影像組學在腫瘤靶向治療中的應用研究進展

劉謙，王寧，劉玉林

作者單位：華中科技大學同濟醫學院附屬腫瘤醫院 湖北省腫瘤醫院放射科，武漢 430079

近年來，隨著分子生物學的進步，分子靶向治療在各種腫瘤治療中取得了巨大的突破。在臨床實踐中，靶向治療主要用于乳腺癌、結直腸癌、肺癌和頭頸部惡性腫瘤以及淋巴瘤等[1]。許多類型靶向藥物已獲得美國食品藥物監督管理局批準，作為輔助治療或作為復發性或轉移性疾病治療的一線選擇[2]，相比于放化療，靶向治療時較少的不良反應不僅提高了患者的生存期和生存質量[3-5]，還給因耐受差而失去治療機會的部分患者帶來了新的治療方案。但在靶向藥物的選擇上，仍然面臨較大問題，迄今為止，最常見的分子檢測方法依賴于活檢或手術切除。然而，這些方法是侵入性的，一些身體狀況不佳的患者不能耐受這些手術。此外，由于腫瘤在空間和時間上可能是異質性的，因此僅識別一小部分腫瘤組織的突變狀態并不能反映腫瘤的完整特征[6]，而影像學恰好能解決這部分問題，可以對腫瘤提供實時的篩查、診斷、治療監測和疾病預后的非侵入性評估，還可以反映腫瘤的異質性[7]，基于影像組學的圖像分析可以提取肉眼無法觀察到的圖像特征并進行定量分析，這反過來又可以改善診斷，并可能更好地預測腫瘤對治療的反應[8]。

1 影像組學介紹

影像組學的概念最初在2012年由荷蘭學者Lambin等[9]提出，指高通量地從醫學影像中提取大量特征，通過大數據分析方法將數字圖像信息轉換為可挖掘的高維數據，建立評估模型，對腫瘤的表型和異質性等深層信息進行描述，從中分析相應的臨床問題提供決策。為癌癥患者實現準確的診斷和精準治療提供了可能性。其流程大致分為以下五步[10]：圖像采集和預處理、圖像分割、圖像特征提取、降維處理和特征選擇、建立模型與應用。這種非侵入性的檢查的優勢在于影像組學特征不僅反映組織的宏觀性質，還反映組織的細胞和分子特性，從而提供更全面的整個腫瘤視圖。影像組學特征還可作為一種客觀、量化的生物標記物應用于腫瘤鑒別診斷[11-12]、腫瘤表型分析[13-14]和預測預后[15-16]等。

