影像組學在肝細胞癌診療中的研究進展

蔣啟紅，任勇軍

作者單位：川北醫學院附屬醫院介入放射科，四川省醫學影像重點實驗室，南充637000

原發性肝癌(primary liver cancer，PLC)是我國第四大常見惡性腫瘤，也是惡性腫瘤死亡的第二大原因，對人民的生命健康具有重大威脅，PLC 的主要病理亞型有肝細胞癌(hepatocellular carcinoma，HCC)、肝內膽管細胞癌(intrahepatic cholangiocarcinoma，ICC)、肝細胞癌-肝內膽管細胞癌混合型(hepatocellular carcinoma-intrahepatic cholangiocarcinoma，HCC-ICC)[1]，其中，HCC 是PLC 最常見的病理類型。準確評估、生物學行為預測、療效及預后判斷是精準診療HCC 的必要條件[2]。在強調“精準醫學”[3]的時代，僅基于形態學診斷的傳統影像模式已經表現出一定的局限性。影像組學因其采用高通量特征提取算法，對影像圖像進行定量分析，深入挖掘和分析圖像中隱藏的信息，最高效地利用影像圖像結果，在指導HCC診療方面具有廣闊的臨床應用前景。

1 影像組學的概念及進展

“影像組學”(radiomics)最早由荷蘭學者Lambin 等[4]提出，指從超聲(ultrasound，US)、計算機斷層掃描(computed tomography，CT)、磁共振成像(magnetic resonance imaging，MRI)或正電子發射斷層掃描(positron emission tomographycomputed tomography，PET-CT)中提取定量特征，將數字圖像信息轉換為可挖掘的高維數據，用于描述腫瘤表型和異質性等深層信息，并與臨床數據關聯，最后為臨床決策提供幫助。影像組學包含下列幾個基本步驟[5]：圖像采集和預處理、圖像分割、圖像特征提取和量化、建立模型及構建共享數據庫。近年來影像組學利用機器學習的應用廣泛，同時以基于卷積神經網絡(convolutional neuralnetwork，CNN)的深度學習[6]為代表的機器學習算法最廣泛被應用于圖像的分析，包括放射學圖像[7]，甚至病理學圖像[8]，在HCC的診療中具有廣闊的應用前景。

2 影像組學在HCC診療中的應用

2.1 HCC診斷及鑒別診斷

HCC的早期診斷及鑒別診斷對治療和預后非常重要，但常用的US、CT 及MRI 在早期不典型HCC 的診斷中仍存在困難，常導致漏診及誤診[9]，而新興的影像組學技術通過對醫學影像進行客觀和定量的分析，有助于提高HCC 的診斷率。Wu 等[10]從222 例HCC 和224 例肝血管瘤(hepatic hemangioma，HH)的MRI同相、反相、T2WI 和擴散加權成像(diffusion weighted imaging，DWI)的圖像中提取了1029 個影像組學特征，然后使用四種分類器(決策樹、隨機森林、K-最近鄰和邏輯回歸)來識別HCC 和HH，結果發現，邏輯回歸分類器與MRI 四個序列的組合在訓練組及測試組的AUC 分別達0.86 與0.89，同時發現其診斷效能顯著高于經驗較少的放射科醫生(2 年經驗) (AUC=0.702，P＜0.05)。此外，Nie等[11]發現基于CT的影像組學諾莫圖具有準確鑒別肝細胞腺瘤(hepatocellular adenoma，HCA)和非肝硬化肝臟中HCC 的潛力，AUC 值分別達0.96 (訓練組)和0.94 (測試組)。在US 方面，Peng[12]等從668 名PLC 患者的US 圖像中提取了5234 個高通量特征，建立HCC vs.非HCC 影像組學模型與ICC vs. HCC-ICC 影像組學模型，結果發現在HCC vs.非HCC 影像組學模型中，AUC 值為0.854 (訓練隊列)和0.775 (測試隊列)，在ICC vs. HCC-ICC影像組學模型中的AUC 值為0.920 (訓練隊列)和0.728 (測試隊列)，表明基于US的影像組學模型有助于區分PLC 的組織病理亞型。另一項基于US 的影像組學研究[13]從114 例肝癌患者圖像中提取了1409個組學特征，利用K-最近鄰(K-nearest neighbor，KNN)、邏輯回歸(Logistic regression，LR)、多層感知器(multilayer perceptron，MLP)、隨機森林(random forest，RF)和支持向量機(support vector machin，SVM)，通過五重交叉驗證策略對PLC和轉移性肝癌進行鑒別，結果發現上述5種機器學習分類器均能夠區分PLC和轉移性肝癌，且LR優于其他分類器，準確度大于80%。上述研究表明影像組學診斷及鑒別診斷HCC 方面具有重要價值，同時結合臨床因素的聯合模型[14]具有更準確的診斷效能。

