分層特征，與傳統機器學習相比具有更高的分類性能。

2 影像組學在前列腺癌中的應用

2.1 影像組學在前列腺癌中的診斷價值 多種影像組學特征可用于診斷與鑒別前列腺癌。Algohary等[16]在其訓練集中發現7個基于T2WI和ADC圖像的紋理特征在前列腺癌組織與正常組織之間存在差異(P均<0.001)。Sidhu等[17]分析26例前列腺癌患者的前列腺移行帶紋理特征，發現從ADC和T1WI中提取的峰度和熵是前列腺癌的重要預測因子。Kuess等[18]分析了25例前列腺癌患者的多參數磁共振(multiparametric magnetic resonance imaging，mpMRI)圖像，認為所提取的一階和二階紋理特征可用于鑒別前列腺癌與健康組織。Ginsburg等[19]報道，從移行帶與外周帶中提取的用于癌癥檢測的紋理特征是不同的，可用于診斷疾病。

2.2 影像組學與前列腺癌Gleason評分 Gleason評分是評估前列腺癌轉移風險的重要標準，前列腺的MRI影像組學特征可用于預估Gleason評分。Fehr等[20]通過ADC和T2WI紋理特征，實現了對Gleason 6(3+3)與≥7、Gleason 7(3+4)與7(4+3)前列腺癌的準確分類。Nketiah等[21]同樣發現T2WI紋理特征與Gleason評分顯著相關，并可用于鑒別Gleason 7(3+4)與Gleason 7(4+3)前列腺癌。Vignati等[22]觀察45例前列腺癌，結果顯示對比度和同質性這兩個二階紋理特征與Gleason評分顯著相關。Gnep等[23]以74例前列腺癌患者為研究對象，發現28個T2WI Haralick特征和4個幾何特征(腫瘤直徑、周長、面積和體積)與生化復發顯著相關，提示上述參數可能在未來臨床決策過程中發揮重要作用。但是，Wibmer等[24]報道，從147例前列腺癌患者DWI中提取的對比度和同質性與Gleason評分并不顯著相關，且ADC圖能量(P=0.010 2)和熵(P=0.001 9)在Gleason≤7(3+4)與≥7(4+3)前列腺癌中差異顯著。Rosenkrantz等[25]認為ADC熵較ADC值對Gleason 7(3+4)與Gleason 7(4+3)前列腺癌具有更高的鑒別診斷效能。熵是前列腺癌Gleason評分的良好生物標志物，依據T2WI和ADC組合特征可對Gleason評分進行分類。

2.3 影像組學評價前列腺癌治療效果及預后 Reischauer等[26]分析12例前列腺癌患者的37處前列腺及骨轉移灶，發現全腫瘤體積紋理分析可用于評估前列腺癌骨轉移治療后的反應，有3個一階和6個二階紋理特征與雄激素剝奪治療(androgen deprivation therapy，ADT)導致的血清前列腺特異性抗原變化有很強的相關性。Daniel等[27]發現，在接受ADT的前列腺癌患者中，與常規直方圖參數相比，雙參數MRI紋理特征對區分健康組織和腫瘤組織表現出更優異的性能。Shidakar等[28]發現雙參數MRI放射組學特征可用于預測前列腺癌治療后的生化復發，并可輔助判斷治療效果。Abdollahi等[29]提出MRI紋理特征可以預測前列腺癌患者的放射治療相關并發癥，如直腸放射損傷。Rossi等[30]證實，將三維劑量學紋理特征納入前列腺癌放射治療引起的直腸毒性和腎毒性預測模型中，可提高預測效能。Scalco等[31]則利用紋理分析定量評估了前列腺癌患者接受放射治療后閉孔肌的變化。迄今為止，僅發現少數紋理特征對前列腺癌患者預后或生存具有預測意義，尚需大量數據及更多實驗，以驗證影像組學對預測前列腺癌預后的價值。

2.4 影像組學診斷前列腺癌方法學進展 隨著機器深度學習的發展，更多新的ROI分割方法、特征篩選方法等用于前列腺影像學診斷。Tang等[32]提出了一種新穎的三維半自動分割前列腺MRI的方法，適用于計算機輔助手術或診斷的臨床環境。Chaddad等[33]提出一種基于聯合強度矩陣的模型，基于隨機森林分類器的多變量模型預測前列腺癌Gleason評分，發現聯合強度矩陣特征較灰度共生矩陣特征更有優勢。Niu等[34]建立了能預測高級別前列腺癌的紋理分析模型，并發現提取的紋理特征是可用于評估腫瘤侵襲性的輔助工具。Khalvati等[35]以支持向量機分類器對從實際臨床mpMRI數據集中獲得的40 975個癌癥和健康組織樣本進行訓練，認為新的mpMRI紋理特征模型(包括T2WI、DWI、高b DWI及相關擴散成像)檢測癌癥的精度優于傳統模型(T2WI+DWI)。目前已有多種基于放射組學的預測模型，用于預測前列腺癌分級、治療反應及預后等，為成功實現基于放射性組學的預測分析，需要評估和比較不同特征和建模方法，這也是未來放射組學研究的重要方向。

3 影像組學用于前列腺癌面臨的挑戰

影像組學是新興的且并不成熟的研究領域，流程中任何一個單獨過程的變化均可能導致結果變化，其用于前列腺癌尚面臨很多挑戰：①現有數據量相對較少，且多來自回顧性研究，需要更多前瞻性研究及可重復性研究，以探索其臨床應用價值；②各研究間影像學數據來源標準不一、采集參數不統一、數據樣本不平衡、采集協議不一致等均可能影響最終結果，制定標準化規范是未來的方向；③ROI分割方法不同也會影響結果，應盡可能采用自動分割。