2 影像組學在靶向治療中的應用

2.1 肺癌

近年來，晚期非小細胞肺癌（non-small cell lung cancer,NSCLC）患者的治療取得了突破性的進展，對分子靶向藥物的應用大大提高了選擇性基因突變患者的生存期[17-18]。腫瘤的突變狀態決定治療方式并影響預后，臨床上，肺癌患者對表皮生長因子受體（epidermal growth factor receptor variant,EGFR）、酪氨酸激酶受體（anaplasticlymphoma kinase, ALK）、ROS1 和BRAF 的基因檢測已成為常規檢查項目[19]。當前EGFR突變和ALK 重排是NSCLC 患者靶向治療中兩個比較重要的靶標[20]，多項研究[21-24]用影像組學的方法識別NSCLC 患者的驅動基因以指導靶向治療。Agazzi等[21]開發了一種基于計算機體層攝影（computed tomography, CT）紋理的分類模型區分EGFR 突變、ALK 突變和非突變腫瘤，發現突變類型與偏度有關，EGFR 突變的腫瘤表現出最高的偏度，ALK 重排的腫瘤具有最低的值，而未突變的腫瘤顯示出中間值，模型的準確率約為82%。Wang等[22]通過對51例早期肺腺癌患者的61個肺結節進行分析，篩選出最優的13 個影像組學特征，使用支持向量機（support vector machine, SVM）建立預測模型預測早期肺腺癌患者的腫瘤突變負荷和某些驅動突變（EGFR 和TP53）狀態，結果表明該模型是可行和有效的，且結合臨床資料可進一步提高預測效果。Aerts等[23]分析了47 例早期NSCLC 患者治療前后的圖像，提取了11個影像學特征和2個體積特征（體積和最大直徑），在研究中發現在基線時的影像組學特征及兩次檢查時特征的增量變化值對EGFR 突變狀態具有預測意義，且兩次特征間的增量變化值具有最高的預測意義[顯著特征曲線下面積（area under the curve, AUC）范圍為0.74～0.91]，不僅展示了影像組學特征與腫瘤表型間的關聯，還首次研究了不同EGFR 突變狀態的NSCLC 患者靶向治療前后成像特征的變化情況。18F-氟代脫氧葡萄糖（fluorodeoxyglucose, FDG）正電子發射斷層成像（positron emission tomography, PET）-CT在識別驅動基因方面也展現了其預測價值，Zhang 等[24]研究了248例NSCLC患者治療前的PET-CT圖像，發現較低的峰值標準化攝取值與EGFR突變有關，通過提取PET-CT圖像的紋理特征并結合代謝和結構的紋理特征，利用最小絕對收縮和選擇算法（least absolute shrinkage and selection operator,LASSO）回歸對特征進行篩選，使用邏輯回歸的方法建立EGFR突變狀態預測模型，AUC 在訓練集中為0.79，在驗證集中為0.85，證實PET-CT 對預測NSCLC 患者的EGFR 突變類型方面的價值，且在影像組學特征與臨床病理特征聯合建立的融合模型中，對EGFR 突變狀態預測性能進一步提高（訓練集AUC=0.86，驗證集AUC=0.87）。