腦轉(zhuǎn)移瘤影像組學(xué)研究進(jìn)展

張恩龍，李 媛

1北京大學(xué)國際醫(yī)院放射科，北京 102206

2北京大學(xué)第三醫(yī)院放射科，北京 100191

腦轉(zhuǎn)移瘤是成人最常見的顱內(nèi)腫瘤，在腫瘤轉(zhuǎn)移患者中的發(fā)生率約為20%～40%[1]。研究顯示，80%的腦轉(zhuǎn)移來源于肺癌、乳腺癌、腎癌、黑色素瘤和胃腸道腫瘤，其中，以肺癌和乳腺癌腦轉(zhuǎn)移在臨床中最常見[2]。腦轉(zhuǎn)移瘤作為全身腫瘤的繼發(fā)腫瘤，具有發(fā)病隱匿、進(jìn)展快、預(yù)后差的特點(diǎn)，因此其精準(zhǔn)診斷、明確原發(fā)部位及早期療效評(píng)價(jià)對(duì)臨床治療及預(yù)后評(píng)估非常重要。影像組學(xué)作為一種新興的圖像分析方法，可以從醫(yī)學(xué)影像中高通量提取定量特征來描述腫瘤特征和異質(zhì)性等生物學(xué)信息，進(jìn)而指導(dǎo)臨床實(shí)踐[3]。影像組學(xué)的研究方法通常包括圖像采集、圖像分割、特征提取和數(shù)據(jù)分析與建模，重點(diǎn)是進(jìn)行圖像的特征提取。近年來隨著影像組學(xué)的廣泛研究，腦轉(zhuǎn)移瘤的精準(zhǔn)檢測(cè)定位、與其他腦腫瘤的鑒別診斷、原發(fā)腫瘤的判別、療效評(píng)價(jià)及預(yù)后預(yù)測(cè)等方面取得很大的進(jìn)展，本文就腦轉(zhuǎn)移瘤影像組學(xué)的研究現(xiàn)狀和臨床應(yīng)用進(jìn)行了綜述。

