前列腺癌影像組學(xué)研究進(jìn)展

呂香凝，任 克

(中國(guó)醫(yī)科大學(xué)附屬第一醫(yī)院放射科，遼寧 沈陽(yáng) 110001)

前列腺癌是男性生殖系統(tǒng)最常見(jiàn)的惡性腫瘤，在歐美國(guó)家位居男性惡性腫瘤發(fā)病率首位[1]。近年來(lái)，隨著血清前列腺特異性抗原篩查普及、人口老齡化加劇及生活方式改變等，中國(guó)男性前列腺癌發(fā)病率呈現(xiàn)明顯上升趨勢(shì)[2]。確診前列腺癌有賴于超聲引導(dǎo)下穿刺活檢，但其具有高侵入性，且易因空間采樣誤差而漏診。近年來(lái)，影像組學(xué)受到廣泛關(guān)注，發(fā)展迅速，已用于診斷腦、肺、乳腺、胃腸道等多種系統(tǒng)疾病[3-6]，通過(guò)深入分析和挖掘圖像特征數(shù)據(jù)，對(duì)指導(dǎo)臨床決策、判斷腫瘤侵襲性和評(píng)估預(yù)后發(fā)揮重要作用[7]，也為前列腺癌風(fēng)險(xiǎn)評(píng)估提供了更安全、更精確的方法[8]。本文對(duì)影像組學(xué)在前列腺癌中的臨床應(yīng)用進(jìn)行綜述。

1 影像組學(xué)概述

2012年，Lambin等[9]正式提出了“影像組學(xué)”的概念，即高通量的影像學(xué)圖像中提取數(shù)據(jù)特征，采用全自動(dòng)或半自動(dòng)分析方法將數(shù)據(jù)轉(zhuǎn)化為可挖掘的高維數(shù)據(jù)庫(kù)。影像組學(xué)是一種定量的醫(yī)學(xué)圖像分析，利用圖像“特征”作為生物標(biāo)記，以幫助檢測(cè)和定位腫瘤以及預(yù)測(cè)治療后反應(yīng)[10]，豐富了對(duì)于圖像數(shù)據(jù)的處理方法，使充分挖掘圖像的大數(shù)據(jù)信息、深層次利用醫(yī)學(xué)影像學(xué)數(shù)據(jù)成為可能。

影像組學(xué)的基本流程包括：①圖像采集、分割，準(zhǔn)確的圖像分割是初始工作流程中的關(guān)鍵步驟，直方圖和矩陣分析等特征均受其影響[11]。醫(yī)學(xué)圖像分割從手動(dòng)分割逐步發(fā)展到半自動(dòng)分割和全自動(dòng)分割。目前全自動(dòng)分割仍然是一項(xiàng)具有挑戰(zhàn)性的任務(wù)，但相信自動(dòng)分割將會(huì)成為未來(lái)影像組學(xué)的主要分割方法[12]。目前很多商業(yè)軟件包可供使用者選擇，如3DSlicer、MIM、ITK-SNAP、MITK及Seg3D2等。Larue等[13]詳細(xì)概述了各種不同軟件包，包括有關(guān)成像技術(shù)類型、圖像預(yù)處理步驟和特征提取等信息。②特征提取、降維，是影像組學(xué)的核心。影像組學(xué)特征包括一階直方圖特征、空間幾何特征、紋理特征和小波特征?？商崛〉挠跋窠M學(xué)特征數(shù)量很大，增加了過(guò)度擬合數(shù)據(jù)的可能性[14]，使得降維和特征選擇成為必不可少的步驟。Parmar等[15]提供了多種數(shù)據(jù)降維方法，并對(duì)其穩(wěn)定性及預(yù)測(cè)性能進(jìn)行了比較。③模型建立，影像組學(xué)的模型建立和回歸分析主要用來(lái)預(yù)測(cè)新樣本，常用的分類器有支持向量機(jī)及神經(jīng)網(wǎng)絡(luò)，常用方法有線性回歸、Logistic回歸、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、COX回歸、樸素貝葉斯和隨機(jī)森林等。深度學(xué)習(xí)主要包括卷積神經(jīng)網(wǎng)絡(luò)、深信度網(wǎng)絡(luò)、多層反饋循環(huán)神經(jīng)網(wǎng)絡(luò)及改進(jìn)模型等，可自動(dòng)從原始輸入數(shù)據(jù)中學(xué)習(xí)分層特征，與傳統(tǒng)機(jī)器學(xué)習(xí)相比具有更高的分類性能。