但由于腫瘤的異質性，即使有相同驅動基因的NSCLC也在靶向治療的效果上有較大的區別，所以需要一種生物標志物[25-27]預測靶向治療預后情況，Tang 等[25]研究了胸部CT 掃描的影像組學特征在預測接受二線奧西替尼治療的NSCLC 患者預后方面的價值。研究終點是無進展生存期（progression-free survival, PFS），研究基于單因素Cox 回歸、LASSO 回歸從增強CT 圖像中篩選的23 個影像組學特征在逐步Cox 回歸模型中獲得了高的一致性指數：0.724，當進一步與臨床因素結合時，得到更高的一致性指數：0.755，但當模型與篩選出的6 個非增強CT 影像組學特征結合時，模型的預測性能反而下降，一致性指數從0.755 下降到0.733，結果表明，從未增強的胸部CT 掃描中提取的影像組學特征的預后能力較弱，而增強胸部CT 的影像組學特征在預測二線奧司替尼治療的療效方面顯示出巨大的潛力，且與臨床因素結合時，預測性能進一步提升，本文作者認為其研究優勢在于研究基于第三代EGFR-TKI 一線靶向治療的療效預測，而以往的研究多基于第一代或第二代EGFR-TKI 靶向藥物的影像組學研究，但該研究也具有多數影像組學研究具有的缺陷，即為小樣本、單中心的回顧性研究。Zhu等[26]研究了100例接受TKI治療的晚期NSCLC 患者，通過22 種特征選擇方法和8 個分類器方法建立176 個預測模型，比較這些模型在預測TKI 治療晚期NSCLC患者PFS 的預測能力，最終通過基尼系數降維與邏輯回歸建模的組合實現了最佳性能（AUC=0.797），Kaplan-Meier生存曲線也呈現明顯的分層結果（P＜0.001）。研究結果表明影像組學特征能作為一種有效的預后標志物來預測EGFR 陽性患者TKI耐藥性的發展，有助于臨床醫生及時調整治療策略。但當前關于肺癌的影像組學研究多基于小數據集（＜100 例）的回顧性分析，當檢查的影像組學特征遠遠大于病例數時，可能會導致特征選擇偏倚和假陽性結果，且大多研究在一個數據集中完成，缺乏外部驗證數據集，無法證明模型的普適性。另外，在肺部腫瘤的影像組學研究中，當病變附著于縱隔或胸壁時，結節難以自動分割，顯示出低再現性，而手動或半自動分割消耗了寶貴的時間和資源，并且容易出現觀察者之間和觀察者內部的可變性，阻礙了肺癌靶向治療的影像組學研究。

