胸腺瘤CT影像組學研究進展

杜夢穎，楊峰

湖北醫藥學院附屬襄陽市第一人民醫院 放射科，湖北 襄陽 441011

引言

胸腺瘤作為胸腺上皮腫瘤的主要疾病類型，在亞洲人中的發病率稍高于其他種族，近年來在我國的發病率呈逐漸上升的趨勢[1-2]。根據2015 年WHO 分類體系[3]和Jeong 簡化分類[4]，將胸腺瘤分為低危組（A 型、AB型和B1 型）、高危組（B2 型和B3 型）和胸腺癌組（C 型）3 組。不同分組之間的治療策略不同，預后也不同。低危組通?？梢酝耆谐⒖蛇x擇微創或開胸等手術方式，而且通常術后無須輔助放化療，而高危組胸腺瘤和胸腺癌選擇完全切除和微創的概率更小，需要結合手術、放療和化療的多學科治療[5-6]。此外，低危組胸腺瘤的5 年和10 年總生存率明顯高于高危組胸腺瘤[7]。因此，術前了解胸腺瘤的危險分類將有助于患者手術方式的選擇和治療計劃的制定，改善預后。

穿刺活檢是胸腺瘤診斷的“金標準”，但其作為一種侵入性手術，會增加腫瘤包膜破裂和胸膜種植的風險[5]。CT 是診斷胸腺瘤最重要的影像學方法，傳統影像學診斷多采用經驗性、觀察性指標而非客觀、量化指標，在胸腺瘤與前縱隔其他病變的鑒別診斷中，以及胸腺瘤各亞型之間的區分中，存在一定局限性[8-9]。CT 影像組學則是將醫學圖像轉化成為可挖掘的高維數據，利用機器學習算法對紋理特征進行提取和分析，并與臨床、病理等資料相結合構建預測模型，能在術前無創、客觀、便捷、可重復地評估胸腺瘤的侵襲程度[10-11]。

1 影像組學的概念及工作流程

影像組學[12]通常是指從數字醫學影像圖像的感興趣區（Region of Interest，ROI）中提取海量影像組學特征并通過機器學習算法進行定量分析，于2012 年由Lambin 等[13]首次提出，其思想來源于腫瘤異質性，最終目標是生成成像生物標志物作為臨床決策支持工具。影像組學的主要工作流程[14]可分為圖像采集、圖像分割與勾畫、特征提取、特征篩選與降維、建立模型及數據分析等5 個步驟。在精準醫學的新時代，影像組學是一個新興的轉化研究領域，提出了從醫學圖像中提取的定量信息與臨床數據之間的新關聯。目前，CT 影像組學研究在腫瘤良惡性鑒別、侵襲程度預測、臨床分期、療效評估及預后隨訪等方面都效果顯著[15-16]。

2 CT影像組學在胸腺瘤中的應用

2.1 輔助鑒別診斷

前縱隔病變種類多樣、復雜，其CT 圖像特征存在差異，但并不具有特異性，肉眼常難以準確區分及鑒別診斷[17]，無法幫助臨床制定合適的治療方案。因此，需要一種便捷、特異的識別方法來幫助鑒別。謝宇航等[18]提出一種基于CT 平掃圖像提取大量量化的影像組學特征并利用機器學習中隨機森林（Random Forest，RF）的Bomta 算法，以區分胸腺瘤與前縱隔其他病變，經過多重步驟降維后最終選擇4 個差異有統計學意義的影像組學特征；受試者工作特征（Receiver Operating Characteristic，ROC）曲線分析顯示4 個組學特征聯合檢測的曲線下面積（Area Under Curve，AUC）值為0.881，敏感度和特異性分別為75.4%、89.6%，表明基于CT 平掃的影像組學特征對于胸腺瘤及其他前縱隔病變的鑒別診斷有一定的價值及應用潛力。李涵翰等[19]基于術前CT 平掃和動脈期、平衡期3 期圖像中提取病變的影像組學特征，通過ROC 曲線分析得出WavEnLLs4、WavEnLLs3、WavEnLLs2 等3 種紋理參數對鑒別前縱隔淋巴瘤和胸腺瘤的診斷價值最高（敏感度為86.67%～93.33%；特異性為100%)，并且研究結果表明基于平掃CT 圖像的組學模型對2 種疾病的鑒別價值比基于增強CT 圖像的組學模型更高，分析其原因，可能是平掃圖像中病灶內血池沒有對比劑的干擾，從而提供了相對較多的紋理差異。葉勇軍等[20]的研究發現，基于CT 平掃的影像組學列線圖模型可以鑒別高密度胸腺囊腫和低危胸腺瘤，可避免將胸腺囊腫誤診為胸腺瘤而切除。Liu 等[21]也同樣利用影像組學列線圖來鑒別胸腺囊腫和B1、B2 型胸腺瘤，該研究基于CT 平掃和增強圖像分別建立2 個Radscore 模型，結果發現增強CT 組合模型在訓練集和測試集的AUC 值（0.941、0.938）均高于平掃CT 組合模型的AUC 值（0.933、0.928），表明CT 增強圖像的影像組學特征比CT 平掃圖像更能反映胸腺囊腫的內部異質性。莫展豪等[22]基于靜脈期胸部增強CT 圖像影像組學特征構建模型來鑒別胸腺瘤與其他前縱隔腫物，選擇Logistic 回歸（Logistic Regression，LR）作為特征選擇分類器，最終篩選出19 個影像組學特征構建預測模型，訓練集（AUC：0.89）和驗證集（AUC：0.85）都顯示出良好的預測能力，可在一定程度上幫助建立臨床治療策略。