2 影像組學(xué)在前列腺癌中的應(yīng)用

2.1 影像組學(xué)在前列腺癌中的診斷價(jià)值 多種影像組學(xué)特征可用于診斷與鑒別前列腺癌。Algohary等[16]在其訓(xùn)練集中發(fā)現(xiàn)7個(gè)基于T2WI和ADC圖像的紋理特征在前列腺癌組織與正常組織之間存在差異(P均<0.001)。Sidhu等[17]分析26例前列腺癌患者的前列腺移行帶紋理特征，發(fā)現(xiàn)從ADC和T1WI中提取的峰度和熵是前列腺癌的重要預(yù)測(cè)因子。Kuess等[18]分析了25例前列腺癌患者的多參數(shù)磁共振(multiparametric magnetic resonance imaging，mpMRI)圖像，認(rèn)為所提取的一階和二階紋理特征可用于鑒別前列腺癌與健康組織。Ginsburg等[19]報(bào)道，從移行帶與外周帶中提取的用于癌癥檢測(cè)的紋理特征是不同的，可用于診斷疾病。

2.2 影像組學(xué)與前列腺癌Gleason評(píng)分 Gleason評(píng)分是評(píng)估前列腺癌轉(zhuǎn)移風(fēng)險(xiǎn)的重要標(biāo)準(zhǔn)，前列腺的MRI影像組學(xué)特征可用于預(yù)估Gleason評(píng)分。Fehr等[20]通過(guò)ADC和T2WI紋理特征，實(shí)現(xiàn)了對(duì)Gleason 6(3+3)與≥7、Gleason 7(3+4)與7(4+3)前列腺癌的準(zhǔn)確分類。Nketiah等[21]同樣發(fā)現(xiàn)T2WI紋理特征與Gleason評(píng)分顯著相關(guān)，并可用于鑒別Gleason 7(3+4)與Gleason 7(4+3)前列腺癌。Vignati等[22]觀察45例前列腺癌，結(jié)果顯示對(duì)比度和同質(zhì)性這兩個(gè)二階紋理特征與Gleason評(píng)分顯著相關(guān)。Gnep等[23]以74例前列腺癌患者為研究對(duì)象，發(fā)現(xiàn)28個(gè)T2WI Haralick特征和4個(gè)幾何特征(腫瘤直徑、周長(zhǎng)、面積和體積)與生化復(fù)發(fā)顯著相關(guān)，提示上述參數(shù)可能在未來(lái)臨床決策過(guò)程中發(fā)揮重要作用。但是，Wibmer等[24]報(bào)道，從147例前列腺癌患者DWI中提取的對(duì)比度和同質(zhì)性與Gleason評(píng)分并不顯著相關(guān)，且ADC圖能量(P=0.010 2)和熵(P=0.001 9)在Gleason≤7(3+4)與≥7(4+3)前列腺癌中差異顯著。Rosenkrantz等[25]認(rèn)為ADC熵較ADC值對(duì)Gleason 7(3+4)與Gleason 7(4+3)前列腺癌具有更高的鑒別診斷效能。熵是前列腺癌Gleason評(píng)分的良好生物標(biāo)志物，依據(jù)T2WI和ADC組合特征可對(duì)Gleason評(píng)分進(jìn)行分類。