2.2 乳腺癌

乳腺癌是女性惡性腫瘤中發病率最高的腫瘤[28]。乳腺癌是一種復雜的異質性疾病，可分型為luminal A 型、luminal B 型、HER2 過表達型和三陰型[29]，其中HER2 陽性的腫瘤約占乳腺癌的20%～30%，且針對HER2的靶向治療顯著提高了HER2陽性乳腺癌患者的生存率[30]，表明靶向治療是乳腺癌的有力治療策略。所以準確評估HER2 狀態對于乳腺癌的治療決策非常重要。通常采用免疫組織化學、顯色原位雜交和熒光原位雜交評估乳腺癌中HER2 表達水平來選擇適合靶向治療的乳腺癌患者[31]，但這些方法的缺點在于費用高昂、程序復雜及重復性低，所以許多研究致力于尋找一種新的、可靠的生物標志物來評估HER2 突變狀態。Zhou等[32]研究了306 例無特殊類型浸潤性導管癌患者，基于乳房X 光檢查的影像組學特征評估乳腺癌患者的HER2 狀態，基于LASSO 降維得到的40 個影像組學特征建立邏輯回歸模型預測乳腺癌患者的HER2 突變狀態，模型準確率達到77.00%，這表明影像組學特征是術前評估HER2 突變狀態的有效工具。但該研究僅基于單個中心的數據，需要使用其他數據集進一步驗證模型的可重復性和泛化能力。MRI是乳腺癌的重要檢查手段之一，基于MRI的影像組學在無創評估乳腺癌淋巴結轉移、分子亞型、預后預測方面應用廣泛，但調查基于多參數MRI 構建的影像組學模型比單參數影像組學模型是否具有更好的性能方面的研究相對較少，Zhou等[33]回顧性研究了306 例無特殊類型浸潤性導管癌患者的脂肪抑制T2 加權和動態對比增強T1 加權術前MRI 圖像，從中提取定量成像特征。然后，使用SVM 開發了基于脂肪抑制T2 加權圖像、動態對比增強T1 加權圖像及其組合的預測HER2 狀態的影像組學模型，發現多參數MRI 圖像特征在預測乳腺癌患者HER2狀態方面表現最佳，AUC為0.86，本文作者認為原因可能是多參數MRI 能提供更多定量影像組學特征。但該研究僅招募一種病理類型的乳腺癌患者，研究可能與病理類型混雜造成選擇偏倚。乳腺癌不僅累及腫瘤細胞，還累及周圍基質或造成腫瘤微環境的顯著改變，許多研究發現包含腫瘤內和瘤周特征的影像組學模型可以改善乳腺癌病理結局預測的診斷性能[34-36]。Li 等[34]基于223 例乳腺癌患者的擴散加權成像和表觀擴散系數圖像中的腫瘤內，瘤周和多區域的影像學特征，使用邏輯回歸計算了3 個影像組學評分。在受試者工作特征曲線顯示，基于多區域特征的影像組學評分在訓練和驗證隊列中都達到了最高的AUC（0.86、0.79），展示了對HER2 狀態良好的判別性，研究又將基于多區域特征的影像組學評分和雌激素受體狀態聯合建立影像組學列線圖，進一步提高了模型的診斷性能。Li等[35]還使用同樣的方法分析了基于不同的MRI 序列（乳腺動態對比增強MRI）預測HER2 狀態是否有類似的結果，同樣發現多區域特征較腫瘤內或瘤周特征對HER2 狀態有更佳的預測能力，準確率為72.7%，且對Ki-67狀態也有較好的預測能力，這兩項研究表明瘤周組織區域也包含乳腺癌的關鍵信息。但本文作者認為上述兩個研究有一個共同的不足，都使用的是腫瘤橫截面最大的二維圖像進行影像組學分析，但由于腫瘤體積的異質性，這可能會導致信息丟失。Braman等[36]研究了209 名接受新輔助治療前后乳腺癌患者的MRI 圖像，提取了腫瘤和環形瘤周組織區域內的紋理特征來評估HER2 靶向新輔助治療的療效，研究表明以紋理特征值建立的MRI影像組學模型能夠確定HER2過表達型乳腺癌，且與HER2 靶向治療的療效顯著相關（AUC=0.89，95%CI：0.84～0.93）。Li等[37]基于MRI 圖像的影像組學特征創建了接受曲妥珠單抗治療的HER2 陽性浸潤性乳腺癌患者平均無病生存期風險分層的預后生物標志物，發現治療前后的增量紋理特征值在預測平均無病生存期方面具有較高的價值，并在Kaplan-Meier 生存曲線和對數秩檢驗得到證實，這項研究的優勢在于展示了腫瘤的時間異質性。研究還將影像組學評分與臨床病理特征及MRI 傳統影像特征聯合建立列線圖，進一步提升了對平均無病生存期的預測能力，這也是當前影像組學認為能夠提高模型性能的較常用的方法。上述研究表明了影像組學在發現HER2 靶向治療敏感的乳腺癌患者和預測乳腺癌靶向治療療效方面的重要價值。

