肺癌腦轉移MRI影像基因組學研究進展

隋蓮玉，殷小平，王佳寧

(1.河北大學附屬醫院，河北 保定 071000;2.河北大學臨床醫學院，河北 保定 071000)

癌癥已成為世界第二大常見死亡因素，近1/4的癌癥死亡是由肺癌引起[1]。特別是，在中國過去40年內肺癌病死率已經上升了4倍，達到45.87/10萬，成為惡性腫瘤死亡的首因[2]。晚期肺癌最常見的遠處轉移部位之一是中樞神經系統，20%～65%肺癌患者在病程中會出現腦轉移瘤，作為最常見的顱內腫瘤，其預后不良，發病率有持續上升趨勢，且比原發性顱內惡性腫瘤高10倍[3]。肺癌腦轉移患者自然平均生存時間僅為1～2個月[4]。肺癌占腦轉移性全身系統惡性腫瘤的50%，為腦轉移瘤中最常見的原發灶，其中又以非小細胞肺癌最常見，約占肺癌病例的80%[5]。65%非小細胞肺癌患者在確診時已處于晚期，20%～25%晚期非小細胞肺癌患者在首次診斷時即已發生腦轉移。轉移性非小細胞肺癌患者在疾病過程中受到腦轉移的影響，盡管全身治療取得了進展，且晚期非小細胞肺癌患者的生存率有所提高，但腦轉移仍然是發病率和病死率的主要原因[6]。由此，以下就肺癌腦轉移在MRI影像基因組學方面的研究進展予以概述。

1 MRI影像組學在肺癌腦轉移的研究進展

MRI作為一種非侵入性的首選影像學診斷方法，被當作金標準廣泛應用于腦轉移瘤的診斷及預后評估。傳統影像診斷方法能提供的信息較為局限，MRI影像組學[7-8]旨在量化MRI特征，并且已被證明可以捕獲各序列每幅圖像中肉眼無法感知的不同成像表型特征，基于先進的計算機算法模式識別工具建立模型，在腫瘤診治及預后評估方面能夠為臨床提供客觀準確的指導。迄今為止，近年來MRI影像組學在腦轉移的診斷[9-10]、原發腫瘤的鑒別[11-12]及預后預測[13-14]等方面有深入的研究。

1.1 MRI影像組學在肺癌腦轉移病理分型中的應用

肺癌腦轉移的影像組學特征具有高度特異性，反映了其與腫瘤組織病理學結構的相關性，表明了在肺癌腦轉移的不同亞型間鑒別應用的可行性。有研究[15]分析了48例腦轉移瘤患者的彌散加權圖像(diffusion weighted imaging，DWI)，其中腺癌31例、鱗癌17例，結果表明鑒別肺癌腦轉移的腺癌和鱗癌時，最佳診斷效能為接收者操作特征曲線(receiver operating characteristic curve，ROC)下面積(the area under the ROC curve,AUC)達0.700，診斷敏感性達64.7%，特異性達74.2%，采用表觀擴散系數(apparent diffusion coefficient，ADC)序列的MRI組學分析在鑒別肺癌腦轉移不同病理類型中展現了較好的潛力。Li等[16]基于顱腦MRI組學特征對肺癌腦轉移病灶進行分類，小細胞肺癌、鱗癌、腺癌和大細胞肺癌的誤分類率分別為3.1%、4.3%、5.8%和8.1%，研究表明，MRI紋理分析對不同亞型肺癌的腦轉移瘤具有高度特異性，且增強后T1加權成像(T1 weighted imaging，T1WI)診斷效能優于DWI序列。同樣，李瑞等[17]進一步研究分析了127個肺癌腦轉移病灶(腺癌 68個、鱗癌 21個、小細胞癌 38個)治療前顱腦MRI中的增強T1WI、液體衰減反轉恢復序列(T2-fluid attenuated inversion recovery，T2-FLAIR)及ADC圖像，單獨及聯合序列構建的預測模型鑒別腺癌與非腺癌腦轉移的AUC分別為0.81、0.64、0.87及0.89，結果表明聯合多序列分類預測模型的診斷性能最好。也有最新研究[18]基于腦增強CT的影像組學在144例腦轉移患者中有望區分出原發性肺腺癌和鱗癌，最高AUC分別可達為0.828和0.758的準確度，腦增強CT圖像作為初始篩查成像方式，與MRI平行檢測腦轉移瘤也是必不可少的，二者聯合應用得以實現非小細胞肺癌腦轉移患者的最佳治療管理。

