影像組學在膀胱腫瘤研究中的應用進展

繆嘉 陳心朋 張大宏*

233000 安徽蚌埠 蚌埠醫學院研究生院（陳心朋）

310014 浙江省人民醫院（繆嘉 陳心朋 張大宏）

泌尿系統中最常見的腫瘤是膀胱腫瘤，且膀胱癌在癌癥類型中排名第9名［1］，并導致每年165，000人死亡［2］。NIH數據預測，膀胱癌發病率在近幾年內將達到前5名。然而確診膀胱腫瘤后，早期干預可使存活百分比達70%，甚至膀胱原位癌5年相對生存率可達95%［3］。因此，早期診斷膀胱癌具有重要意義。近年來，隨著影像學的快速發展，早期異常信號即可被識別，如高分辨率計算機斷層掃描（CT）可以檢測到微小病變，磁共振成像（MRI）可以協助判斷腫瘤分期和浸潤。如今，越來越多的人重視健康，這導致影像數據的急劇增加。使放射科醫師的工作量大量增長，并間接導致誤判率的增加。以上這些因素促進高通量提取定量特征的發展，即將圖像轉換為量化數據，在進行數據分析后預測疾病的預防和治療反應［4］。

1 影像組學概念

影像組學的概念首先由Lambin等［5］提出。2012年，其將影像組學定義為從醫學影像中自動提取出大量定量特征后，分析臨床治療和預后的一門醫學研究領域。最近，因影像組學能對腫瘤控制和臨床并發癥進行精確的預測，已經應用于解剖學區域和其他類似的領域［6］。此外，影像組學不僅局限于腫瘤學領域，且或多或少的影響到通過斷層掃描成像的各個醫學領域。

2 影像組學流程

2.1 圖像采集 雖然在圖像采集過程中，患者體位、圖像分辨率、掃描層厚度和圖像的重建算法等多種情況均會影響成像參數［7］，但圖像采集和重建對于影像組學研究的質量和可重復性起決定性作用［8］。在過去幾年中，已經研制出新的方法提供更精細和標準的圖像，因此臨床研究者有更多機會在臨床研究中利用影像組學［9］。

2.2 圖像分割 經驗豐富的放射科醫師可以根據圖像勾勒出病灶的輪廓，并將此病灶作為感興趣區域（ROI）。這種勾畫病灶的方法也可被半自動甚至全自動的分割方法所代替。ROI通過三維容積重組生成三維感興趣容積（VOI）［10］。圖像分割算法分為以下三類：（1））基于閾值分割算法；（2）基于聚類技術算法；（3）基于可變形模型的算法［11］。對于影像組學，任何一個圖像分割算法均不是絕對適用于所有圖像分割。因此，多種分割方法和以選集學習算法為基礎組合會增加分割的有效性和準確性［12］。

2.3 特征提取 一旦確定腫瘤的ROI，計算機就可以從圖像中提取腫瘤的特征。這些功能分為兩類，即“可視”和“非可視”：前者用于描述腫瘤的病變，如形狀，位置，血管分布等。非可視特征是提取定量描述符來描述病變的異質性，如Haralick紋理，Laws紋理，小波特征等［13］。醫學成像中使用的紋理特征主要分為三類：（1）從圖像強度直方圖（一階特征）獲取的特征；（2）從灰度共生矩陣（二階特征）所獲取的特征；（3）從鄰域灰度差矩陣或灰度級區域矩陣（高階特征）所獲取的特征［14］。

從醫學影像中提取的特征十分龐大，但其中一些特征是多余的。因此，降維對于減少冗余和提高信息確切性至關重要，同時也是影像組學的核心［7］。但迅速發展的先進技術與最新的臨床研究實踐缺少一致性，因此需要合適的方法評估這些先進技術［15］。

2.4 統計和信息學分析 影像組學的最后一步，是將合格的高質量數據集輸入分類器進行分析。近年來，諸如胸部X射線數據集、淋巴結檢測和分割數據集等數據集已經建立并在逐步改善［16］。分類器模型是由所有掃描層的圖像特征構造而成，因此用來預測有較高的準確性。計算機視覺技術是近年來最突出的機器學習技術之一。卷積神經網絡（CNN）是計算機視覺技術中最重要的深度學習模型。創建可將CNN特征提取至分類器的理想窗口，以此來確定窗口是否包括病灶以及病灶的嚴重程度［17］。深度學習模型作為一項新技術，幫助患者在最短時間內獲得較大的收益［18］。其優點不容忽視。