腦轉(zhuǎn)移瘤精準(zhǔn)檢測(cè)和分割

確定腦腫瘤病灶數(shù)量、病變范圍及描述與疾病進(jìn)展或治療相關(guān)的腫瘤體積變化是放射科醫(yī)師的工作重點(diǎn)，對(duì)腫瘤治療方案的選擇有重要意義。圖像分割是影像組學(xué)實(shí)際應(yīng)用的關(guān)鍵一步，同時(shí)也是最具挑戰(zhàn)和爭(zhēng)議的部分，其對(duì)結(jié)果的魯棒性起著重要作用。影像組學(xué)主要提取形狀、灰度、紋理等圖像特征，采用支持向量機(jī)(support-vector machine，SVM)、隨機(jī)森林、XGBoost等傳統(tǒng)統(tǒng)計(jì)(模式識(shí)別)模型進(jìn)行分類和預(yù)測(cè)。深度學(xué)習(xí)則直接使用卷積網(wǎng)絡(luò)(convolution neural network，CNN)來提取特征，結(jié)合全連接層等完成分類和預(yù)測(cè)。深度學(xué)習(xí)能夠大幅提高分類或預(yù)測(cè)模型的準(zhǔn)確性，但相比影像組學(xué)，深度學(xué)習(xí)方法需要更多的訓(xùn)練數(shù)據(jù)。將影像組學(xué)與深度學(xué)習(xí)兩者結(jié)合具有更廣闊的應(yīng)用前景，是目前影像學(xué)發(fā)展的熱點(diǎn)。圖像分割的方法主要有手動(dòng)分割、半自動(dòng)分割及自動(dòng)分割。不同的分割方法對(duì)腫瘤感興趣區(qū)域(region of interest，ROI)存在一定影響，勢(shì)必會(huì)影響到影像組學(xué)特征。手動(dòng)分割法被應(yīng)用于大多數(shù)影像學(xué)研究中，其優(yōu)勢(shì)在于準(zhǔn)確度高且對(duì)不規(guī)則的腫瘤邊界勾畫精細(xì)，但傳統(tǒng)人工檢測(cè)和手動(dòng)分割耗時(shí)費(fèi)力，并且在不同水平的醫(yī)師之間存在一定差異，可重復(fù)性低。自動(dòng)或半自動(dòng)分割法則表現(xiàn)出較高的可重復(fù)性和時(shí)效性，其中半自動(dòng)分割法為目前影像組學(xué)圖像分割的主要方法。自動(dòng)分割法可以實(shí)現(xiàn)排除人為因素，更好地達(dá)到自動(dòng)化、可重復(fù)且效率高的效果。實(shí)現(xiàn)ROI的自動(dòng)分割法將是未來影像組學(xué)圖像分割的一個(gè)重要研究方向。用CNN來分割ROI，是實(shí)現(xiàn)影像組學(xué)分析自動(dòng)化的一個(gè)具體且直接的需求。有研究同時(shí)采用了基于特征的隨機(jī)森林分割模型和基于CNN的無特征分割模型來分割ROI，并將二者的分割輸出相融合。在特征分割中融合采用了多種特征，在無特征分割中綜合采用了Deep CNN、U-Net和FCN 3種網(wǎng)絡(luò)模型。這項(xiàng)工作提出了一種基于深度學(xué)習(xí)的影像組學(xué)全自動(dòng)化的膠質(zhì)母細(xì)胞瘤分割和生存預(yù)測(cè)的新框架。引入了幾種基于深度學(xué)習(xí)和影像組學(xué)的分割算法及語義標(biāo)簽融合算法，來獲得足夠的分割性能。該方法用于膠質(zhì)母細(xì)胞瘤患者生存預(yù)測(cè)的訓(xùn)練和驗(yàn)證準(zhǔn)確性是目前文獻(xiàn)報(bào)道中最高的[4]。利用深度學(xué)習(xí)對(duì)腦轉(zhuǎn)移瘤病灶分割進(jìn)行亞組分析的研究報(bào)道較少。最新研究利用基于CNN的深度學(xué)習(xí)方法在多序列MR圖像上實(shí)現(xiàn)了腦轉(zhuǎn)移瘤的自動(dòng)檢測(cè)和分割，研究回顧了156例不同原發(fā)腫瘤的腦轉(zhuǎn)移瘤患者治療前T1WI及增強(qiáng)T1WI的圖像，使用基于GoogLeNet架構(gòu)的2.5D網(wǎng)絡(luò)進(jìn)行CNN訓(xùn)練，并評(píng)價(jià)其對(duì)轉(zhuǎn)移灶較少(1～3個(gè))、多發(fā)(4～10個(gè))和很多發(fā)(>10個(gè))的鑒別能力，結(jié)果顯示基于多序列MRI深度學(xué)習(xí)方法能較準(zhǔn)確地自動(dòng)檢測(cè)和分割腦轉(zhuǎn)移灶，所有患者的ROC曲線下面積(area under curve，AUC)均值為0.98±0.04，亞組間的AUC分別為0.99±0.01、0.97±0.05和0.97±0.03[5]。另有學(xué)者應(yīng)用CNN在基于MR圖像自動(dòng)檢測(cè)和分割腦轉(zhuǎn)移瘤的基礎(chǔ)上，嘗試區(qū)分轉(zhuǎn)移組織中的活性部分與壞死部分，同樣證實(shí)了深度學(xué)習(xí)在腫瘤精準(zhǔn)檢測(cè)和分割領(lǐng)域的巨大價(jià)值[6]。

綜上，不同的分割方法對(duì)腫瘤ROI存在一定影響，從而影響影像組學(xué)特征。因此，隨著人工智能技術(shù)的不斷進(jìn)步，在醫(yī)學(xué)圖像上自動(dòng)檢測(cè)和分割器官或腫瘤病灶必將成為當(dāng)今醫(yī)學(xué)領(lǐng)域的主要研究課題。

腦轉(zhuǎn)移瘤精準(zhǔn)診斷

腦轉(zhuǎn)移瘤與其他顱內(nèi)腫瘤鑒別腦轉(zhuǎn)移瘤和膠質(zhì)母細(xì)胞瘤(glioblastoma，GBM)是成人常見的惡性腦腫瘤，對(duì)兩者的準(zhǔn)確鑒別意義重大，因?yàn)閮烧叩募膊》制凇⑹中g(shù)計(jì)劃和治療決策完全不同[7]。GBM很少累及中樞神經(jīng)系統(tǒng)以外的組織，通常不需要進(jìn)行系統(tǒng)檢查，而對(duì)于懷疑是腦轉(zhuǎn)移瘤但尚未發(fā)現(xiàn)原發(fā)腫瘤的患者，查明原發(fā)腫瘤并進(jìn)行腫瘤分期評(píng)估十分重要。GBM和單發(fā)轉(zhuǎn)移瘤有時(shí)在常規(guī)MRI上的表現(xiàn)相似，都可表現(xiàn)為T1WI不均勻稍低信號(hào)，T2WI稍高或高信號(hào)，且常合并瘤周水腫，特別是在表現(xiàn)不典型時(shí)，利用常規(guī)影像學(xué)進(jìn)行鑒別往往比較困難，在原發(fā)腫瘤病史不明確的情況下，很有可能會(huì)誤診。