1.2 MRI影像組學在肺癌腦轉移預后評估中的應用

MRI影像組學特征通過對腫瘤整個病灶及其周圍水腫區域的生物學特征及微環境的異質性進行全面評估，可作為肺癌腦轉移療效監測和預后評估的有效成像標志物。Karami等[19]應用影像組學機器學習框架研究了100例(133個病灶)接受立體定向放射治療的腦轉移患者的T1WI和T2-FLAIR圖像，在治療前后的第一次隨診MRI中提取的腫瘤邊緣及水腫內的組學特征，證實了從腫瘤邊緣及周圍水腫區同時提取的特征比單純從腫瘤本身提取的特征顯示出更佳的預測能力。也有研究[20]分析了161例非小細胞肺癌腦轉移患者治療前的增強T1WI，手動分割并提取了107個定量MRI組學特征，結合臨床數據預測放療在局部腫瘤控制方面的有效性，可用作預測伽瑪刀放射外科后非小細胞肺癌腦轉移患者的替代生物標志物。

2 肺癌腦轉移中關于幾種常見基因突變的影像基因組學研究

影像基因組學以全面立體分析腫瘤紋理特征及瘤體內的基因異質性為支撐[21-22]，相較于基于光鏡的組織學層面分類，腫瘤診療逐步轉向基因分子水平，并把基因分子特征作為腫瘤的分子分型、治療監測及預后預測相關的分子標志物[23]，分子基因改變納入腦腫瘤診斷標準不僅增加了臨床診斷的客觀性，還對實現個體化精準醫學的目標至關重要[24]。尤其是在腦膠質瘤方面得到廣泛應用，備受關注的異檸檬酸脫氫酶突變被作為最常用的基因分子標志物對患者進行分層并與其他基因突變結合使用，對指導臨床診治及預后預測具有重要價值[25]。

肺癌的轉移特性是由基因改變決定的，由于遺傳異質性和血-腦脊液屏障的存在，癌細胞的遺傳改變驅動了它們的轉移能力和通過血-腦脊液屏障遷移的能力，了解腦特異性轉移中涉及的關鍵信號通路的分子機制，對開發腦轉移的新分子靶向療法至關重要。靶向治療強調全身獲益，MRI基因組學在分子水平上加深了對肺癌腦轉移的腫瘤異質性研究，腦-腫瘤微環境的不同組成部分可以從根本上調節血-腦脊液屏障的特性，需要對個體分子遺傳改變在原發肺癌病灶及腦轉移病灶進行綜合研究以提高腦靶向治療的療效[26]。

肺癌腦轉移患者由于多處于腫瘤晚期，手術及放化療治療手段效果有限且患者大多難以耐受，很難獲得高質量的生存期。研究[27]表明，與活檢相比，影像組學可無創地縱向提供有關整個可見腫瘤體積的信息，從而可表征肺癌及腦轉移瘤的表型信息來補充分子檢測。近年來，分子遺傳轉化研究的進展預示著對腫瘤的診治和管理能根據個人遺傳背景量身定制個性化治療，腫瘤的MRI特征可深入挖掘與基因型表型相關的信息。影像組學最常聯合表皮生長因子受體(epidermal growth factor receptor，EGFR)、鼠類肉瘤病毒癌基因(kirsten rat sarcoma viraloncogene，KRAS)及間變性淋巴瘤激酶(anaplastic lymphoma kinase，ALK)對肺癌腦轉移患者進行MRI影像基因組學研究，作為探究分子遺傳學水平的一種有潛力的手段，能更好地研究個體差異，為個體化治療及預后監測提供了重要輔助[4]。

