影像學在肝細胞癌微血管浸潤評估中的研究進展

吳 穎，印隆林

( 1．川北醫學院，四川 南充 637000; 2．四川省醫學科學院·四川省人民醫院放射科，四川 成都 610072)

原發性肝癌是全世界癌癥死亡的第三大原因，在男性中排名第二[1]，其中肝細胞癌( hepatocellular carcinoma, HCC) 的占比約90%[2]。中國是全世界肝癌的高發地區，2020年因肝癌死亡病例高達全球死亡病例的47.1%[3]。HCC最有效的治療方法是手術切除，而HCC根治性切除術后5年復發率達70%，肝移植術后5年復發率達10%～15%[2]。部分原因是由于HCC微血管浸潤(microvascular invasion, MVI)的存在。MVI是指在顯微鏡下觀察到腫瘤細胞侵入血管內皮，形成癌細胞巢團，其存在提示HCC的侵襲性行為和不良的生存結果[4]。外科醫生對HCC患者的術前風險評估具有重要意義，可以幫助患者實現個體化、精準化的診療模式。現階段，組織病理學檢查被認為是診斷MVI的金標準，但該方法是一種有創檢查，并且需要廣泛取樣。因此，術前、無創評估MVI顯得格外重要。本文即對影像學在HCC患者MVI評估中的研究現狀及進展分析概述，以期提高HCC患者精準醫療水平。

1 計算機斷層成像(computed tomography，CT)

CT掃描速度快、圖像分辨率高，在臨床應用范圍廣，在HCC診斷方面發揮著巨大作用。近年來，多項研究報道CT圖像形態學表現與MVI具有相關性，包括腫瘤大小、不規則腫瘤邊緣、瘤周包膜等，但不同研究得出的準確性結論不盡一致[5～7]。定性診斷容易受圖像質量及觀測者經驗程度影響，其可靠性需要大量臨床數據的驗證。

CT圖像定量分析更具有客觀性。先前的一項研究[8]首次使用320排CT成像的灌注參數，測量發現腫瘤門靜脈流量(portal vein flow, PVF)、腫瘤與周圍肝組織PVF的差值(ΔPVF)以及ΔPVF與瘤周肝組織PVF 的比值可用于預測小HCC(≤3 cm)患者的MVI。但該研究僅納入56例HCC患者，樣本量較小，且不同檢查設備或灌注方案可能會造成個體間差異，需要大樣本、多中心驗證。能譜CT不局限于只提供一個CT值，它在常規CT的基礎上滿足了更多的定量參數需求。Kim等[9]通過測定雙能譜CT中瘤內、瘤周標準化碘濃度(NIC)發現，碘濃度的定量測定可用于評估MVI，且瘤內+瘤周的組合與僅瘤周區的診斷效能相當。根據血流動力學的改變，瘤周組織是第一個受到MVI影響的組織。然而肝臟纖維化會對肝血流灌注產生一定的影響，纖維化程度的異質性可能改變瘤周實質的增強特征，進而影響瘤周區域的定量和定性分析，若僅通過分析瘤周區域的NIC來預測MVI狀態可能影響其準確性。并且，能譜CT中碘濃度的定量分析評估MVI能否適用于其他雙源、雙能量CT有待進一步探討。

2 磁共振成像(magnetic resonance imaging, MRI)

MRI是目前軟組織成像最佳的影像學檢查手段，在HCC的診斷、預后、療效評估方面提供了重要信息。近年來，隨著MRI技術的不斷發展，肝膽特異性造影劑的使用日益普及，利用MRI術前預測HCC患者MVI成為一大熱點話題。

