影像组学在宫颈癌影像学评估的应用

导语：影像组学在宫颈癌影像学评估的应用一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

【摘要】影像组学是一项从大量的医学影像数据中提取图像定量特征，经过量化分析处理后进行疾病的诊断和预测的新兴技术，在宫颈癌的影像组学是一项从大量的医学影像数据中提取图像定量特征，经过量化分析处理后进行疾病的诊断和预测的新兴技术，在宫颈癌的分期、治疗、预后判断等方面有广阔的应用前景，与传统影像学融合有助于提高临床医生对宫颈癌的诊断和预测复发及转移能力，从而合理制定治疗计划以减少肿瘤复发转移风险。本文将对国内外影像组学应用于宫颈癌影像学评估中的研究进展做一综述。

【关键词】影像组学；宫颈癌；综述

随着医学影像大数据与临床辅助诊断技术的快速发展，影像组学技术通过从患者的医学影像资料中提取出大量影像学特征来量化疾病相关指标，经过分析可以帮助解决因肿瘤异质性而难以定量评估的一些临床问题，因而具有重要的临床应用价值。以下将介绍影像组学技术，阐述影像组学的基本概念、处理流程及其在宫颈癌影像学评估中的应用前景、未来的发展方向及挑战。医学影像技术的起始最早可追溯到1895年，德国物理学家伦琴发现X线[1]，而影像组学这一概念最早于2010年提出，其影像学特征信息具有潜在的肿瘤诊断、预后与预测价值。目前，影像组学在肿瘤的筛查、诊断、分期、放疗靶器官勾画等方面已经有相对成熟的应用[2]，特别是在肺癌、乳腺癌筛查中也发挥着重要的作用[3-4]。

1宫颈癌的诊疗及影像表现

宫颈癌在我国的恶性肿瘤的女性患者中发病率较高且有明显上升趋势[5]，在妇科恶性肿瘤的发病率中亦是最高，是危害我国女性健康的重要疾病之一。MR影像是目前正在不断普及的宫颈癌影像学诊疗手段，具有更好的软组织分辨率，可多方位、多序列成像，对宫颈癌的诊断和分级分期显著优于其他影像检查。在MR图像中，宫颈癌的影像学表现为宫颈形态不规则，密度不均匀。增强扫描时，宫颈癌表现为早期早于宫颈肌层迅速强化，强化曲线呈快进慢出、持续强化。T2WI序列的宫颈间质环中断是判断宫颈肌层及宫旁受侵的指征，结合带的完整性是判断宫颈肿瘤是否浸润肌层的重要标志。研究认为，宫颈癌在T2WI图像上呈稍高信号或高信号，与周围组织分界明显，更易取得其组学特征，在影像组学应用中有较高的价值[6]。融合组学算法，能够研究宫颈癌肿瘤内部特征及肿瘤异质性，有助于探索肿瘤和图像间更深层次的联系。

2影像组学的工作流程

2.1图像采集

影像组学的图像来源于患者在诊疗过程中采集到的CT、MR、PETCT等图像序列，高质量、标准化的图像采集也更有利于得到准确可靠的预测结果。

2.2图像分割

通过在采集到的图像中勾画出感兴趣区（ROI），将图像中需要重点研究的区域标记出来。计算机自动、半自动、手动分割等都是目前常见的图像分割的办法。宫颈癌的图像分割仍以临床医生手动分割为主，计算机辅助勾画和自动勾画技术也正逐渐成熟[7]。

2.3特征提取和筛选

这一步是采用多样化的统计分析和数据挖掘方法从大批量ROI图像信息中提取和剥离出真正起作用的关键信息，将所选择的特征降维后再筛选出其中的有效特征。影像组学特征主要包括外形特征、一阶直方图特征、二阶直方图、纹理特征，或将图像用滤波器处理后建立有关模型[8]，还有一些来源于特定图像的影像组学特征等。其中常用的特征提取和筛选方法有LASSO筛选、最大相关最小冗余（mRMR）、主成分分析法（PCA）等[9]。

2.4建立模型

将筛选出的影像学特征进行整合统计后，找到少数真正有关键意义的特征，建立起数学模型并加以验证。Logistic回归模型是目前最为常用的一类监督分类器。常用的机器学习模型还有支持向量机、人工神经网络、聚类分析、随机森林、交叉验证、自举法、回归模型等[10]。