2.1 肺癌腦轉移在EGFR突變方面的影像基因組學研究

2.1.1 EGFR突變在肺癌腦轉移中的臨床意義

EGFR作為肺癌腦轉移中最重要的突變，超過60%的非小細胞肺癌存在EGFR突變，在女性、非吸煙者、腺癌組織學和東亞患者中易發，是EGFR酪氨酸激酶抑制劑(epidermal growth factor receptor tyrosine kinase inhibitor，EGFR-TKI)治療的可靠且敏感的生物標志物[28]。EGFR酪氨酸激酶結構域突變主要發生在18—21個外顯子，外顯子21 L858R位點突變(占39%～48%)和19缺失(40%～50%)及18外顯子突變(約4%)，此類突變的患者對EGFR-TKI反應良好，而20外顯子T790M突變會出現耐藥反應[29]。相對于EGFR野生型或未知突變狀態的患者，EGFR突變型的腦轉移瘤患者對TKI的反應率高達70%～91%，這就突出了識別這種基因突變亞型在肺癌腦轉移患者亞群的重要性，因此，EGFR-TKI已被推薦為EGFR突變的晚期非小細胞肺癌患者的一線治療藥物[30]。總之，EGFR突變定義了一組新的非小細胞肺癌分子亞型，晚期腫瘤對EGFR-TKI的反應引發了希望，最終通過使用靶向藥物和預測性生物標志物定制治療方案來實現治愈。

在大多數研究中，EGFR狀態已在任何可用組織上確定，包括原發性和轉移性腫瘤[31]。采用原發腫瘤樣本來評估EGFR突變的狀態，可避免不同位點的腫瘤對最終結果的影響。基因檢測大多是在肺部樣本上進行的，而不是腦轉移瘤本身，最近的研究表明轉移性病變中的EGFR突變狀態并非總是與原發腫瘤一致，不一致率達17.26%；具有高度多樣性基因表達的癌細胞可能在早期擴散到遠處器官，或者EGFR突變狀態可能通過多步驟轉移進展而改變，這可能是由于微環境和治療效果的影響[32]。有研究[30]探討EGFR突變與非小細胞肺癌發生腦轉移的關聯，通過比較非小細胞肺癌腦轉移和非小細胞肺癌無腦轉移患者各50例的配對組以評估EGFR狀態與腦轉移之間的關聯，結果表明，有腦轉移瘤的非小細胞肺癌中EGFR突變的頻率高于沒有腦轉移的非小細胞肺癌，與無腦轉移相比，有腦轉移的非小細胞肺癌有更高的EGFR突變率，并且EGFR突變的非小細胞肺癌患者比野生型患者更易發生腦轉移。

2.1.2 MRI影像學聯合EGFR突變在肺癌腦轉移中的應用

非小細胞肺癌晚期患者手術不再可能，很難獲得足夠的組織進行分子檢測且無法實時監測EGFR突變狀態，雖然有報道稱血液循環游離DNA(circulation tumor DNA，ctDNA)可作為檢測EGFR突變的替代方法，但是越來越多的證據表明，ctDNA檢測EGFR突變的診斷價值有一定限度[33]；而影像基因組學作為一種可行且無創的替代方案越來越受到關注。EGFR作為非小細胞肺癌患者進行基因亞型分層的分子標志物現已經成為國內外學者研究的熱點。有學者[28]分析了298名肺腺癌患者的CT數據及其EGFR基因資料，提取219個影像組學特征來預測EGFR突變狀態，將影像組學特征添加到臨床模型會顯著提高預測能力(AUC從0.667增加到0.709)。Nair等[34]回顧性分析了已知EGFR突變狀態的50例非小細胞肺癌患者原發腫瘤的CT和正電子發射斷層顯像CT(positron emission tomography-CT，PET-CT)圖像，建立組學模型預測EGFR突變狀態以及區分外顯子19和21突變亞型；基于PET及CT紋理特征建立邏輯回歸模型區分EGFR突變，PET組學模型的AUC、敏感性、特異性和準確度分別為0.87、0.76、0.66和0.71，CT組學模型的為0.83、0.84、0.73和0.78；PET及CT紋理特征可進一步區分EGFR外顯子19和21中的突變亞型，PET組學模型的AUC、敏感性、特異性和準確性分別為0.86、0.84、0.73和0.78，CT組學模型的為0.75、0.81、0.69和0.75。以上研究均表明在肺癌原發灶上區分EGFR突變狀態及突變亞型方面展現了良好的鑒別能力，表明了影像基因組學特征可以作為EGFR突變的影像替代標志物，同時也證實了將影像組學特征添加到臨床模型可以提高EGFR突變的預測能力，從而有助于制定更好的臨床決策而且不會增加額外成本。