2.3 結直腸癌

結直腸癌患者在晚期或發生全身轉移時，全身化療仍是主要手段，但由于其毒副反應、耐藥性等問題，化療聯合靶向治療的治療方案在臨床有了越來越多的應用，許多研究表明這種治療方式可改善晚期或轉移性結直腸癌患者的PFS 及總生存期（overall survival, OS）。臨床上也對轉移性結直腸癌患者的KRAS、NRAS 和BRAF 基因突變狀態進行常規檢測[38]，因為伴有這些突變基因的轉移性結直腸癌患者無法受益于抗EGFR 藥物[39]，而EGFR 突變是結直腸癌靶向治療的一個重要靶標，為了達到指導用藥的目的，一些研究[39-42]致力于發現一種與轉移性結直腸癌基因突變類型有關的生物標志物。Yang等[39]研究了117名結直腸癌患者門靜脈期CT圖像，使用單因素分析、SVM 和RELIEFF 算法選擇關鍵特征并構建影像組學特征預測KRAS、NRAS、BRAF突變狀態，AUC分別為0.829、0.857和0.857，證實了基于CT 的影像組學特征與結直腸癌患者的KRAS、NRAS、BRAF 突變狀態有關，但研究缺乏外部驗證集，不利于臨床推廣。Shi等[40]對預測晚期結直腸癌患者KRAS、NRAS 和BRAF 基因突變狀態的影像組學方法做出改進，在影像組學特征的基礎上加入兩個語義特征（微衛星灶和除肝臟和區域淋巴結外的轉移性病變的存在），使用人工神經網絡方法建立了三個模型（語義，影像組學和組合模型），組合模型的預測性能最佳（AUC=0.95），較僅基于影像組學特征的模型預測性能提高（AUC=0.90），且該研究是一項多中心研究，使用的步驟也試圖嚴格遵循Lambin 等[9]提出的影像組學質量評分，使用半自動分割的方法也增加了研究的可重復性及縮短了處理時間。Cui等[41]從304 位轉移性結直腸癌患者的高分辨率T2WI 圖像中提取了960 個候選成像特征。使用多元邏輯回歸等多種方法進行降維，得到7個影像組學特征，再應用決策樹、SVM和邏輯回歸3 種方法，在訓練集中建立預測模型，最終最佳預測模型SVM 分 類 器 訓 練 集 中 的AUC 為0.722（95%CI：0.654～0.790），模型也在具有良好校準的內部和外部驗證集中進行了驗證，表明所開發預測模型具有可靠性和可重復性，并進一步使用決策分析曲線證實了臨床可用性，有助于在臨床實踐中推廣。這表明影像組學特征能夠提供補充信息以確定KRAS在直腸癌患者中的表達狀態，并借此指導臨床靶向治療。Negreros-Osuna等[42]也有一項回顧性研究預測轉移性結直腸癌患者KRAS 突變狀態，該研究對145 例Ⅳ期結腸癌患者CT 圖像進行特征提取，采用單變量分析、LASSO-logistic回歸及隨機森林的方法估計結腸癌患者KRAS 突變狀態，該模型的AUC值為0.818，研究表明圖像紋理特征與轉移性結直腸癌患者KRAS突變狀態存在相關性，但研究的缺陷在于收集病例之間的時間跨度較大，獲得的圖像來源于不同的CT掃描儀器，這可能導致紋理特征和噪聲的潛在差異，影響模型的可重復性；另外分析是在腫瘤的最大橫截面積上進行的，而不是在整個腫瘤體積上進行的，這可能低估了腫瘤的異質性。Dercle等[43]回顧性分析了667 例接受化療聯合西妥昔單抗治療的轉移性結直腸癌患者的基線和用藥后8 周CT 圖像，開發了一組生物標志物（治療前后增量特征值）識別西妥昔單抗治療敏感的轉移性結直腸癌患者。使用隨機森林的方法建立模型，在使用高分辨率CT圖像時，這組生物標志物在判斷結直腸癌患者對抗EGFR治療敏感性方面展現出良好的能力（AUC=0.80），并在使用標準分辨率CT 圖像時也有較好的判別能力（AUC=0.72），表明這組生物標志物能推廣到其他CT 質量的數據集，以最低的成本廣泛納入臨床實踐，有助于在臨床上大面積推廣使用，這項多中心試驗也展現了一個動態評估腫瘤治療的過程。Cox 回歸分析也顯示該生物標志物對患者OS 有良好的預后判別作用（P＜0.001）。因此臨床醫生能夠借助影像組學的方法預測腫瘤對西妥昔單抗治療的敏感性及轉移性結直腸癌患者的生存期，從而做出更加準確的治療決策，展現了影像組學在表型分析和預測預后方面的價值，有助于精準醫療的實現。