國內(nèi)外應(yīng)用影像組學(xué)進(jìn)行兩者鑒別的研究較多[8- 13]。Tateishi等[9]回顧性分析了73例GBM和53例轉(zhuǎn)移瘤的常規(guī)MR圖像，包括T2WI、ADC圖和增強(qiáng)T1WI，并提出了SVM的機(jī)器學(xué)習(xí)方法預(yù)測(cè)模型，并將機(jī)器學(xué)習(xí)的診斷性能與3位放射科醫(yī)師的判斷進(jìn)行比較，結(jié)果顯示根據(jù)MRI紋理參數(shù)區(qū)分GBM和轉(zhuǎn)移瘤時(shí)，其分類性能與放射科醫(yī)生相當(dāng)。也有研究討論了用于兩者鑒別的影像組學(xué)最佳機(jī)器學(xué)習(xí)分類器，結(jié)果顯示SVM聯(lián)合LASSO分類器具有最高的預(yù)測(cè)性能，其分類準(zhǔn)確性(0.83)、敏感性(0.80)和特異性(0.87)均優(yōu)于放射科醫(yī)師[11]。另外有研究使用基于增強(qiáng)T1WI的影像組學(xué)并應(yīng)用多種機(jī)器學(xué)習(xí)算法來鑒別GBM和不同來源的轉(zhuǎn)移瘤，結(jié)果顯示應(yīng)用SVM分類器獲得了最佳的GBM與轉(zhuǎn)移瘤鑒別結(jié)果，準(zhǔn)確度為0.85，靈敏度為0.86，特異性為0.85，AUC高達(dá)0.96，而GBM和轉(zhuǎn)移瘤亞型之間的分類可能需要其他MR序列進(jìn)一步提高診斷準(zhǔn)確率[10]。

除了針對(duì)腫瘤本身的研究外，也有研究者關(guān)注瘤周水腫情況。轉(zhuǎn)移瘤及GBM均可有瘤周水腫，但GBM是浸潤性病變可侵襲周圍組織，而轉(zhuǎn)移瘤為非浸潤性病變，這可能導(dǎo)致兩種腫瘤周圍水腫區(qū)存在生物學(xué)差異，如細(xì)胞類型、水腫類型、血管生成情況等[14]。因此，如果能利用瘤周水腫區(qū)的生物學(xué)差異來提高兩者鑒別診斷的準(zhǔn)確性，將有助于指導(dǎo)下一步臨床治療。Skogen等[15]采用基于擴(kuò)散張量成像(diffusion tensor imaging，DTI)的紋理分析對(duì)GBM和轉(zhuǎn)移瘤的腫瘤組織和瘤周水腫的異質(zhì)性進(jìn)行定量分析評(píng)價(jià)，結(jié)果顯示GBM與轉(zhuǎn)移瘤的腫瘤實(shí)體組織部分的異質(zhì)性差異無統(tǒng)計(jì)學(xué)意義，而GBM瘤周水腫區(qū)的異質(zhì)性明顯高于轉(zhuǎn)移瘤。同樣有學(xué)者在提取瘤周水腫區(qū)的影像組學(xué)特征基礎(chǔ)上探討了機(jī)器學(xué)習(xí)方法對(duì)兩者的鑒別診斷價(jià)值，該研究根據(jù)選取的特征和訓(xùn)練數(shù)據(jù)集，構(gòu)建了5個(gè)基本分類器，包括決策樹(decision tree，DT)、SVM、神經(jīng)網(wǎng)絡(luò)(neural network，NN)、樸素貝葉斯(naive Bayes，NB)和k-近鄰(k-nearest neighbour，KNN)分類器，這5種分類器都屬于監(jiān)督學(xué)習(xí)范疇，但采用不同的算法，每種分類器都有各自的優(yōu)點(diǎn)和局限性。結(jié)果顯示5種分類器單獨(dú)應(yīng)用時(shí)的準(zhǔn)確率、敏感度和特異度有較大差異，而聯(lián)合使用時(shí)可獲得最佳診斷效能[8]。

