基于MRI影像組學鑒別高級別膠質瘤和單發腦轉移瘤的研究進展

呂建波，齊欣，陳志庚，沙琳

高級別膠質瘤(high grade gl iomas，HGG)是成人常見的惡性腦腫瘤，約占中樞神經系統原發性惡性腫瘤的70%[1]。近年來，顱內轉移瘤已成為癌癥常見的神經并發癥，其中25%～30%為單發腦轉移瘤(sol it ar y br ain met ast ases，SBM)。然而兩類腫瘤的起源不同，治療方法及預后均有顯著差異，術前準確的鑒別診斷非常重要[2]。MRI是診斷腦腫瘤的主要成像手段，當患者以SBM為首發癥狀時，MRI很難將其與HGG區分[3]。此外，影像醫師通過影像圖像來鑒別診斷腦腫瘤存在主觀性，且不同的醫師在診斷過程中也存在一定差異性。近年來，隨著定量成像分析技術的進步，影像組學(r adiomics)成為一種有效的工具，它能夠提取肉眼無法檢測的高通量定量成像特征，并將影像圖像上的灰度信息轉換為可視化數據，因此采用影像組學與MRI相結合的方法可以提高鑒別HGG和SBM的準確率[4]。本文回顧分析影像組學分別與常規MRI及功能磁共振成像(f unct ional MRI，f MRI)相結合用于鑒別HGG及SBM的研究進展，討論影像組學在精確診斷和癌癥治療中的價值與診斷。

1 影像組學的介紹及操作流程

影像組學是一個頗具前途的醫學研究領域，最早是由Lambin等[5]正式提出的，它是指從計算機斷層掃描(computed tomography，CT)、MRI及正電子發射斷層掃描(positron emission t omogr aphy，PET)等多模式醫學圖像中提取大量的高維定量特征，這些特征通常無法用人眼檢測[6]，因此影像組學使影像診斷從依賴醫學圖像中的基本視覺特征轉向隱藏在像素數據中新的非視覺特征[7]。影像組學與傳統的CT、MRI不同，在病變區域或是正常人體中均有較高的使用價值。其特征分析主要分以下幾步：影像學資料的收集、ROI的分割、影像特征提取以及特征分析與創建預測模型[8]。影像組學通常是從數據收集開始，為獲得更理想的分析結果，選擇時應避免過于異質性的影像學資料。Lar ue等[9]發現不同的圖像采集參數會對提取特征的重復造成影響。ROI的分割是影像組學的基本步驟。分割的方法包括手動分割、半自動分割和自動分割[10]。然而，腫瘤分割沒有金標準，無論采用何種方法都有一定局限。Par mar等[11]研究發現半自動分割獲取的影像特征比人工分割具有更高的重復性和更強的穩健性，體現了半自動分割在一致性和可重復性方面的潛力。但目前尚無研究指出哪種分割方法最有優勢，且自動分割的應用前景仍需要大量研究去證實。提取高通量特征是Radiomics的核心步驟[12]，通常提取的特征分為4種類型。①基于形狀的特征，例如：體積、表面積、致密性等[13]；②一階統計量，通常基于直方圖，包括平均值、熵、偏度和峰度等；③二階特征，稱為基于紋理的度量，包括灰度共生矩陣(gr ay l evel co-occurr ence mat r ix，GLCM)、灰度級長矩陣(gr ay-l evel r un-l engt h mat r ix，GLRLM)等[14]；④高階特征，其通常指在圖像上施加濾波器，以推斷重復或非重復模式。常用的濾波器有高斯拉普拉斯、小波變換和分維等[15-16]。其他計算成像特征，如局部二值模式(l ocal binary pattern，LBP)和尺度不變特征變換(scal e invariant f eature transf orm，SIFT)也可用于影像特征分析[17-18]。影像組學研究中常用的特征選擇方法可分為三大類：過濾法、包裝法和嵌入法。應用較多的特征選擇方法是最小絕對收縮和選擇算子，它是一種嵌入方法，可以同時產生選定的特征和預測模型[19]。影像組學的最終目標是建立一個具有特定特征的臨床結果預測模型。建模方法通常有有監督、半監督和無監督學習。監督學習包括支持向量機、套索Logistic回歸和隨機森林等[20]。無監督學習常見的分類器包括K均值算法、高斯混合聚類、共識聚類等[7]。半監督學習則包括無監督特征學習階段和監督模型訓練階段[21]。