以往針對EGFR影像基因組學的大多數研究都集中在肺癌腫瘤本身的CT圖像上，雖然腦轉移灶與肺癌原發灶的EGFR突變狀態具有同一性，但是基于腦轉移瘤的MRI組學特征與EGFR相關性的報道較少，尤其是在肺癌腦轉移中的應用上。Jung等[35]回顧性搜集了74例非小細胞肺癌患者腦轉移DWI數據進行分析發現,腦轉移瘤的ADC和標準化ADC比率可作為肺腺癌腦轉移EGFR突變狀態的獨立預測因子。由此可見基于腦MRI影像組學也可以深度發現個體MR圖像的組學特征差異，證明了其在肺癌腦轉移方面應用的可行性。

Ahn等[36]分析了61例肺腺癌患者的210個腦轉移瘤病灶(訓練組189個、驗證組21個)治療前的增強T1WI及EGFR基因突變數據，基于提取的1 209個組學特征，采用隨機森林、支持向量、自適應提升樹及最小絕對收縮選擇算子(least absoluteshrinkage and selection operator,LASSO)正則化邏輯回歸4種不同的強大算法進行分類及篩選出的7個組學特征建立模型以提高預測EGFR突變的診斷性能，結果顯示，隨機森林預測模型診斷效能最好(AUC達86.81)，支持向量機和自適應提升樹組學模型也顯示出良好的診斷性能(AUC分別達85.76、85.71)；亞組分析是根據腦轉移瘤病灶大小進行十倍交叉驗證，最后發現小的腦轉移瘤病灶(137個，直徑≤10 mm)及大的腦轉移瘤病灶(73個，直徑>10 mm)的支持向量機組學預測模型效能最好，AUC分別達89.09及78.22，在大的腦轉移瘤中診斷EGFR突變狀態不如在小的腦轉移瘤中有效；該研究證明了使用隨機森林分類的增強T1WI組學可以高度準確地預測肺癌腦轉移中的EGFR突變狀態。Wang等[37]對52例肺腺癌腦轉移患者(EGFR基因突變28例及野生型24例)的MR圖像(增強T1WI、T2-FLAIR、T2WI和DWI序列)進行影像組學特征提取及篩選，基于T2-FLAIR序列篩選出來的9個特征建立邏輯回歸預測模型顯示出最好的區分性能，驗證組中AUC可達0.987、準確度為0.991、敏感性為1.000及特異性為0.980，在獨立驗證集中AUC達0.871；在進一步區分EGFR突變亞型的分析中，基于上述4種MR序列的組學特征用于區分第19外顯子突變(15個病例)和第21外顯子突變(10個病例)的AUC分別為0.529、0.580、0.645和0.406，由此可見MRI影像組學特征以區分EGFR突變亞型的性能并不理想。以上研究均是基于肺癌腦轉移灶的MRI影像基因組學，開發出了一種從腦轉移瘤常用序列中提取的能夠準確反映腫瘤內異質性、以無創定量的方法識別EGFR突變狀態的新型成像標志物，并以此為基礎進一步向分子亞型分層深入研究，為個體化精準治療及復發監測提供了實時輔助手段。

2.2 肺癌腦轉移關于KRAS突變的影像基因組學研究

15%～25%非小細胞肺癌患者具有KRAS突變，超過97% KRAS突變病例影響外顯子2和3，并且在吸煙者和腺癌患者中更常見。KRAS突變已被證明是一個消極的預后因素和EGFR-TKI治療失敗的預測因素，被評估為個體對抗EGFR類藥物反應的潛在標志物。此外，研究表明EGFR和KRAS突變存在相互排斥的關系，且突變型KRAS腫瘤患者無法從輔助化療中獲益[32-38]。