2.2 HCC基因表型及分子標記物的預測

了解HCC 患者中潛在的基因突變[15]及腫瘤分子標記物為HCC 治療規劃提供了巨大的價值。2007 年，Segal 等[16]首次研究了HCC 的基因表達模式與其影像特征之間的關系，將28 名HCC 患者的三期對比增強計算機斷層掃描(contrastenhanced computed tomography，CE-CT)圖像的成像特征與從微陣列分析確定的基因中的116 個遺傳標記相關聯，結果發現28 個影像學特征的組合可以重建78%的整體基因表達譜，這項研究初步預測了腫瘤影像特征與遺傳學之間的潛在關系。同年，Kuo 等[17]進行了影像基因組學分析，來挖掘HCC的影像特征與313 個肝臟特異性基因表達之間的關系，發現屬于細胞色素P450 超家族的CYP27A1 和CYP4V2 基因參與肝臟的藥物代謝和解毒作用，同時該基因與腫瘤邊緣評分顯著相關。微血管浸潤(microvascular infiltration，MVI)預示著HCC 的侵襲性行為。Yan 等[18]綜合影像組學諾莫圖發現乙型肝炎病毒DNA 載體、門脈高壓、巴塞羅那臨床肝癌(barcelona clinic liver cancer，BCLC)分期和三種CT 影像特征(腫瘤數量、大小和包膜)為MVI 的危險因素。同時Zhang等[19]發現基于MRI影像組學的術前MVI預測模型能較好地預測MVI。在更進一步相關研究中，Banerjee等[20]確定了一種名為影像基因組學靜脈侵襲(image genomics venous invasion，RVI)的標志物，發現其預測HCC 患者MVI 的準確度、敏感度和特異度分別為89%、76%和94%，同時發現RVI 評分陽性患者的總生存期(overall survival，OS)低于陰性患者(P＜0.001)，三年無復發生存(relapse free survival，RFS)率也較低(27% vs. 62%)。腫瘤基因表達可能導致HCC中各種生物學過程的改變，因此影像基因組學[21]在協助HCC的臨床治療決策方面具有巨大的潛力。但到目前為止關于HCC 的影像基因組學的研究相對較少，同時現有的研究還有待在多中心及大樣本數據中進一步驗證。

細胞增殖狀態是反映腫瘤生物學特性、影響治療效果和預后的重要因素[22]。Ki-67 已被廣泛用作許多惡性腫瘤的預后指標，在HCC 患者中，Ki-67 標記指數高水平預示腫瘤的侵襲性[23]。Wu 等[24]對74 例HCC 患者術前CT 圖像進行紋理分析，來預測HCC 患者Ki-67 低組(＜10%)和Ki-67 高組(≥10%)的差異，發現Ki-67 低、高組間的對比度、逆差距、反向差異矩(backward differential moment，IDM)有顯著性差異(P＜0.001)，這些結果間接提示CT 影像組學可以非侵襲性預測HCC 患者Ki-67 的水平。另外Li 等[25]收集了83 例肝癌患者的3.0 T MRI 圖像并進行紋理分析，發現肝膽期(hepatobiliary phase，HBP)、T2WI 期、動脈期(arterial phase，AP)、門靜脈期(portal venous phase，PVP)的非線性判別分析的誤分率最低，結果表明HBP、AP 和PVP 的紋理分析有助于預測Ki-67 的表達。除此之外，細胞角蛋白19 (cytokeratin 19，CK19)陽性也與HCC生物學行為及預后有關[26]，Wang[27]等通過基于增強磁共振成像AP和HBP的融合影像組學模型結合臨床放射學模型[甲胎蛋白(alpha fetoprotein，AFP)水平、動脈期邊緣強化模式、不規則的腫瘤邊緣]的聯合模型預測HCC 患者術前腫瘤組織中CK19 的狀態，發現在訓練隊列中的預測敏感度和特異度分別為0.818 和0.974，在驗證隊列中的預測敏感度和特異度分別為0.769 和0.818，表明該聯合模型可以作為預測HCC腫瘤組織中CK19的可靠生物標志物。