應(yīng)用瘤周水腫的生物學(xué)差異不僅可鑒別轉(zhuǎn)移瘤和GBM，也有部分研究將其應(yīng)用于轉(zhuǎn)移瘤與其他腦原發(fā)腫瘤的鑒別診斷，如國內(nèi)學(xué)者就對(duì)瘤周水腫區(qū)MRI紋理分析在中樞神經(jīng)系統(tǒng)淋巴瘤(central nervous system lymphoma，CNSL)和轉(zhuǎn)移瘤、GBM和轉(zhuǎn)移瘤鑒別診斷中的潛在應(yīng)用價(jià)值進(jìn)行了探討[16- 17]。王敏紅等[16]回顧性分析了40例GBM和40例轉(zhuǎn)移瘤患者M(jìn)R圖像，在T1WI、T2WI、FLAIR及增強(qiáng)T1WI共4個(gè)序列上腫瘤瘤周水腫最明顯的層面勾畫ROI，并提取其紋理特征，比較兩者直方圖參數(shù)的差異，結(jié)果表明FLAIR序列偏度值(SkewFLAIR)及FLAIR序列峰度值(KurtFLAIR)對(duì)兩者有鑒別診斷價(jià)值，診斷模型的敏感度為77.5%，特異度為94.3%，AUC為0.85。沙壯等[17]采用相似的研究方法分析了21例CNSL和15例顱內(nèi)單發(fā)轉(zhuǎn)移瘤，結(jié)果發(fā)現(xiàn)異質(zhì)性、偏度、峰度及熵值在兩者間的差異均具有統(tǒng)計(jì)學(xué)意義，其中峰度參數(shù)鑒別兩者的效能較高，將異質(zhì)性、偏度、峰度及熵值紋理參數(shù)聯(lián)合后，其鑒別效能有所提高，其中異質(zhì)性聯(lián)合峰度參數(shù)鑒別效能最佳，AUC達(dá)0.943。

因此，應(yīng)用影像組學(xué)的先進(jìn)技術(shù)，通過對(duì)腫瘤區(qū)及瘤周水腫區(qū)的深入分析，可以實(shí)現(xiàn)轉(zhuǎn)移瘤與多種腦腫瘤的準(zhǔn)確鑒別，尤其對(duì)瘤周水腫的紋理分析可為鑒別診斷提供可靠且可量化的客觀依據(jù)，但也有一些局限性，如獲得的有鑒別診斷價(jià)值的參數(shù)較少，無法全面分析瘤周水腫的全部特征，同時(shí)腦轉(zhuǎn)移瘤的病理類型比較少，可能會(huì)產(chǎn)生偏倚。

腦轉(zhuǎn)移瘤原發(fā)腫瘤的判別研究不同原發(fā)腫瘤的腦轉(zhuǎn)移發(fā)生率不同，如肺癌為41%～56%，乳腺癌為13%～30%，惡性黑色素瘤為6%～11%，胃腸道腫瘤為6%～9%，其他或未知腫瘤為4%～20%[18]。腦轉(zhuǎn)移患者可分為以下3類：(1)原發(fā)腫瘤診斷后分期診斷出的腦轉(zhuǎn)移瘤；(2)原發(fā)腫瘤診斷前診斷出的腦轉(zhuǎn)移瘤；(3)腦轉(zhuǎn)移瘤和原發(fā)腫瘤同時(shí)被診斷[19]。對(duì)于后兩類，快速有效地識(shí)別原發(fā)腫瘤對(duì)于患者的預(yù)后和治療方案的選擇至關(guān)重要。