2 基于MRI的影像組學在鑒別HGG與SBM的研究進展

2.1 基于常規MRI的影像組學在鑒別HGG與SBM的研究進展

常規MRI成像目前是診斷腦部腫瘤的常用方法。HGG與SBM在MRI上表現極為相似，都表現為瘤周水腫、中心壞死和邊緣不規則強化，這導致超過40%的病例由于難以鑒別發生誤診[22]。為了降低誤診率大量研究學者在常規MRI的基礎上加入影像組學的方法來鑒別這兩種腫瘤。影像組學中常用的一階特征主要是直方圖，用于描述與ROI內的體素強度分布有關的特征，但不包含各體素之間相互的空間作用。張勝等[23]研究發現HGG與SBM實質強化部分的增強T1加權成像(T1 weight ed imaging，T1WI)直方圖參數峰度值為鑒別這兩種病變提供可靠依據。張國琴等[24]證明了腫瘤瘤體T2加權成像(T2 weight ed imaging，T2WI)直方圖的中位數、標準偏差和平均數都可用于SBM和HGG的鑒別，其中平均數具有最佳的診斷效能。也有部分學者將研究重點放在紋理分析的應用上，紋理特征主要是描述體素空間分布強度等級的特征。王敏紅等[4,25]首先對HGG與SBM瘤體區進行紋理分析，發現增強T1WI自相關、均值為鑒別二者提供了可量化的依據，隨后又對兩種腫瘤的瘤周區域進行紋理分析，結果表明液體衰減反轉恢復(f l uid at t enuat ed inver sion r ecover y，FLAIR)序列偏度值及峰度度值對鑒別二者具有重要意義。這與彭勇等[26]的研究結果一致，顯示出高通量紋理分析對SBM和HGG的鑒別診斷具有較高準確性。高階特征通常指在圖像上施加濾波器，以推斷重復或非重復模式。現階段的研究發現，部分高階特征也被用于SBM與HGG的鑒別中。Csut ak等[2]在T2WI上對瘤周區域進行紋理分析，發現第一百分位數和小波能量紋理參數可作為鑒別HGG和SBM的獨立預測因子，其敏感度為75%～87.5 %，特異度為53.8 5%～88.4 6%。與Kat ar ina等[27]的研究結論相符。上述學者的研究結果說明基于MRI的影像組學對于鑒別HGG與SBM具有指導意義。