2.3 HCC療效監測及預后預測

監測HCC 的療效，對治療方式的選擇起著重要的作用。Zhao等[28]回顧性研究了對比增強磁共振成像(contrast enhanced magnetic resonance imaging，CE-MRI)影像組學預測HCC 患者對肝動脈化療栓塞(transarterial chemoem bolization，TACE)治療的反應，結果發現建立的HCC療效監測的CE-MRI影像組學模型、結合CE-MRI影像組學因素和臨床因素(總膽紅素、腫瘤形態和腫瘤包膜)的聯合模型(影像組學諾莫圖)在訓練隊列中的AUC 值分別為0.838 和0.878，而臨床-放射學模型的AUC 僅達0.744，表明CE-MRI 影像組學分析有望成為預測肝癌患者TACE 療效的一種無創性工具。此外，Yuan 等[29]首次證明了結合CE-CT 影像組學特征和臨床特征的影像組學諾莫圖對預測三種國產PD-1 抗體(Toripalimab、Camrelizumab 或Sintilimab)治療HCC 患者的療效是有用的，其AUC值訓練隊列和驗證隊列中分別為0.894和0.883。但是由于該研究的樣本量較小(僅收集了58名患者)且屬于回顧性研究，因此有必要進一步進行前瞻性和更大樣本量的研究進行驗證。

對于預后預測，Wang等[30]收集201例接受根治性肝切除術的肝癌患者(術后至少隨訪五年)，從他們的術前MRI圖像中提取了3144個影像組學特征，采用隨機森林及五重交叉驗證建立包含AFP 和天冬氨酸轉移酶(aspartic acid transferase，AST)作為獨立的臨床危險因素及結合影像組學特征的聯合模型，結果顯示該聯合組學模型是預測肝癌患者術后五年生存率的有效方法。Song等[31]通過建立基于184名肝癌患者的MRI (包括T1WI，T2WI，和增強T1WI)影像組學特征的影像組學模型、臨床-放射學模型及聯合模型(融合影像組學特征與臨床-放射學危險因素)來預測肝癌患者TACE 術后RFS 評估和危險分層，結果Kaplan-Meier分析顯示，聯合模型的截斷值相當于中值(1.7426)很好地將這些患者分為高危和低風險亞組，同時影像組學模型可用于TACE術前單獨評估HCC患者的RFS。