3 影像組學在膀胱腫瘤的臨床應用

影像組學提出以來，吸引眾多學者的目光，特別是腫瘤學領域和影像分析領域的專家。研究表明，影像組學與肺癌或頭頸癌的預后和潛在的基因表達模式有關［19］。之后，越來越多的影像組學的研究開展起來，如肺癌、乳腺癌、膠質瘤和直腸癌，其研究范圍包括定性研究，臨床分級和分期，治療評估，預防分析和基因分析。

3.1 診斷和分期 影像組學可用于區別良性和惡性腫瘤并確定腫瘤的分期。對于腫瘤診斷方面，影像組學中的自動分割腫瘤體積的結果與來自放射科醫師的手動分割腫瘤體積結果具有高度的一致性［20］。Fan等［21］研究表明，因膀胱微型乳頭狀癌（MPC）較大的異質性，用增強CT圖像的紋理分析可區分膀胱MPC和尿路上皮癌（UC）。MRI圖像中提取的影像組學特征可用于膀胱癌患者的術前預測［10］。與傳統分期方式比較，影像組學的諾謨圖在將患者分層中更有價值［22］。影像組學將把診斷技術帶到一個新的高度，在減少個體差異的同時，提高腫瘤識別的準確性。

3.2 治療評估和預防分析 影像組學可用于評估膀胱腫瘤的治療和預防。在閱讀患者治療前、后影像資料，深度學習的影像組學和放射科醫師在評估T0期膀胱癌治療后的患者中，其概率差異無統計學意義［23］。DWI和ADC圖的紋理特征可以區分低級別和高級別的膀胱腫瘤，將這種影像組學策略與支持向量的機器（SVM）分類器相結合，可以更好的加快以影像為基礎的膀胱腫瘤術前分級［24］。且基于MRI掃描中T2加權所提取的特征，可選用最佳的生物標記以精確侵入外囊泡進行分類，這將膀胱癌患者分類為≤T2和＞T2組［25］。將影像組學諾謨圖與多變量邏輯回歸模型相結合，可以更好預測膀胱癌患者的淋巴結轉移［26］。

3.3 基因預測 大量研究揭示放射遺傳學在影像學診斷腫瘤方面取得杰出的成果。當數據有限時，放射基因學可結合早期患者情況識別影像特征［27］。在多形性膠質細胞瘤（GBM）患者中，某些特定區域的分子表型與成像特征密切相關［28］。來自影像組學和放射基因學的大數據指數可與傳統模型共變量相結合，以增強放療模型的預測能力［29］。因此，成像信息與基因組間的關系可用于探索腫瘤分子表型的診斷和臨床發病機制，從而更好地制定治療方案。無論是通過影像組學闡明有關腫瘤基因的表型，還是以影像的定量特征更精確地顯示疾病特征，均彌補基因診斷的不足。

4 小結

影像組學是一個新興領域，較多研究成果已逐漸被發現。然而，依然存在一些尚未解決的問題：（1）圖像不穩定：對于核磁共振而言，圖像強度會隨著體素大小，磁場強度，脈沖序列，機器供應商和重建算法的不同而發生變化［7］；（2）缺乏標準化方法：不同醫院、掃描儀類型、放射學軟件使得提取的影像學特征難以直接比較［30］。在影像組學的研究中，這些因素不容忽視，并值得進一步研究；（3）關系尚未清晰：腫瘤成像特性與腫瘤生物學間的聯系是模糊的，無任何確切的證據可以證實影像學特征與遺傳表型間存在因果關系［31］。

隨著計算機技術、大數據分析和影像學的發展，影像組學的出現在精準醫學的發展過程中是必不可少的。在手術前，影像組學可以從影像中提取特征，從而以非侵入性方式有效對腫瘤進行分級。越來越多的研究證實腫瘤學與影像組學間存在聯系，影像組學的發展將有更廣闊的臨床前景。