基于MRI的影像組學在宮頸癌的研究進展及潛力

胡鶴 張瞳

【中圖分類號】 R711.74 【文獻標識碼】 A? ? ? 【文章編號】2107-2306（2022）12--01

據美國2021年癌癥統計分析，宮頸癌（cervical cancer，CC）患者死亡人數約占所有婦科惡性腫瘤死亡人數的12.6%，已經成為威脅女性健康的重要原因之一[1]。早期診斷和預測對提高治療效果、改善其預后至關重要。許多臨床參數被用來作為宮頸癌患者的診斷和預后因素，包括腫瘤分期、組織學類型、淋巴結狀況，但在預測準確性方面存在局限性。因此迫切需要開發能夠在治療開始前或治療期間提供更特異的腫瘤特征的非侵入性生物標志物。影像組學是一個新興的研究領域，旨在尋找從影像檢查中提取的定量信息與臨床數據之間的聯系，以支持最佳臨床決策。近年來，影像組學已逐漸用于宮頸癌患者的分期、組織類型、結節狀態、復發和生存預測。本文將針對基于MRI的影像組學在宮頸癌應用的研究進展進行綜述。

1.宮頸癌的診療及影像表現

CC是一種生長相對緩慢的惡性腫瘤，早期常沿子宮旁韌帶和子宮骶韌帶橫向擴展。此外，CC可沿陰道向下擴散，并橫向擴散至宮頸旁間隙，在疾病晚期或大體積腫瘤中可能侵犯膀胱、直腸、盆腔側壁和主動脈旁淋巴結。早期診斷、準確分期、放射治療的最新進展和更有效的化學療法已顯著改善疾病結果和生存率，但它仍然是女性最常見的死亡原因之一。手術是早期CC（國際婦產科聯合會-FIGO IA1-IIA2期）治療的金標準，而局部晚期宮頸癌（LACC;FIGO IIB-IVA期）患者通常需要以鉑類為基礎的同期放化療 （CCRT）作為標準治療的多模式方法。

MRI具有較好的軟組織分辨率且無電離輻射，在CC診斷、分期、及治療評估方面日益受到臨床的重視，在腫瘤大小和周圍組織器官浸潤評估等方面相對于CT有明顯的優勢。其中，T2加權序列（T2WI）足以回答大多數臨床分期問題。MRI還提供有助于規劃管理其他信息，例如規劃近距離放射治療的范圍大小，有助于確定出現附件侵犯的手術方法（即經腹/經陰道/腹腔鏡）。對于初發的CC患者，不論有無保留生育的需求，都推薦行盆腔MRI檢查評估腫瘤局部情況。2021年美國國立綜合癌癥網絡（NCCN）CC臨床實踐指南推薦盆腔MRI增強檢查作為CC局部病灶評估的影像學方法。

2.影像組學概述

荷蘭學者Lambin在2012年首次提出“影像組學”的概念，并將其定義為：用高通量的方法從影像圖像的感興趣區域中提取大量的影像特征，以提高圖像的診斷和預測的精準度等。影像組學研究設計和工作流程通常包括四個步驟[2]：圖像采集和重建，圖像分割，影像組學特征提取和篩選，統計分析和模型建立。影像組學的圖像來源于患者在診療過程中采集到的CT、MR、PET-CT等圖像，獲取高質量、標準化的圖像是整個流程的基礎。圖像分割可以分為手動、半自動或自動分割方法，每一種方法都有其優缺點，與再現性和與病變實際邊緣的對應之間的平衡有關。CC的圖像分割以臨床醫生手動分割為主，計算機輔助勾畫和自動勾畫技術也正逐漸成熟。影像組學特征主要包括外形特征、一階直方圖特征、二階直方圖、紋理特征，或將圖像用濾波器處理后建立有關模型。提取所有特征后需要進行降維和特征選擇，然后與一個或多個特定結果進行關聯分析。從統計方法到數據挖掘、機器學習方法，許多不同的分析方法取決于研究的目的和結果類別，例如隨機森林、神經網絡、線性回歸、邏輯回歸、最小絕對收縮和選擇算子和Cox 比例風險回歸。

紋理分析是影像組學應用最多的一種形式，它指的是，包含在影像圖像的每個體素中的信息可以反映腫瘤組織的潛在病理生理，無論是CT的質量密度、MRI的信號強度還是PET的標準化攝取值[3]。紋理分析不僅對于評估腫瘤的異質性顯示出相當大的潛力，而且還可能作為預后的生物標志物。