3 基于CNN的深度學習在HCC中的應用

影像組學研究在很大程度上依賴于機器學習，深度學習與傳統機器學習最顯著的區別是整個學習過程無需人的參與，效率更高、結果更可靠，同時可以更加全面和深層次地挖掘相關的影像信息。近年來最廣泛使用的深度學習是CNN。劉云鵬等[32]建立了一個采用U-Net 深度網絡框架級聯的2D 圖像端到端分割模型對肝臟和腫瘤同時進行分割，生成兩個基于影像組學的分類模型，一個用于假陽性腫瘤的去除，另一個用于分割邊緣的細化，然后對數據進行五重交叉驗證,結果顯示敏感度在驗證結果中達到80%以上。Zhen 等[33]利用CNN 開發了一個基于平掃MRI 圖像及臨床數據的深度學習系統(deep learning system，DLS)，發現僅基于平掃MRI 時，該系統在區分肝臟良惡性腫瘤方面表現良好，當平掃MRI 與臨床數據相結合，該系統大大提高了對肝癌、轉移性腫瘤和其他原發惡性腫瘤的鑒別診斷，AUC 值、敏感度及特異度均大于90%，且與病理符合率達91.9%。在二維卷積神經網絡(2D-CNN)的基礎上，Trivizakis 等[34]提出了用于癌癥分類的三維卷積神經網絡(3D-CNN)，即直接在整個三維斷層數據上操作，而不需要任何預處理步驟(如區域裁剪、注釋或檢測感興趣的區域)，結果顯示肝臟腫瘤分類準確度達83%，并且其所提出的3D-CNN 架構可以從DWI-MRI 圖像中區分PLC 和轉移性肝癌。除了診斷方面，Ibragimov等[35]建立針對放療劑量與放療后毒性之間聯系的CNN，發現其預測放療后毒性的AUC 值為0.73，同時肝膽道照射與肝節段(Ⅰ-Ⅷ)照射及門靜脈照射相比，其肝膽(hepatobiliary，HB)毒性表現的風險評分顯著升高(P＜0.05)。微波消融(microwave ablation，MWA)是肝癌常見的一種治療方式，Zhang 等[36]首次提出并評估了一種基于CNN 的US成像用于檢測和監測MWA 在豬肝臟中引起的熱損傷，建立了US 模型、基于雙路徑CNN (SICNN)模型和基于改進型雙路徑CNN (SIm-CNN)模型，發現SICNN和SIm-CNN在MWA 引起的熱損傷的檢測和監測方面優于US 模型，AUC 均高于US 模型的0.6904，此外，SIm-CNN評估的熱損傷面積值與熱損傷組織病理切片圖像基本一致。這項先導性研究表明了利用深度學習具有檢測和監測MWA誘導熱損傷的潛力。

Coudray 等[37]利用組織病理學圖像上的深度CNN 自動分類肺腫瘤，發現其可以有效預測基因突變和腫瘤亞型。為了進一步研究在實體腫瘤的應用，Chen 等[38]使用來自基因組數據共享數據庫的組織病理學圖像來訓練神經網絡用于肝腫瘤分級和基因預測，結果顯示該模型預測效能水平接近具有5 年經驗的病理學家的能力，對區分良、惡性腫瘤的準確度為96.0%，對預測腫瘤分化程度的準確度為89.6%。此外，該模型還可以從組織病理學圖像預測HCC 中最常見的四個突變基因(CTNNB1，FMN2，TP53 和ZFX4)，AUC 值在0.715～0.898 之間。影像組學利用深度學習與病理圖像的結合是當前的研究熱點，可以進一步研究和驗證。

4 影像組學在HCC診療中的問題及展望

影像組學是一個集影像學和機器學習于一體的發展迅速的新興領域。影像組學不僅有助于影像科醫生對疾病的診斷，還能為臨床醫生制訂治療計劃和評估療效提供幫助，在HCC診療方面取得了一定成果，但仍然存在不足和挑戰。(1)影像組學預測的準確度與影像圖像處理技術息息相關，當前，在各種機器設備之間缺乏針對肝臟CT圖像采集和圖像后處理的公認標準，不同參數、掃描序列所獲取的影像特征存在差異性，及病灶較小或邊界模糊導致勾畫ROI 誤差等均可能導致處理結果的偏差。(2)目前研究主要為單中心、小樣本的回顧性研究，由于回顧性研究的局限、患者種族、地區等方面的差異，將影響研究結果的穩定性。(3)影像組學作為交叉學科，在處理數據過程中離不開大量的邏輯運算和建模分析，由于技術和算法的不一致，因此驗證結果的統一性方面還需要完善。盡管該技術在臨床應用過程中面臨諸多挑戰，但是隨著人工智能與互聯網醫療的發展，以及經過大樣本、前瞻性研究及多中心研究的反復提煉，影像組學將在臨床HCC 診療方面取得進一步的發展。

作者利益沖突聲明：全體作者均聲明無利益沖突。