有研究[39]分析了48例非小細胞肺癌患者的基線CT數據及其KRAS基因資料(KRAS突變型27例、野生型21例)的治療前非對比CT圖像，五節點決策樹的敏感性、特異性和準確度值(95%CI)分別為96.3%(78.1～100)、81.0%(50.5～97.4)和89.6%(72.9～97.0)；KRAS突變與正偏度和較低的峰度有密切關聯，作為中位總生存期和中位無病生存期的重要預測因素，峰度值越低則生存期越差；非侵入性CT紋理特征在區分非小細胞肺癌 KRAS突變方面具有潛力。Le等[40]分析了161例非小細胞肺癌患者的低劑量CT圖像以檢測EGFR和KRAS突變，通過人工分割共提取851個組學特征，檢測EGFR和KRAS突變的準確率分別達0.836和0.860，證明了基于非侵入性機器學習的模型可以有力地預測非小細胞肺癌的EGFR和KRAS突變。基于CT及PET影像基因組學從不同圖像特征集中提取的組學特征可用于非小細胞肺癌患者EGFR及KRAS突變狀態的預測[41]。以上研究均表明影像組學特征在同時預測和鑒別EGFR及KRAS突變方面有無限前景。

2.3 肺癌腦轉移中關于ALK突變的影像基因組學研究

ALK基因的重排是非小細胞肺癌患者的有效致癌驅動因素之一，發生在大約5%病例中，并且在特定人群中ALK重排率會增加約30%，新型ALK抑制劑對腦轉移瘤病變表現出很高的抗腫瘤作用；多數ALK重排非小細胞肺癌患者在1年內發生腦轉移[42]。影像組學在預測ALK重排方面也具有不可或缺的作用，Song等[43]回顧性研究了335例肺腺癌患者的非增強CT圖像，隨機分為訓練組(ALK重排90例、ALK野生型178例)和測試組(ALK重排22例、ALK野生型45例)，使用具有噪聲的基于密度的聚類方法以及遞歸特征消除方法篩選出的1 218個組學特征，結合12個常規CT特征和7個臨床特征為預測ALK重排表型構建了3個預測模型(影像組學模型、傳統影像學模型和綜合模型)，結果表明，臨床信息和常規CT特征的添加顯著增強了主要隊列中影像組學模型的驗證性能(AUC為0.83～0.88，P為0.01)，結果驗證了影像組學可能作為一種非侵入性工具來識別肺腺癌的ALK突變。

影像組學可將肺癌內異質性轉變為可視化的預后組學特征與潛在的ALK基因表達方式建立聯系，有助于在隨診過程中早期發現中樞神經系統轉移，對評估肺癌的預后至關重要。Xu等[44]分析了132例ALK陽性III/IV期非小細胞肺癌患者治療前的胸部CT圖像，應用LASSO 回歸和交叉驗證建立邏輯回歸模型以預測隨訪期間發生腦轉移的風險；在訓練集中，一種源自治療前胸部CT的小波紋理特征顯示出預測腦轉移的辨別能力(AUC為0.687、特異性83.5%、敏感性57.1%)，在測試集中表現出穩定的性能(AUC為0.642、特異性60.0%、敏感性83.3%)；將105名未接受預處理腦轉移的患者分為III期(57例)組和IV期(48例)組，CT影像組學特征在不同組的治療期間/之后預測腦轉移具有中等性能(III期AUC為0.682、特異性64.4%、敏感性75.0%；IV期AUC為0.653、特異性70.4%、敏感性75.0%)；結果表明CT影像組學特征在預測III/IV期ALK陽性非小細胞肺癌患者的腦轉移方面具有潛力，這有利于此類患者的風險分層，但需要進一步擴大樣本量和外部多中心驗證。顱內進展被認為是ALK陽性非小細胞肺癌患者治療失敗的重要原因，研究開發一種MRI影像組學特征以對肺癌腦轉移生存和顱內進展進行分層，Zhao等[45]分析了24例接受ALK抑制劑治療的ALK陽性非小細胞肺癌者的87個腦轉移病灶(并將它們分為訓練組61個、驗證組26個)的顱腦MRI增強圖像，用9個選定的影像組學特征構建的多元邏輯回歸預測模型可以較準確地預測出 51 周內的顱內進展情況(訓練和驗證集中的AUC分別為0.84和0.85)，而臨床信息和常規 MRI特征未發現與顱內進展的相關性(P>0.05)，影像組學評分表明高危組和低危組之間的無進展生存期差異有統計學意義(P=0.017)，該研究證實了MRI影像組學特征可以對可接受ALK抑制劑治療的肺癌腦轉移患者在治療前進行分層，從而允許根據患者的顱內進展風險狀況前瞻性地制定個體化的治療策略。以上研究的初步發現為探索早期識別非小細胞肺癌腦轉移的風險預測模型提供了可能性。