3.基于MRI的影像組學在宮頸癌診療中的研究進展

目前基于MRI的影像組學在宮頸癌中的應用范圍較為廣泛，涉及腫瘤的診斷、分期、組織學類型、淋巴血管間隙侵犯、淋巴結轉移、療效評估及預后預測等。

3.1組織學

腫瘤的分期和組織學類型是評價腫瘤生物學行為的重要指標，準確的腫瘤分級和組織學亞型對選擇治療方案和評估預后具有重要作用。宮頸癌的許多預后因素可以從組織學檢查中獲得（例如FIGO腫瘤分期、腫瘤大小、侵襲深度、淋巴血管間隙侵犯以及組織學亞型和分級）。WorMald等人[4]通過對378例宮頸鱗癌I-II期患者的T2WI和表觀擴散系數（ADC）數據進行紋理分析，發現宮頸腫瘤在體積閾值以上和體積閾值以下的影像組學特征有顯著差異，這些特征包括相異度、能量、簇影、簇影、逆方差、自相關性。

3.2宮旁侵犯

宮旁侵犯（FIGO IIB期）是CC的高危因素，也是區別早期和局部晚期疾病的一個轉折點，對治療有重要意義。對于早期CC的未產婦，如果在手術前能確定是否存在宮旁侵犯，則可以選擇保留生育能力的手術。Jiang等人[5]使用167例早期CC患者的動態對比增強T1WI和T2WI，通過在動態增強（DCE）T1和T2WI MR圖像上應用基于卷積神經網絡的影像組學方法，建立并驗證了基于深度學習的影像組學模型，以預測早期CC的血管侵犯。

3.3淋巴結轉移

2018年，FIGO分期將盆腔或腹主動脈旁淋巴結陽性的患者劃分為IIIC期。標準診斷方法在評估淋巴結狀態方面存在一些局限性，尤其是檢測正常大小的淋巴結微轉移。此外，系統性盆腔淋巴結清掃術存在嚴重并發癥，并非對每個患者都有指征。因此，一種新的非侵入性診斷方法可能有助于這種情況。Kan等人[6]使用支持向量機算法，在100名患者的研究隊列中構建了影像組學模型，然后在43名患者的隊列中進行了驗證。結果表明，該模型能夠使用從T2WI和增強T1WI手動分割后提取的特征來預測早期CC患者的淋巴結狀態。Wu等人[7]的一項研究將189名患者分為訓練組（n=126）和驗證組（n=63）。作者提出了一種用于預測淋巴結轉移的決策樹，它結合了從瘤內和瘤周組織的T2WI獲得的影像組學特征，以及MRI對淋巴結的標準形態評估報告。

3.4對治療反應的評估

LACC患者不適合手術，標準的治療方法是鉑類放化療。盡管這種治療顯著改善了局部病情和總體生存率，但大約40%的患者會出現復發。治療反應的巨大差異可能與臨床和病理預后因素有關，也可能與無法預測的表型和基因組腫瘤特征有關[8]。在Ciolina等人[9]基于MR構建了能夠準確預測治療反應的影像組學模型。作者認為，從T2WI和ADC圖中提取的峰度在有反應的患者中顯示出顯著更高的價值，可作為腫瘤對鉑類新輔助化療反應的預測因子。Fang等人[10]將120名患者平均分為訓練組和測試組，并開發了基于三種機器學習模型（矢狀 T2WI、軸向增強T1WI和ADC序列）的影像組學模型，該模型在預測LACC患者對CCRT的反應方面表現良好。

3.5復發預測

局部復發是CC治療失敗和死亡的最常見原因[8]。目前需要新的可靠的診斷工具能夠在早期預測復發和遠處轉移，以便提前指導治療選擇。Meng等人[11]一項前瞻性研究探討了LACC患者ADC直方圖和紋理分析在預測腫瘤復發中的價值。作者證明，治療前和治療中期的整體病灶ADC直方圖和紋理分析在預測腫瘤復發方面具有很大的潛力。第二年，同一組前瞻性研究探索從ADC圖和T2WI中提取的紋理參數在預測接受CCRT治療的LACC患者腫瘤復發的應用[12]。作者證明，使用ADC紋理參數的支持向量機分類器在預測復發方面表現最好，而結合T2WI紋理參數對預后增加的價值很小。

4.局限性和發展潛力

綜上所述，基于MRI的影像組學通過整合CC圖像和臨床特征挖掘他們之間的關系，可作為一種非侵入式檢測方法在疾病的診斷、個性化治療、預后預測、療效評估等方面發揮重要的作用。與傳統影像技術相比，影像組學更能夠定量評估CC腫瘤空間上的異質性，可重復性更強，還能夠提供更多的有效信息。但目前影像組學對CC尚處于早期研究階段，仍存在較多問題。