3影像组学在宫颈癌诊疗中的应用

经过局部放疗和全身化疗的宫颈癌患者，可以观察到肿瘤的远处转移和复发都能得到有效控制。而在制定宫颈癌患者的治疗计划和随访策略时，确定肿瘤远处转移和复发的预测因素就显得更为重要。淋巴结转移是宫颈癌复发的预测因素之一，也能够作为宫颈癌术后放疗的适应证之一。Li等[11]分析了153例Ⅱa～Ⅱb期宫颈癌的盆腔淋巴结转移患者的MR图像，认为基于ADC图像的影像组学模型能够发挥一定的预测作用。实验中宫颈癌患者的临床分期、MR图像中的灰度不均匀性等影像组学特征在训练组和验证组中表现出良好的预测性能，其中MR图像的影像组学特征模型的预测性能较其他单因子性能更优。因而在预测Ⅱa～Ⅱb期宫颈癌的淋巴结转移方面，从原发病变ADC图像中提取的纹理特征有着良好的预测效能。Kan等[12]联合T2WI及DCE序列纹理特征，基于143例宫颈癌患者MR图像提取出超过900个影像组学特征及7个临床特征，淋巴结是否转移可通过影像组学特征进行有效区分。通过为宫颈癌患者在术前评估其淋巴结的转移情况，多序列MR影像组学特征可以为早期宫颈癌患者的治疗决策提供帮助。CT-MR、超声-MR等图像融合技术的应用也有助于提高影像诊断的准确率。在一项宫颈癌的DCE-MRI特征数据分析实验中，药代动力学参数具备了较高的精度和一定的诊断意义，体现了影像组学在肿瘤生物学领域蕴含的发展前景[13]。Reuze等[14]在一项晚期宫颈癌患者的回顾性研究中，提取并分析了118例接受局部放化疗患者的纹理特征，如低灰度区突出和高灰度区突出、峰值标准化摄取值、同质性等，发现这些特征在预测晚期宫颈癌治疗后的局部复发具有一定作用。Lucia等[15]利用宫颈癌患者的PET-CT和MR图像纹理特征建立模型预测接受放化疗后的复发情况。经实验验证，DFS模型达到90%的准确率，法国及加拿大队列的LRC模型的准确率也分别达到98%、96%。临床医生通过影像组学能够更准确地预测宫颈癌患者治疗后的复发风险，从而能够更有针对性地制定出个体化的诊疗方案，提高宫颈癌患者的生存率。

4影像组学研究及其在宫颈癌影像的应用中仍存在的问题

4.1肿瘤生物学特征方面

宫颈癌肿瘤的生物学特征存在较大差异，如病理类型、分期分型、位置形态等，目前的研究进度不一，主要集中于宫颈癌的鉴别诊断及其预后评估、生物学行为评价等方面。

4.2图像应用方面

宫颈癌图像的采集、感兴趣区勾画分割、特征提取、统计学建模等尚无统一的标准和规范。影像特征经不同的统计手段和筛选方法得出的结果也会产生一定差异，需要更多的研究选择出最为可靠的方法。

4.3数据处理方面

目前大多数的回顾性研究样本数量有限，宫颈癌影像组学阈值标准的设定受到限制。预测模型的过拟合风险可能随着算法的复杂度增加，在人群中的验证、测试和应用中产生限制[16]。

4.4模型的可解释性及语义方面

影像组学中多数的纹理特征不能赋予有效的生物学、病理学意义，缺乏确切的医学术语描述和标准化语义规范，限制了其进一步的医学研究和临床运用。

5影像组学在宫颈癌中的应用展望

综上所述，宫颈癌的影像组学分析技术虽然可能永远不会取代目前作为临床金标准的病理分析，但能有效辅助评估宫颈癌肿瘤的固有异质性。宫颈癌的诊断、生物学行为评价、治疗反应与疗效评估中正越来越多地见到影像组学技术的参与。与传统影像技术相比，影像组学更能够定量评估宫颈癌肿瘤空间上的异质性，可重复性更强，还能够提供更多的有效信息[17]。未来影像组学在宫颈癌诊疗潜在的应用方向有：通过三维虚拟重建宫颈局部横截面图像，获取用于精确的手术计划和放化疗评估的宫颈癌病灶及瘤周相关的信息；宫颈癌放疗反应的预测模型建立；放射性药物的靶向分子成像等等。我们期待影像组学与基因组学等其它各种组学相结合，为优化医疗决策、推动精准医学的发展尤其是肿瘤的个体化医疗提供新的发展方向。

作者：朱鑫宇 徐晓婷 单位：苏州大学附属第一医院放疗科