2.3 影像組學(xué)評(píng)價(jià)前列腺癌治療效果及預(yù)后 Reischauer等[26]分析12例前列腺癌患者的37處前列腺及骨轉(zhuǎn)移灶，發(fā)現(xiàn)全腫瘤體積紋理分析可用于評(píng)估前列腺癌骨轉(zhuǎn)移治療后的反應(yīng)，有3個(gè)一階和6個(gè)二階紋理特征與雄激素剝奪治療(androgen deprivation therapy，ADT)導(dǎo)致的血清前列腺特異性抗原變化有很強(qiáng)的相關(guān)性。Daniel等[27]發(fā)現(xiàn)，在接受ADT的前列腺癌患者中，與常規(guī)直方圖參數(shù)相比，雙參數(shù)MRI紋理特征對(duì)區(qū)分健康組織和腫瘤組織表現(xiàn)出更優(yōu)異的性能。Shidakar等[28]發(fā)現(xiàn)雙參數(shù)MRI放射組學(xué)特征可用于預(yù)測(cè)前列腺癌治療后的生化復(fù)發(fā)，并可輔助判斷治療效果。Abdollahi等[29]提出MRI紋理特征可以預(yù)測(cè)前列腺癌患者的放射治療相關(guān)并發(fā)癥，如直腸放射損傷。Rossi等[30]證實(shí)，將三維劑量學(xué)紋理特征納入前列腺癌放射治療引起的直腸毒性和腎毒性預(yù)測(cè)模型中，可提高預(yù)測(cè)效能。Scalco等[31]則利用紋理分析定量評(píng)估了前列腺癌患者接受放射治療后閉孔肌的變化。迄今為止，僅發(fā)現(xiàn)少數(shù)紋理特征對(duì)前列腺癌患者預(yù)后或生存具有預(yù)測(cè)意義，尚需大量數(shù)據(jù)及更多實(shí)驗(yàn)，以驗(yàn)證影像組學(xué)對(duì)預(yù)測(cè)前列腺癌預(yù)后的價(jià)值。

2.4 影像組學(xué)診斷前列腺癌方法學(xué)進(jìn)展 隨著機(jī)器深度學(xué)習(xí)的發(fā)展，更多新的ROI分割方法、特征篩選方法等用于前列腺影像學(xué)診斷。Tang等[32]提出了一種新穎的三維半自動(dòng)分割前列腺M(fèi)RI的方法，適用于計(jì)算機(jī)輔助手術(shù)或診斷的臨床環(huán)境。Chaddad等[33]提出一種基于聯(lián)合強(qiáng)度矩陣的模型，基于隨機(jī)森林分類器的多變量模型預(yù)測(cè)前列腺癌Gleason評(píng)分，發(fā)現(xiàn)聯(lián)合強(qiáng)度矩陣特征較灰度共生矩陣特征更有優(yōu)勢(shì)。Niu等[34]建立了能預(yù)測(cè)高級(jí)別前列腺癌的紋理分析模型，并發(fā)現(xiàn)提取的紋理特征是可用于評(píng)估腫瘤侵襲性的輔助工具。Khalvati等[35]以支持向量機(jī)分類器對(duì)從實(shí)際臨床mpMRI數(shù)據(jù)集中獲得的40 975個(gè)癌癥和健康組織樣本進(jìn)行訓(xùn)練，認(rèn)為新的mpMRI紋理特征模型(包括T2WI、DWI、高b DWI及相關(guān)擴(kuò)散成像)檢測(cè)癌癥的精度優(yōu)于傳統(tǒng)模型(T2WI+DWI)。目前已有多種基于放射組學(xué)的預(yù)測(cè)模型，用于預(yù)測(cè)前列腺癌分級(jí)、治療反應(yīng)及預(yù)后等，為成功實(shí)現(xiàn)基于放射性組學(xué)的預(yù)測(cè)分析，需要評(píng)估和比較不同特征和建模方法，這也是未來(lái)放射組學(xué)研究的重要方向。

3 影像組學(xué)用于前列腺癌面臨的挑戰(zhàn)

影像組學(xué)是新興的且并不成熟的研究領(lǐng)域，流程中任何一個(gè)單獨(dú)過(guò)程的變化均可能導(dǎo)致結(jié)果變化，其用于前列腺癌尚面臨很多挑戰(zhàn)：①現(xiàn)有數(shù)據(jù)量相對(duì)較少，且多來(lái)自回顧性研究，需要更多前瞻性研究及可重復(fù)性研究，以探索其臨床應(yīng)用價(jià)值；②各研究間影像學(xué)數(shù)據(jù)來(lái)源標(biāo)準(zhǔn)不一、采集參數(shù)不統(tǒng)一、數(shù)據(jù)樣本不平衡、采集協(xié)議不一致等均可能影響最終結(jié)果，制定標(biāo)準(zhǔn)化規(guī)范是未來(lái)的方向；③ROI分割方法不同也會(huì)影響結(jié)果，應(yīng)盡可能采用自動(dòng)分割。