2.1 動態增強磁共振成像(dynamic contrast enhanced-MRI, DCE-MRI)DCE-MRI可以基于造影劑來反映組織微循環血流灌注情況。一項關于DCE-MRI高質量的Meta分析[10]發現7個可預測MVI的影像征象：包括腫瘤的大小(>5 cm)、腫瘤包膜不光滑、動脈期腫瘤邊緣強化、瘤周強化、肝膽期瘤周低信號、多灶性以及腫瘤T1加權(T1 weighted imaging, T1WI)低信號。肝膽期瘤周低信號被認為與MVI密切相關，這與肝臟血流動力學改變以及有機陰離子轉運多肽和多藥耐藥蛋白的表達有關[11]。但根據以往的研究表明單純依靠影像特征來預測MVI的敏感度較低。Wang等[12]回顧性分析了基于Gd-EOB-DTPA增強MRI檢查的113例HCC患者，并測量其腫瘤、瘤周及正常肝組織的信號強度(signal intensity, SI)，結果表明，瘤周組織與正常肝組織在動脈期的SI比值(SIAp/Al)是MVI的獨立預測因素，且SIAp/Al的AUC值高于肝膽期瘤周低信號，這表明定量分析評估MVI可能更具有說服力。總之，DCE-MRI在評估MVI方面可以提供多種手段，肝膽特異性造影劑在MVI評估中更具優勢，比動態增強CT提供了更多的影像細節，具有巨大的潛力。

2.2 擴散加權成像(diffusion weighted imaging, DWI)DWI以非侵入性的方式探測水分子的擴散，其定量指標——表觀擴散系數(apparent diffusion coefficient, ADC)，可以反映腫瘤的細胞數量、增殖活性以及毛細血管灌注情況等，逐漸應用于腫瘤微血管病變的診斷中。ADC值具有客觀性、可重復性的優勢，但原始的ADC值采用單指數模型，只揭示了高斯分布水的擴散系數，忽略了組織中灌注分數的影響，在反映真實水擴散方面具有一定的局限性。Zhang等[13]認為在b值為1000 s/mm2的狀態下，可以將ADC值<1.07× 10-3mm2/s作為MVI的獨立危險因素。而另一項研究[14]卻表明低b值(0.500 s/mm2)的狀態下，ADC值<1.227× 10-3mm2/s可作為MVI預測因素。不同b值情況下，所劃分的ADC截斷值不同，可見參數的標準化必不可少。與以往單一病灶的研究不同，Yang等[15]回顧性分析了51例雙灶性HCC患者，研究表明其兩個病灶高度相似的ADC值可作為MVI的術前預測因子。但是該假說在廣泛應用于臨床前需要通過全基因組測序加以驗證。總之，利用DWI評估MVI具有廣闊的發展前景，但目前具有一定的局限性，比如參數的標準化、大數據的外部驗證等。

2.3 體素內不相干運動(intravoxel incoherent motion, IVIM)IVIM成像以雙指數模型計算，采用多b值擴散加權成像，可以分析非高斯擴散的能力，可以在不使用造影劑的條件下，評估毛細血管網中血液微循環的真實分子擴散和灌注情況，有助于某些造影劑禁忌證的患者或有腎源性疾病的患者。Wei等[16]發現真擴散系數(D)可用于評估MVI，其最佳截斷值為0.868×10-3mm2/s，并且IVIM模型測定的D值(AUC= 0.815)比單指數模型測定的ADC值(AUC= 0.746)具有更好的診斷效能。這可能與HCC分化較差時，細胞密度和假擴散成分增加有關，其聯合作用可能會導致ADC的增加，而D值不會受到影響。關于IVIM評估MVI的研究相對較少，其臨床推廣需要進一步對參數設定、掃描方式進行標準化。同時，IVIM模型采集時間相對較長，如何在保證獲得充足的影像信息的前提下縮短采集時間值得思考。

2.4 擴散峰度成像(diffusional kurtosis imaging, DKI)DKI是在擴散張量成像基礎上擴展開來，以探測非高斯水擴散，比傳統DWI提供了更多關于組織成分異質性和不均質性的信息。Wang等[17]研究表明平均表觀峰度系數(mean apparent kurtosis coefficient, MK)與HCC的MVI顯著相關。Cao等[18]進一步比較了MK與ADC的診斷效能，結果發現只有MK具有統計學差異，其診斷效能中等(AUC=0.77)，并且高級別HCC的MK值顯著高于低級別HCC。該研究中ADC與MVI無顯著相關性，這種差異很可能是受b值選擇的影響。MK與腫瘤侵襲性生物學行為之間具有潛在相關性，所以在眾多彌散參數中，MK一度被看作是反映腫瘤生物學行為最重要的參數。DKI圖像通過自由呼吸掃描方式所獲得，可能導致信噪比下降，但比呼吸觸發和屏氣成像具有更好的可重現性，并且采集時間更短。未來如何提高DKI圖像質量以及規范參數標準化需要更深入的研究。