2.4 膠質母細胞瘤

膠質母細胞瘤（glioblastoma,GBM）是最常見的原發性中樞神經系統腫瘤，侵襲性高，預后極差[44]。手術治療同時輔以放化療是其常用的治療方式，但治療效果不佳，靶向治療可作為GBM 的有效策略之一，但當前除了以血管內皮生長因子（vascular endothelial growth factor, VEGF）抗體為代表的貝伐珠單抗能改變PFS，其他靶向藥物由于無法穿透血腦屏障或耐受性和安全性差等原因，并不能改變GBM 的病程[45]，所以在發掘影像組學是否能提供一種生物標志物預測VEGF 突變狀態及無創分層患者生存和進展是當前研究熱點。Sun等[46]回顧性分析239 例彌漫性膠質瘤（Ⅱ～Ⅳ級）患者的MRI T1WI增強圖像，提取了431個影像組學特征，用最小冗余最大相關性算法最終篩選出個9個影像組學特征，使用SVM建立模型預測彌漫性膠質瘤的VEGF 狀態，并用AUC 值評價模型的性能，得到的結果：訓練組為0.741，驗證組為0.702，表明影像組學特征能反映彌漫性膠質瘤的VEGF狀態。Grossmann等[47]研究了126 名接受貝伐珠單抗治療的復發性GBM 患者的MRI T1WI 增強和液體抑制反轉恢復（fluid attenuated inversion recovery, FLAIR）成像圖像，應用無監督主成分分析的方法篩選出10 個影像組學特征及兩個體積大小特征，單因素Cox 回歸分析影像組學特征在預測PFS、OS以及3、6、9個月進展的預后分析，結果表明T1WI 增強圖像的影像組學特征在復發性GBM患者的OS和PFS的預測上有更高的預后價值[一致性指數（concordance index, CCI）（Noether FDR 校正）＜0.05]，且這些特征在不同時間點進展的患者中分布顯著不同，這表明影像組學在預測復發性GBM患者接受貝伐珠單抗治療后的生存和進展方面具有很大的價值。Ammari等[48]基于MRI T1WI增強和FLAIR成像的圖像特征及臨床特征組合對貝伐珠單抗治療復發性GBM患者進行生存分析，對患者進行貝伐珠單抗治療開始后9、12、15個月的生存期及6、12個月時進展的預后分層，結果顯示模型可以為復發性GBM患者的OS提供有價值的信息，AUC分別為0.79、0.82和0.87，但不能對6、12個月進展的患者分類，這與Grossman等的研究產生了結果上的分歧，本文作者認為這可能與特征選擇方法上的差異有關。Kickingereder等[49]對復發性GBM患者的影像組學特征進行監督主成分分析，篩選一組對接受抗VEGF治療的患者的預后預測最重要的影像組學特征，用Cox回歸分析建立預測模型，結果表明MRI圖像特征能將GBM患者分層為PFS（HR=1.85，P=0.030）和OS（HR=2.60，P=0.001）的低或高風險組，這表明影像組學能識別最有可能從抗VEGF 治療中獲益且預后較好的患者。影像組學模型實現可重復性、前瞻性研究以及預測模型的多中心驗證是其被臨床接受的先決條件，而GBM 靶向治療方面的影像組學研究相對較少且多為回顧性研究；提取穩定的定量圖像特征也是另一個難點，GBM 的影像組學研究多基于MRI 序列的圖像，而MRI 信號強度的固有變異性使得直接定量分析變得困難，研究者們未來還需要付出許多努力來克服這些困難。

3 不足與展望

影像組學在診斷、治療策略的選擇、反應預測、監測和預后評估等方面逐漸展示其價值，但其作為影像學領域的一門新興學科，尚處于初步階段，仍存在著許多的不足之處。例如：（1）數據量小/不平衡。樣本太少時，訓練、驗證和測試數據集的分層是不夠的，這會對模型適應、優化和評估的過程產生負面影響[50]，可通過擴大樣本量或者進行多中心研究解決這一問題。（2）可重復性差。在掃描設備、采集方案、共同配準、重采樣、分割、強度歸一化和降噪方面的差異會累積地反映在提取的特征中，最終影響影像組學預測模型[51-52]。因此，為這些步驟建立標準化方案對于避免數據收集的可變性是必要的，已有研究提出圖像生物標志物標準化[53]、采集協議和數據分析的標準化等。圖像分割方面也從傳統的手動分割轉向更具可重復性的半自動/自動分割，但半自動/自動分割方法在形狀紋理顯示出較差的相關性，可以通過臨床實踐中的手動校正來改善。（3）多模態組學分析面臨一些問題，數據完整性差、數據內部存在異質性、多模態和跨模態醫學數據的融合算法研究尚未成熟、研究協作機制不完善等。解決方案是使用配對的遺傳和成像公共存儲庫等，例如癌癥基因組圖譜和癌癥成像檔案庫，它們提供從幾個不同機構收集的遺傳和成像數據。

影像組學當前任務是將圖像生物標志物集成到臨床、基因組學、蛋白質組學數據中，更好地將圖像生物標志物與疾病生物學和預后聯系起來指導臨床決策，真正地運用到臨床中去，且當前深度學習與人工智能的技術不斷創新與提高，作為醫工結合的學科，影像組學也應該不斷運用新的技術，當這些問題與任務得以解決與實現，影像組學將更加蓬勃發展，以提高其未來在分析腫瘤表型以鑒別靶標、監測治療期間腫瘤表型變化、評估患者的治療療效及預后方面臨床的應用，從而達到對腫瘤患者進行精準治療的目的。

作者利益沖突聲明：全體作者均聲明無利益沖突。