2.2 基于功能MRI的影像組學在鑒別HGG與SBM的研究進展

f MRI是近年來發展起來的一種探測腦內功能活動的新技術，它將功能、影像和解剖三方面的因素融為一體，可以準確高效地定位活體人腦中各個功能區。由于它的無創傷性、較高的時間和空間分辨率、可重復性[28]，許多研究學者將其與影像組學相結合，用于鑒別HGG與SBM。擴散張量成像(dif f usion t ensor imaging，DTI)因其能準確檢測每個體素水分子擴散的各向異性和清晰地反映白質纖維束走行，在鑒別HGG與SBM的研究中也取得了一定的進展。Kar ol ine等[29]在DTI圖像上應用過濾直方圖技術來描述腫瘤和瘤周的異質性，證實了DTI可應用于HGG與SBM的鑒別，且在提取的特征參數中熵的診斷效能最高。此外，Suh等[30]對1143例患者采用層次Logist ic回歸模型建立驗證擴散加權成像(dif f usion weight ed imaging，DWI)和DTI可以區分HGG與SBM。擴散峰度成像(dif f usion kur t osis imaging，DKI)是基于DTI技術上的延伸，描繪組織內水分子擴散偏離正態分布的量，在鑒別HGG和SBM方面也優于DTI。Tan等[31]對比研究DKI和DTI鑒別HGG與SBM的價值，證實了DKI定向分析用于鑒別二者的敏感性和定向特異性均高于DTI。此外，磁共振灌注成像(per f usion weight ed imaging，PWI)、ADC也被證實對HGG與SBM的鑒別具有指導作用。Nat hal ie等[32]對患者進行灌注加權成像檢查，通過評估腫瘤區的相對腦血容量(r el at ive cer ebral bl ood vol ume，r CBV)、瘤周區的相對腦血容量及瘤周區域的紋理特征，他們發現紋理特征中的對比度、平均值以及相對腦血容量參數對兩種腫瘤的鑒別價值更高。王翅鵬等[33]測量瘤體和瘤周水腫區ADC直方圖參數，利用ROC評價ADC直方圖參數鑒別HGG與SBM的診斷效能，發現瘤體ADC-5t h鑒別診斷HGG與SBM的效能最高。由此可見，影像組學的應用已不再局限于和常規MRI的結合，基于f MRI的影像組學在鑒別HGG與SBM的研究中也顯示出其獨特的優勢。

3 影像組學應用的挑戰與機遇

綜上所述，可以發現基于不論是基于常規MRI還是f MRI的影像組學在鑒別HGG與SBM方面都取得了一定的進展，但也存在一些不足。目前大多數研究都是基于一階與二階特征，高階特征主要應用了小波特征，關于深度學習方法用于二者鑒別的價值仍需要進一步探索。而且部分研究直方圖參數選擇較為單一，圖像特征的選擇算法也需要進一步優化。部分研究所用的軟件僅分析病變最大層面的二維特征，未能分析腫瘤整體的三維屬性，需今后進一步完善。大多文獻中ROI的選取主要是瘤體及瘤周水腫，其他征象如鄰近皮質信號改變的鑒別價值也值得深入探討[35]。目前，有很多磁共振功能成像已經應用于HGG及SBM的鑒別，例如動脈自旋標記灌注(ar t er ial spin l abel ing，ASL)、磁敏感性加權成像(suscept ibil it y weight ed imaging，SWI)、比較軸突定向擴散和密度成像、平均表觀傳播因子磁共振成像等[35-36]，也有學者將多種功能成像技術結合起來發現其對兩種腫瘤的鑒別價值高于單一技術的應用。但是將這些f MRI與影像組學結合在一起，應用于HGG與SBM鑒別的研究尚不足，這仍需要科研工作者進一步研究。影像組學雖然在臨床疾病的診斷、療效監測及預后評估中都取得了一些成果，但若想在常規臨床環境中使用仍具有一定的挑戰性。目前，大多數應用仍處于研究階段，不同機構的研究過程存在極大差異，例如圖像的質量及數據的來源等，都使得實驗結果的可比性和可重復性具有一定未知性[37]。因此如何在評價標準和報告指南中實施標準化管理，以便影像組學更加廣泛的發展應用，還需進一步研究。其次，實施和驗證機器學習需要大量的患者數據庫為背景。現階段的影像組學研究大多是小樣本量的研究，而樣本量不足所產生的小數據集會降低模型預測準確率并增加過度擬合的風險。這就使得多學科、多中心相互協作構成一個巨大資料庫顯得至關重要[8]。最后，現階段的影像組學研究大多是回顧性研究而非前瞻性研究，而且大多數影像組學研究并沒有在獨立隊列研究中得到充分驗證，從而患者人群的普適性不高[38]。總而言之，影像組學是頗有前景的新興領域，雖然目前影像組學存在一定局限性，但在未來有望成為醫學腫瘤學中一種重要的預測和診斷工具。

作者利益沖突聲明：全體作者均聲明無利益沖突。