2.5 磁共振彈性成像(MR elastography, MRE)MRE可以反映組織內部彈性，是現階段評估肝纖維化最準確的無創影像學檢查手段。Li等[19]首次嘗試基于MRE的剪切應變來預測HCC中MVI。他們繪制了59例HCC患者的八面體剪切應變(octahedral shear strain, OSS)圖，并記錄了低剪切應變下的瘤周界面長度的百分比(percentage of low-shear-strain length, pLSL, %)，并以此量化分析不同頻率下(60、40、30 Hz)的診斷差異。研究表明，MVI陽性組的瘤周OSS-pLSL均顯著高于MVI陰性組。并且隨著頻率的下降，OSS-pLSL的特異性從53.8%提高到76.9%，還同時保留著94%的高靈敏度，30 Hz被推薦為診斷MVI的最佳頻率。但肝纖維化程度是否會影響其診斷準確性,還需要在大樣本中加以驗證。此外，瘤周OSS-pLSL比其他MRI功能成像掃描速度更快、觀察者間一致性更高，更容易整合到常規MRI中，這有助于提高術前對MVI的檢測。利用MRE特征評估MVI是一種創新，也是一種挑戰，在未來需要開發更靈敏的MRE序列，將MRE成像特征和臨床特征結合起來，建立一個更準確的預測模型。

3 核醫學

核醫學功能成像可以反映腫瘤組織代謝情況，是其他常規影像學檢查難以企及的優勢。18氟脫氧葡萄糖正電子發射計算機斷層掃描(18F-FDG PET/CT)是一項評估HCC患者MVI的頗具前景的檢查方式。國外一項多中心研究[20]測量了158例巴塞羅那(BCLC)分期為0期或A期的HCC患者最大標準化攝取值(SUVmax)，以及正常肝臟的平均SUV(SUVmean)，通過計算其比值(TLR= SUVmax/SUVmean)來測定腫瘤FDG親和力。結果顯示，TLR、血清甲胎蛋白水平(AFP)和腫瘤大小與MVI存在顯著相關，并且TLR診斷效能最高(AUC=0.704)。腫瘤的FDG親和力是一個與腫瘤復發相關的侵襲性生物學指標，通過分析TLR來反映FDG親和力，可以減少機構間或觀察者間差異所引起的SUV測量不準確，更具有客觀性。此外，Celebi等[21]發現18F-FDG PET/MRI成像測量腫瘤SUVmax與MVI具有相關性，但目前關于18F-FDG PET/MRI評估MVI的研究罕見，未來還需要更多的研究以驗證其臨床應用價值。但核醫學設備在部分偏遠地區和縣級醫院開展受限，難以普及。

4 超聲

超聲檢查無創、經濟并且操作簡便，超聲聯合AFP是肝癌的一線篩查手段，但超聲檢查畢竟是一項操作性檢查，可能會造成一定的偏倚。最新一項前瞻性研究[22]，對納入的287例HCC患者均行常規超聲、超聲造影(contrast-enhanced ultrasound, CEUS)以及剪切波彈性成像(shear wave elastography,SWE)檢查，其結果顯示，腫瘤直徑、回聲、形狀、動脈期瘤周增強和門靜脈期強化水平是MVI的獨立預測因素。這表明多模態超聲特征是術前預測MVI有效的影像學標志物。但是，先前的一項研究[23]卻聲稱包括強化水平、強化均勻性、強化邊界和供血動脈在內的5項CEUS特征與MVI不具有統計學意義。目前，超聲檢查在MVI評估方面的文獻報道較少，評估指標存在爭議，這可能是因為機器設備差異及操作者經驗水平限制了超聲檢查在MVI評估中的應用。此外，該研究[22]現有的SWE研究并未發現顯著差異，未來利用放射組學研究可能挖掘出SWE對MVI的預測價值。

5 影像組學及深度學習

隨著人們對影像學及人工智能的探索不斷深入，影像組學在HCC的診斷、療效評估及預后方面備受關注。影像組學[24]將大量影像特征轉換為可挖掘的數據，以幫助臨床實現患者個體化治療的目的。