一，缺乏標準化。影像組學研究過程中，圖像采集、預處理和分割的類型、特征選擇都會影響預測模型的準確性和可重復性。但對于圖像標準化應遵循的原則尚無共識。因此，在未來的研究中，影像學特征的重復性和質量控制將是一個重要方向。二，缺少精準地自動分割腫瘤的軟件。由于腫瘤的病理分型的多樣化，所以手工勾畫感興趣區的復雜性和主觀性難以規范化。人工智能的出現及其對影像學越來越廣泛的影響可能，會克服一些局限性。三，現有的CC研究大多數為回顧性、小樣本、單中心研究，這導致了在影像組學研究容易出現數據過度擬合、選擇偏倚和多重檢驗相關的統計問題。而更優算法（如深度學習、神經網絡）不斷涌現可能會進一步優化數據。此外，影像組學未來需要獲取更大的生物醫學數據以及開展更多前瞻性、多中心研究。四，整合其他組學有待研究。目前CC的影像組學研究多局限在圖像特征和結合臨床參數的分析。未來的研究中，量化地引入腫瘤基因、腫瘤標志物等相關指標以更精確地評估和預測CC的療效和預后，是我們的重點方向。

總之，影像組學對CC的研究可以更深入挖掘患者的臨床特征、影像數據和遺傳分子特征，建立更為精準和魯棒的模型來提高對疾病的診斷和預測性能。這些CC的臨床問題仍值得我們去探索：預測腫瘤侵襲性和風險分層，并做出精準診斷和選擇手術方案，預測放化療后反應，早期有效干預制定個性化的治療方案，放射性藥物的靶向分子成像等等。在未來，結合更多的“組學”技術對附加功能成像數據的探索，將為多維影像基因組學研究開辟新的途徑。

參考文獻：

Siegel Rebecca L，Miller Kimberly D，Fuchs Hannah E et al. Cancer Statistics， 2021.[J] .CA Cancer J Clin， 2021， 71： 7-33.

施奕倩 .影像組學的臨床研究進展 [J].實用放射學雜志，2017， 33（10）：1623-1626.

[1]朱碧云，陳卉.醫學圖像紋理分析的方法及應用[J].中國醫學裝備，2013，10（08）：77-81.

Wormald Benjamin W，Doran Simon J，Ind Thomas Ej et al. Radiomic features of cervical cancer on T2-and diffusion-weighted MRI： Prognostic value in low-volume tumors suitable for trachelectomy.[J] .Gynecol Oncol， 2020， 156： 107-114.

Jiang X， Li J， Kan Y ， Yu T， Chang S， Sha X， et al. Mri based Radiomics approach with deep learning for prediction of vessel invasion in early- stage cervical cancer. IEEE/ACM Trans Comput Biol Bioinform 2020; PP03 Jan 2020.

Kan Yangyang，Dong Di，Zhang Yuchen et al. Radiomic signature as a predictive factor for lymph node metastasis in early-stage cervical cancer.[J] .J Magn Reson Imaging， 2019， 49： 304-310.

Wu Qingxia，Wang Shuo，Chen Xi et al. Radiomics analysis of magnetic resonance imaging improves diagnostic performance of lymph node metastasis in patients with cervical cancer.[J] .Radiother Oncol， 2019， 138： 141-148.

閆靜，吳玉梅. 宮頸癌預后影響因素的研究進展[J]. 中國醫刊，2020，55（12）：1308-1311.

Ciolina Maria，Vinci Valeria，Villani Laura et al. Texture analysis versus conventional MRI prognostic factors in predicting tumor response to neoadjuvant chemotherapy in patients with locally advanced cancer of the uterine cervix.[J] .Radiol Med， 2019， 124： 955-964.

Fang Mengjie，Kan Yangyang，Dong Di et al. Multi-Habitat Based Radiomics for the Prediction of Treatment Response to Concurrent Chemotherapy and Radiation Therapy in Locally Advanced Cervical Cancer.[J] .Front Oncol， 2020， 10： 563.

Meng Jie，Zhu Lijing，Zhu Li et al. Whole-lesion ADC histogram and texture analysis in predicting recurrence of cervical cancer treated with CCRT.[J] .Oncotarget， 2017， 8： 92442-92453.

Meng Jie，Liu Shunli，Zhu Lijing et al. Texture Analysis as Imaging Biomarker for recurrence in advanced cervical cancer treated with CCRT.[J] .Sci Rep， 2018， 8： 11399.