影像組學在腮腺腫瘤中的應用進展

馬麗 張繼 楊丹

腮腺是人體唾液腺中形態最大的一對，其生長的腫瘤類型較多，常見的有多形性腺瘤（Pleomorphic adenoma，PA）、腺淋巴瘤（Adenolymphoma，AL）、基底細胞腺瘤、黏液表皮樣癌、腺樣囊性癌、涎腺導管癌等。手術治療是腮腺腫瘤的常規治療方法，腫瘤所在部位、性質對手術方案選擇及預后影響較大，因此腫瘤的術前定性診斷尤為重要。由于細針穿刺活檢易產生瘤細胞種植，且細胞學檢查有時難以區分一些良惡性病變[1，2]，影像學檢查成為了術前診斷的重要手段。傳統的醫學影像診斷從圖像上獲取的信息有限，并且由于腮腺腫瘤的病理分型復雜、部分腫瘤影像學表現不典型或互有重疊，容易造成誤診[3]。近年來隨著人工智能技術的發展，影像組學作為一種將人工智能與臨床及影像資料結合的方法，越來越多地被應用于腮腺腫瘤的鑒別診斷和預后方面。現將影像組學的相關概念及其在腮腺腫瘤中的應用進展綜述如下。

1 影像組學的基本概念

影像組學旨在開發決策工具，即通過計算機定量提取大量肉眼無法獲得的信息，進行數據分析、處理和建立模型，為臨床決策提供支持。可分為以下5 個操作流程：①數據采集：根據研究目的收集影像學資料并進行預處理，如增強對比度、去噪、裁剪等，使圖像具有一致性；②圖像分割：即從圖像中獲得感興趣區域，可分為手動分割、半自動人機交互和全自動圖像分割3 類。目前結合深度學習技術的圖像分割算法已逐漸應用于該領域，包括基于全卷積神經網絡、基于U-Net 網絡及其變體和基于特定設計思想的分割算法，如多任務學習、多模態融合、多階段級聯和特征增強的算法等[4]。③紋理特征提取：此方法主要有統計法、頻譜法、模型法和結構法。統計法通過統計圖像的空間頻率、邊界頻率以及空間灰度依賴關系等分析紋理，目前應用最為廣泛，包括灰度直方圖、灰度共生矩陣、灰度運行長度矩陣和灰度區域尺寸矩陣、邊緣頻率法、自相關函數法等；頻譜法主要利用頻率特性來分析紋理特征，主要包括傅里葉變換法、Gabor 濾波法和小波變換法；模型法是運用統計、信號分析等理論中的方法進行分析獲得紋理特征，主要包括馬爾科夫隨機場模型、分形模型；結構法目前應用較少[5～7]。使用上述方法提取的特征可分為一階、二階及高階統計量，分別反映圖像的形狀、體素的強度和相互空間作用等信息。④特征篩選和降維：使用不同方法得到的紋理特征有成百上千個，存在許多與研究無關或微弱相關度的特征，且部分特征間的重復過高，容易導致模型的過擬合，因此必須對特征進行篩選、減少特征維度。常用的有單因素方差分析、Wilcoxon 秩和檢驗、Spearman 秩相關分析等統計學方法，Fisher 系數（Fisher's coefficient）、分類誤差概率與平均相關系數（Probability of classification and average correlation coemcient，POE ＋ACC）、互信息（Mutual information，MI）等數據降維方法，回歸模型、支持向量機（Support vector machine，SVM）、K 最近鄰（K-nearest neighbor，KNN）、隨機森林（Random forest，RF）等多種機器學習方法；⑤建立模型：利用篩選出的特征和臨床指標建立模型，判斷疾病的性質、分型、分期及預后。目前常用的判別分析和模型建立方法有原始數據分析（Original data analysis，RDA）、主成分分析（Principal component analysis，PCA）、線性判別分析（Linear discriminant analysis，LDA）和非線性判別分析（Non-linear discriminant analysis，NDA）、邏輯回歸（Logistic regression method，LR）、套索算法（Least absolute shrinkage and selection operator，LASSO）、SVM、KNN、RF、決策樹、貝葉斯算法、卷積神經網絡等。