以上研究表明，作為一種定量方法，CT 影像組學特征分析可以提供補充的診斷信息，幫助識別醫學圖像中人眼無法察覺的細微差異。利用CT 影像組學建立預測模型能夠對前縱隔病變進行準確鑒別，這種新技術可以克服傳統影像特征定性解釋的局限性。

2.2 預測侵襲程度

胸腺瘤病理分型簡易分為低危組（A、AB 和B1）、高危組（B2 和B3）和胸腺癌組（C）3 組，傳統影像學特征常難以準確區分，因此，如何基于CT 檢查圖像采用客觀、量化的指標對胸腺瘤進行更為準確的風險類別評估，是目前胸腺瘤相關影像研究的重要內容之一[23]。Yasaka 等[24]、Iannarelli 等[25]發現基于CT 平掃圖像的影像組學特征可以區分低危組和高危組胸腺瘤，表明影像組學模型對胸腺瘤進行組織學分型有一定可行性。黃金超[8]對225 例患者CT 平掃圖像進行研究，發現有5 組常規影像學特征在低危組與高危組胸腺瘤中具有相關性（P＜0.05），經SVM 機器學習建模后，影像組學模型測試集AUC（0.701）較臨床模型AUC（0.588）高，因此與常規影像學特點相比，影像組學預測模型具有更高區分高危組與低危組的能力。Feng 等[26]的研究證明，臨床特征的加入可以進一步提高影像組學模型的分類效率，該研究基于509 例患者CT 平掃圖像提取的影像組學特征，使用14 種機器學習方法，結合臨床變量建立臨床-影像組學模型，結果發現支持向量機（Support Vector Machine，SVM）模型在預測胸腺瘤風險分類方面表現最佳，測試集AUC 達到0.844（95%CI：0.793～0.894)，高于單組學模型，表明影像組學特征和臨床特征的結合產生了更好的性能。

增強CT 能更好地反映腫瘤的內部血流動力學特點，張明山等[27]認為，胸腺瘤的強化程度與簡化組織學分型具有明顯相關性，增強程度越高，腫瘤的侵襲程度越低，低危組的胸腺瘤可能性更大。因此，利用增強CT 圖像提取影像組學特征或許能更好地反映腫瘤的異質性。沈潔等[28]基于增強CT 影像組學特征鑒別診斷B3 型胸腺瘤與胸腺癌，采用SVM 和RF 2 種方法構建診斷預測模型，發現二者均具有較好的預測潛力（AUC分別為0.81、0.91），其中RF 效果更好。但此研究只對病灶動脈期CT 圖像的最大層面進行二維分割，提取的CT 影像組學特征較局限。相較于二維定量分析，三維勾畫腫瘤ROI 可能提取到不同的影像組學特征以及空間特性，分類精度會有所提高，能更好地反映腫瘤的整體特征[29]。Lee 等[30]通過增強CT 三維重建圖像的形態學分析來區分侵襲性胸腺瘤和非侵襲性胸腺瘤，如胸腺瘤的球形、離散致密度和圓形，研究發現，與單獨的臨床和CT 特征（AUC 為0.666，95%CI：0.626～0.707）相比，三維形狀特征與常規臨床和CT 特征的聯合顯著提高了侵襲性和非侵襲性胸腺瘤的鑒別性能（AUC 為0.955，95%CI：0.935～0.975，P＜0.001)。

Ohira 等[31]從CT 平掃和增強圖像中提取了與低危組胸腺瘤、高危組胸腺瘤和胸腺癌組相關的7 個最重要的影像組學特征：灰度共生矩陣（Gray Level Cooccurrence Matrix，GLCM）同質性、GLCM 能量、致密性、大區域高灰度強調、硬度、短軸長度和峰度，其中，GLCM 能量和硬度對于預測胸腺癌具有高度的特異性，特別是在比較高危胸腺瘤和胸腺癌時，GLCM 能量是與胸腺癌相關的獨立指標，該特征代表了圖像灰度基于體素的變化，可以定量地反映腫瘤的復雜性和異質性。Dong 等[32]的研究證明，聯合增強CT 影像組學特征和臨床變量的機器學習模型建立影像組學列線圖能更有效地預測不同風險胸腺瘤的分類，該研究是從CT 增強圖像中提取影像組學特征，采用最小絕對收縮和選擇算子算法篩選出具有代表性的特征，基于這些特征構建了LR、SVM、RF、決策樹和梯度增強決策樹等5 個胸腺瘤風險預測模型，其中LR 模型表現出最高的AUC 值（0.819），表明其是最優高效模型。