先前的研究發現基于CT、MRI、18F-FDG PET/CT以及超聲檢查的影像組學在預測MVI方面都表現出了巨大的潛力。Li等[7]研究發現，基于多期相CT圖像的紋理分析可用于預測HCC的MVI，其中最有價值的參數來自灰度運行長度矩陣。但目前，紋理分析的特征提取、選擇算法還沒有統一的標準，如何標準化是一個難題，以及哪些特征提取、選擇算法能夠更準確地預測MVI，需要廣泛的臨床研究和驗證。一項最新研究[25]利用MRI動脈期圖像分別對瘤內、瘤周組織進行直方圖分析，結果表明，瘤周的均值、中位數、峰度與小HCC組(HCC≤3 cm)的MVI有關；瘤周的均值、中位數、標準差與HCC>3 cm組的MVI相關；而瘤內的直方圖特征無顯著性差異。但是該研究并未導入T2WI和DWI等其他多參數，只分析了腫瘤的最大橫截面積，其結果可能存在偏倚。有研究表明[26]，結合了臨床危險因素的18F-FDG PET/CT 影像組學諾模圖可用于評估BCLC 0期及A期HCC患者的MVI狀態和無病生存期，這意味著在很大程度上有助于臨床指導治療和預后評估。Hu等[23]回顧性分析了482例行CEUS檢查的HCC患者，結果發現結合了AFP、腫瘤大小以及影像組學評分的諾模圖對MVI的預測性能(AUC=0.731)優于臨床特征諾模圖(AUC=0.634),說明影像組學評分提高了對MVI的預測效能。一項基于Gd-EOB-DTPA增強MRI的多中心研究[27]，根據病灶不同范圍(瘤內和瘤內+瘤周)以及三種MRI序列(T2WI、動脈期和肝膽期)和融合序列(三種序列的組合)，分別建立了8個影像學模型，并開發了臨床-影像學特征(CR)模型和臨床-影像學-影像組學特征(CRR)模型的諾模圖。結果表明，基于融合序列的瘤內+瘤周影像組學模型預測效能最好，并且CRR模型諾模圖的診斷效能優于CR模型和最佳影像組學模型。此外，有研究發現基于增強CT成像的CRR模型在評估MVI方面診斷效能同樣表現良好[28]。這表明臨床特征、影像學以及影像組學特征結合的多模態成像在MVI評估中具有顯著優勢，是未來的研究趨勢。

深度學習(deep learning, DL)[29]指的是人工智能構建的一種模擬人體大腦的學習和分析的神經網絡，是影像組學的創新發展形式。三維卷積神經網絡(three-dimensional convolutional neural network, 3D CNN)的DL模型，比傳統的二維卷積可提取更多的醫學影像時空特征信息，或許在評估MVI方面更加出色。一項研究表明[30]基于CT圖像的3D CNN預測模型在內部驗證集中具有較高的診斷效能(AUC=0.91)，說明了3D CNN模型在預測MVI方面具有廣闊的發展前景。Zhang等[31]利用3D CNN建立了基于多參數MRI圖像的四種DL模型，包括3種基于單序列的單層模型和結合了3個序列的融合模型。結果顯示，結合T2WI、T2-SPIR和PVP圖像的融合模型在預測MVI方面比三種單層模型診斷性能更好。DL模型在圖像自動識別方面比傳統影像組學分析具有更高的效率和準確性。然而，DL模型規模復雜，需要進行海量的數據分析，當數據集規模較小時，3D CNN可能會出現過擬合。因此未來在將3D CNN轉化為臨床應用之前，需要更大數據的驗證。

6 小結與展望

研究現狀表明術前影像學評估MVI取得了一定的進展，但仍具有挑戰性，存在著不同研究結論不一致、參數以及算法缺乏標準化、掃描和操作方式缺乏統一化等問題，且絕大部分研究樣本量較小，缺乏前瞻性、以及多中心的驗證。從目前可用于評估MVI的影像學檢查方式而言，MRI因其獨特的肝臟特異性造影劑及功能成像的優勢，可作為一種頗具前景的術前MVI預測方法，其有望在未來投入到更為廣泛的運用中去。未來關于術前影像學評估MVI的研究可能需要從獨立的單一成像方式轉變為多模態成像研究，將臨床、影像學以及影像組學特征，以及深度學習等充分結合起來，建立更加準確的預測模型，以提高HCC患者精準醫療水平。