2 影像組學在腮腺腫瘤診療中的應用

2.1 CT 影像組學在鑒別腮腺腫瘤中的作用目前已有不少研究將紋理分析技術應用于腮腺腫瘤的鑒別中。任思桐[8]發現，在CT 平掃圖像上進行紋理分析可以鑒別腮腺良惡性腫瘤、PA 和AL、AL 和基底細胞腺瘤，受試者工作特征曲線下面積（Area under curve，AUC）值均大于0.8。趙厚亮等[9]分析了CT 增強動脈期圖像，發現利用平均值參數鑒別PA 和AL 的靈敏度、特異度、準確度可達89.3%、93.7%、91.4%，使用多參數聯合分析時AUC 均大于0.9。Zhang 等[10]同樣使用CT 動脈期圖像進行紋理分析鑒別PA 和惡性上皮腫瘤，結果顯示能量與均值聯合的AUC 達0.88。另有學者發現，增強CT靜脈期總熵是鑒別良惡性腮腺腫瘤的最佳CT 紋理參數，AUC 0.88，靈敏度72.7%，特異度為100%[11]。也有研究表明，CT 增強掃描早期粗濾均值和延遲期中濾熵對PA 和AL 的診斷性能與使用傳統動態增強掃描強化模式鑒別相似，AUC 分別為0.944、0.901[12]。以上研究均證實了利用CT 紋理分析預測腮腺腫瘤組織學的可行性。然而各增強掃描研究中有鑒別意義的紋理參數各不相同，分析原因可能與掃描層厚和增強掃描時間不同有關。

在紋理分析的基礎上建立影像組學模型對腮腺腫瘤進行分類已成為當前的研究熱點。有學者發現，從CT 增強圖像上提取多個紋理參數建立的LR 模型能夠準確對黏液表皮樣癌進行分級[13]。Zheng 等[14]從CT 平掃圖像提取特征并將臨床因素和放射組學評分相結合制作列線圖來預測腮腺良性淋巴上皮病變和黏膜相關淋巴組織淋巴瘤，結果顯示列線圖的準確性優于單獨臨床因素和放射組學評分模型。余先超等[15，16]對CT 平掃和增強圖像使用RDA、PCA、LDA 和NDA 四種判別方法結合Fisher 系數、POE+ACC 和MI 三種數據降維方法對PA 和AL 建立影像組學模型，結果顯示MI 降維方法在平掃中比其他兩種方法更好，而Fisher 方法在增強圖像更優，平掃和增強圖像上PCA 和RDA 的錯誤率更低，使用MI/RDA、MI/PCA 和Fisher/RDA、Fisher/PCA 方法能夠更好地鑒別這兩種腫瘤。從這些研究可知，基于CT 的影像組學分析在腮腺腫瘤的鑒別診斷方面具有巨大潛力和較高的應用價值。

2.2 MRI 影像組學在鑒別腮腺腫瘤中的作用MRI紋理分析同樣可以反映腫瘤內部的異質性。Nardi等[17]發現，在ADC 圖像上獲得的紋理參數對腮腺上皮性惡性腫瘤和淋巴瘤診斷的準確度可達93%。雷曉雯等[18]同樣發現，ADC 圖像上獲得的多個紋理參數有助于PA 和AL 的鑒別診斷，其中第10 百分位數對應的鑒別診斷效能最高，AUC 為0.913。也有學者從T2WI 圖像上獲取紋理參數，發現PA的第1 百分位數及第10 百分位數均高于惡性腫瘤，第10 百分位數最具鑒別診斷效能，AUC 為0.70[19]。

不少學者利用多模態MRI 影像組學模型鑒別PA 和AL，Michela 等[20]的研究表明，從T2WI圖像提取特征后使用SVM 模型鑒別PA 和AL，其靈敏度、特異度和準確度分別高達0.8695、0.9062和0.8909。吳艷等[21]同樣基于T2WI 圖像提取影像組學特征后利用RF 模型對二者進行分類，其模型也表現出良好的效能，在訓練組中的AUC 為0.93±0.05，在驗證組中為0.74。Song 等[22]通過LR 和SVM 方法對T1WI、T2WI 和T1-2WI 結合的圖像分別建立放射組學模型來鑒別PA 和AL，結果顯示T1-2WI 結合構建的兩種模型效果最好，訓練組和驗證組的AUC 均大于0.9。彭媛媛等[23]對T1WI 增強圖像采用Fisher 系數法聯合MI 和最小分類誤差與最小相關系數法進行數據降維后RDA、PCA、LDA 和NDA 四種判別方法，對比發現NDA鑒別PA 與AL 的錯判率最低，優于主觀閱片和其他分類方法。以上研究證明，基于多模態MRI 圖像建立不同影像組學模型可以實現對PA 和AL 的鑒別診斷。