2.4 MRI影像基因組學在肺癌腦轉移與EGFR、KRAS及ALK等多基因的聯合應用

分子遺傳學檢測為非小細胞肺癌腦轉移患者靶向聯合治療提供重要輔助信息，MRI影像基因組學可以提取對預測肺癌腦轉移患者生存期很重要的影像組學特征作為成像標志物。Rizzo等[46]分析了285例非小細胞肺癌患者的CT圖像，傳統CT影像學征象結合影像組學紋理分析有望更好地實現影像表型與分子表型結合，可同時預測和鑒別EGFR、ALK及KRAS的多種類型基因突變，并且結合影像組學特征與定性語義特征(支氣管充氣、胸膜回縮、體積小等)更有助于基因突變的預測，定性語義特征的預測價值隨著腫瘤定量紋理特征的增加而增加。同樣的研究[47]分析了134例非小細胞肺癌患者術前增強CT和術后新一代測序(next generation sequencing，NGS)數據，從提取的1 672個三維影像組學特征中選擇與突變最相關的20個特征，應用LASSO建立鑒別模型，同時鑒別EGFR、KRAS、ERB受體酪氨酸激酶2(Erb-B2 receptor tyrosine kinase 2，ERBB2)和腫瘤蛋白53(tumor protein 53，TP53)基因突變，用于區分EGFR、KRAS、ERBB2和TP53突變組合模型的AUC(95%CI)分別為0.78(0.70～0.86)、0.81(0.69～0.93)、0.87(0.78～0.95)和0.84(0.78～0.91)，EGFR突變的特異性為0.96(0.87～0.99)，確定KRAS、ERBB2和TP53突變的敏感性為0.82～0.92(0.62～0.99)。以上研究基于影像基因組學方法能開發出一種可以同時鑒別非小細胞肺癌患者中多種基因突變的存在，這種非侵入性和低成本方法可能有助于在侵入性采樣和NGS檢測之前對患者進行篩查。

以上研究都基于肺癌原發灶的CT影像基因組學，基于肺癌腦轉移的MRI影像基因組學的相關報道較少。Chen等[48]回顧性對110例肺癌腦轉移患者進行基于腦MRI組學分析，聯合原發性肺癌的基因型檢測資料(EGFR突變75例、ALK突變21例及KRAS突變15例)，訓練隨機森林分類器對EGFR、ALK及KRAS突變狀態進行分類，基于MRI影像組學特征及臨床數據構建聯合模型的AUC分別為0.912、0.915和0.985，研究結果表明對肺癌腦轉移的基于腦MRI影像基因組學分析可用于對轉移性疾病基因突變的分類；同一學者之后又對這110例非小細胞肺癌腦轉移患者進行腦MRI影像基因組學分析進行生存期預測，結合臨床數據建立多變量邏輯回歸影像組學模型，相應AUC分別為0.977、0.905和0.947，結果支持非小細胞肺癌腦轉移的腦MRI影像組學評分可作為生存期的非侵入性成像標志物[49]。以上研究均表明采用腦MRI影像組學特征聯合臨床數據進行模型構建比單獨使用任何一種模型能產生更準確的分類，更有助于為肺癌腦轉移患者制定個體化治療策略和進行精準的預后評估。

3 小結

MRI影像組學融合基因組學的方法可以無創精準地活體檢測腫瘤的分子遺傳學改變，是一種在腦腫瘤的診療及預后預測方面極有潛力的方法。盡管大量有潛在價值的影像基因組學成像標志物以無創低成本的優勢在臨床醫學研究中得到推廣，但其在肺癌腦轉移方面的應用仍存在一些局限性，首先，基因取樣檢測基本在肺部進行而不是在腦轉移瘤本身；其次，研究數據大多來自小樣本、單中心，而多中心的大數據因掃描設備、掃描條件等不同，能否廣泛推廣有待進一步前瞻性驗證；最后，腦轉移瘤方面的影像基因組學的研究尚不多，盡管各專家學者把肺癌原發腫瘤或中樞神經系統轉移灶作為研究對象，研究目的不盡相同，研究結果各有千秋，但捕獲更精準特異的MRI影像組學特征融合基因深度測序已成為進一步研究的趨勢。