以上研究表明，影像組學模型能夠在一定程度上客觀有效地區分胸腺瘤的病理分型，臨床及CT 影像學特點聯合影像組學特征的模型性能更佳，CT 增強圖像及三維立體勾畫能使提取的影像組學特征更加豐富，所得預測模型更加完善、全面。此外，選擇合適的機器學習方法對于建立一個更精確和臨床適用的模型尤為重要。

2.3 評價臨床分期

臨床上應用最廣泛的胸腺上皮腫瘤分期系統包括Masaoka-Koga（MK）分期和TNM 分期，將Ⅰ、Ⅱ期定義為早期，Ⅲ、Ⅳ期定義為進展期[33]。早期胸腺瘤僅局限在胸腺或浸潤縱隔胸膜周圍的脂肪組織，進展期胸腺瘤通常會侵犯進入鄰近的器官和血管，甚至發生遠處轉移[34]。胸腺瘤術后MK 分期對評估手術風險非常重要，以往一些研究表明，新輔助治療為Ⅲ期胸腺瘤患者提供了生存益處[35]。因此，胸腺瘤MK 分期的術前預測可以指導新輔助治療的決定。

Marom 等[36]認為，CT 成像特征可以區分MKⅠ/Ⅱ期和MK Ⅲ/Ⅳ期胸腺瘤。然而，僅通過肉眼識別CT 圖像上的腫瘤對周圍組織的浸潤具有挑戰性。Wang 等[37]基于平掃和增強CT 圖像的影像組學分析鑒別早期胸腺瘤和進展期胸腺瘤，使用3D slicer 軟件勾畫ROI 并提取影像組學特征，使用最小絕對收縮和選擇算子法邏輯回歸模型和10 倍交叉驗證進一步進行特征選擇和放射組學特征構建，研究發現基于CT 平掃圖像構建的模型（AUC 為0.829）和基于CT 增強圖像構建的模型（AUC 為0.86）具有良好的預測效能，其判斷的準確度優于放射診斷醫生。Yang 等[34]利用CT 平掃圖像來預測胸腺瘤分期Ⅰ期及Ⅱ期，通過2 種分割方法（細分標簽分割法及邊界標簽分割法）建立的人工神經網絡深度學習預測模型AUC 值分別為0.966、0.951，均高于通過傳統CT 征象建立的預測模型，表明影像組學特征在預測胸腺瘤臨床分期方面優于CT 特征，該研究得出結論，深度學習在胸腺瘤術前分期方面具有巨大潛力，與視覺觀察相比，顯著提高了MK Ⅰ期和Ⅱ期胸腺瘤之間的識別能力，可以幫助指導手術治療并改善臨床結果。

在預測胸腺瘤TNM 分期中，Araujo-Filho 等[38]基于增強CT 圖像，使用ITK-SNAP 軟件勾畫ROI，使用CERR 軟件提取影像組學特征，通過LR 建模，最終影像組學模型AUC 值為0.708，表現良好。此外，該研究還構建了預測胸腺瘤可切除性的模型，根據術后邊緣是否殘留腫瘤組織分為完全切除組及不完全切除組，模型AUC 值達0.803，有較好的預測效能。

以上研究表明，影像組學模型對胸腺瘤臨床分期具有很好的預測效能，其判斷的準確度優于傳統CT 特征，還可以預測胸腺瘤完全切除的可能性，為臨床提高幫助。

3 總結與展望

盡管很多研究證實了影像組學在胸腺瘤相關領域中的價值，但其作為一種新興研究方法，目前處于發展階段，仍存在一些問題和局限性。首先，大部分研究都是單中心小樣本研究。影像組學的研究需要大量的樣本數據來建立準確的模型，但是，獲取大規模樣本存在一定困難，而且單中心研究缺乏外部驗證，無法保證模型的穩定性和可重復性。未來可以采取多中心合作，通過多個醫療機構共享數據，增加樣本數量，促進研究者之間的合作，共同建立更大規模的數據庫。其次，醫學影像數據的質量和紋理特征的準確性對于影像組學研究至關重要，然而，數據可能存在噪音、偽影或缺陷，且手動勾畫費時、重復性差。這些可以通過嚴格的質量控制和使用一致性檢驗來確保數據的準確性和一致性，開發自動化的圖像分割工具來提高效率。最后，近年來CT 影像組學在胸腺瘤鑒別診斷、組織學分型、臨床分期研究較多，也取得了一些成果，但在胸腺瘤療效評估、預后預測及基因組學方面的研究較少，未來研究方向可涉及以上胸腺瘤相關領域，使胸腺瘤相關研究更加全面，爭取盡早在臨床實踐中進行推廣應用。