影像組學模型對鑒別腮腺良惡性腫瘤同樣具有較高的價值。Fruehwald 等[24]在STIR、T1WI 平掃和增強圖像上分別提取放射組學特征建立模型，發現三種序列對良惡性病變的鑒別均優于對PA 和AL 的鑒別。Shao 等[25]從DWI 圖像中提取特征后建立LR、SVM 和KNN 三種分類模型鑒別PA、AL和惡性唾液腺腫瘤，結果發現，無論在訓練組還是測試組，三種模型對惡性唾液腺腫瘤的診斷均具有最高的AUC 值。

除了影像組學特征外，也有不少研究將臨床因素納入MRI 影像組學模型。Sarioglu 等[26]發現，在傳統MRI 表現中加入紋理參數有助于PA、AL 和黏液表皮樣癌的鑒別診斷。有學者從T1WI 和T2WI圖像提取特征鑒別腮腺良惡性腫瘤，發現采用臨床因素和放射組學評分相結合制作的列線圖在訓練組和驗證組的AUC 值均優于單獨的臨床因素模型和放射組學評分[27]。Liu 等[28]的研究也證實結合臨床因素和T1WI、T2WI 圖像上提取的2D 和3D紋理特征建立的LR 模型對腮腺良惡性腫瘤的鑒別優于單獨臨床因素模型、臨床因素和2D 或3D 紋理特征模型。此外，有研究在建立LDA 和SVM 模型時考慮了良惡性腫瘤的血流灌注信息，將由動態對比增強圖像獲得的半定量分析、藥代動力學、五參數S 型模型的參數和T2WI、ADC 圖像的紋理參數相結合，結果顯示兩種分類器的準確率均為100%[29]。國外有研究證實，MRI 放射組學模型提高了非專科放射科醫生在PA 和AL 鑒別診斷方面的診斷性能，實現了與亞專科放射科醫生相似的診斷性能[30]。

2.3 影像組學在腮腺腫瘤手術及預后方面的作用腮腺惡性腫瘤的分期和組織學風險是臨床預測患者生存和疾病復發的主要因素，但不同患者間的療效和預后差異較大，因此預后分層對個體化管理非常重要。Cheng 等[31]在85 例高危涎腺癌患者的18F-FDG PET/CT 圖像上提取紋理并建立的Cox 回歸模型可以提供風險分層信息，更好地預測患者預后。此外，應用18F-FDG PET/CT 放射組學對小涎腺癌的總生存期和無復發生存期建立的Cox 回歸模型比AJCC 分期、WHO 分類和目前可用的列線圖具有更高的預測能力[32]。在預測腮腺良性腫瘤手術后的面神經麻痹方面，Chiesa 等[33]發現KNN模型的特異性、陰性預測值、F 評分和AUC 值均大于0.9。另外，周培鋒等[34]利用多重線性回歸模型預測PA 的術后送病理直徑，得出模型的AUC 為0.737，能有效指導術中切除腫瘤范圍。這些研究表明，影像組學有望成為改進腮腺腫瘤治療決策的低成本新型工具。

3 影像組學存在的問題

盡管影像組學的應用越來越廣泛，但仍面臨著諸多問題：①影像組學模型的建立大多局限于影像學特征，與免疫組化和基因組學等多學科結合的相對較少；②目前大部分的研究樣本量較小，導致模型的可重復性低；③影像組學的特征眾多，尤其是由頻譜法和模型法得到的特征，其臨床意義難以解釋；④不同設備在圖像采集方法和重建協議上有很大差異，缺乏統一的行業標準、質量控制和數據共享機制，在進行多模態及多中心數據分析時可能導致結果的偏倚；⑤當前大部分研究使用手動分割或半自動分割方式，其耗時久、效率低，且可重復性低，嚴重限制了影像組學在臨床的應用。

4 展望

影像組學作為一個新興的交叉學科領域具有巨大潛力。其在腮腺腫瘤的診斷、預后分析及診療方案的選擇上已取得初步進展，而大數據的共享、定量成像的標準化、自動化圖像分割以及與多學科的結合將成為未來影像組學發展的重要方向。相信通過國內外研究者和放射科醫生的共同努力，影像組學將會在精準化和個體化醫療中發揮更大作用。