有研究表明，MRI紋理分析可以通過識(shí)別不同原發(fā)腫瘤腦轉(zhuǎn)移瘤間的生物學(xué)差異來判別原發(fā)腫瘤，研究者分析了32例肺癌和26例乳腺癌腦轉(zhuǎn)移患者增強(qiáng)T1WI的2D和3D紋理特征，能夠準(zhǔn)確區(qū)分兩種腫瘤類型結(jié)構(gòu)差異[20]。此外也有研究證實(shí)，3D紋理分析可以更準(zhǔn)確地捕獲組織異質(zhì)性，3D紋理特征比傳統(tǒng)的2D紋理特征更適合進(jìn)行肺癌腦轉(zhuǎn)移瘤分別與乳腺癌及黑色素瘤腦轉(zhuǎn)移瘤的鑒別診斷，AUC最高可分別達(dá)到0.963±0.054和0.936±0.070[21]。Yin等[22]分析了腦結(jié)構(gòu)與腦轉(zhuǎn)移發(fā)生之間的關(guān)系，并提出了基于MRI數(shù)據(jù)能夠在6個(gè)月或1年內(nèi)可靠預(yù)測(cè)非小細(xì)胞肺癌患者發(fā)生腦轉(zhuǎn)移時(shí)間的模型。Kniep等[23]分析了乳腺癌(143例)、小細(xì)胞肺癌(151例)、非小細(xì)胞肺癌(225例)、胃腸道癌(50例)和黑色素瘤(89例)患者T1WI、增強(qiáng)T1WI、FLAIR圖像的影像組學(xué)特征，采用隨機(jī)森林機(jī)器學(xué)習(xí)算法對(duì)定量圖像特征和基本臨床數(shù)據(jù)進(jìn)行評(píng)價(jià)，結(jié)果顯示機(jī)器學(xué)習(xí)的預(yù)測(cè)性能優(yōu)于放射醫(yī)師的診斷結(jié)果，對(duì)預(yù)測(cè)腦轉(zhuǎn)移瘤的類型具有較高的判別準(zhǔn)確率。也有研究探討肺癌腦轉(zhuǎn)移的不同亞型間鑒別的可行性，結(jié)果發(fā)現(xiàn)基于紋理的病灶分類對(duì)不同亞型肺癌的腦轉(zhuǎn)移瘤具有高度特異性，小細(xì)胞肺癌、鱗癌、腺癌和大細(xì)胞肺癌的誤分類率分別為3.1%、4.3%、5.8%和8.1%，表明紋理參數(shù)反映了腫瘤的組織病理學(xué)結(jié)構(gòu)，可作為臨床準(zhǔn)確診斷的輔助工具[24]。

綜上，機(jī)器學(xué)習(xí)可以通過捕獲不同原發(fā)腫瘤腦轉(zhuǎn)移瘤的內(nèi)在異質(zhì)性，客觀、定量地反映生物學(xué)特征，初步實(shí)現(xiàn)對(duì)原發(fā)腫瘤的判別，其預(yù)測(cè)性也能優(yōu)于放射醫(yī)師，能減少放射醫(yī)師的診斷工作量，具有潛在的應(yīng)用前景。由于目前多數(shù)研究只納入了腦轉(zhuǎn)移瘤最常見的原發(fā)腫瘤，而其他來源的腦轉(zhuǎn)移瘤(如來自腎癌、結(jié)直腸癌及其他少見腫瘤)未納入研究，未來還需進(jìn)一步擴(kuò)大研究范圍，細(xì)化樣本分類，將所有可能的原發(fā)腫瘤都納入研究，建立可靠的預(yù)測(cè)模型。

腦轉(zhuǎn)移瘤療效評(píng)價(jià)及預(yù)后預(yù)測(cè)

腦轉(zhuǎn)移瘤復(fù)發(fā)進(jìn)展與放射損傷的鑒別立體定向放射治療(stereotactic radiation therapy，SRT)是腦轉(zhuǎn)移瘤的有效治療方式之一，但有相當(dāng)一部分病例在治療后會(huì)發(fā)生進(jìn)展，局部失敗率可達(dá)27%～33%[25]。對(duì)局部進(jìn)展的判斷不能單純以腫瘤體積增大為標(biāo)準(zhǔn)，因?yàn)閮烧卟豢偸且恢耓26]。SRT可能導(dǎo)致局部輻射劑量超過正常腦組織的耐受水平，出現(xiàn)放射損傷，發(fā)生率為5%～34%[27]。放射損傷主要包括炎癥、血管損傷和壞死等一系列病理學(xué)改變[28]，其中，放射性壞死的發(fā)生率高達(dá)26%[27]。區(qū)分真正進(jìn)展與放射性壞死的金標(biāo)準(zhǔn)當(dāng)前仍需要病理學(xué)診斷，常規(guī)MRI常常無法準(zhǔn)確鑒別二者[29]。因此，有學(xué)者對(duì)MRI的影像組學(xué)特征是否可以預(yù)測(cè)真性進(jìn)展進(jìn)行了探討，作者采用治療前基于增強(qiáng)T1WI和FLAIR圖像并應(yīng)用混合支持向量機(jī)模型IsoSVM進(jìn)行真性進(jìn)展的預(yù)測(cè)分類，結(jié)果顯示出65.38%的靈敏度和86.67%的特異度，而放射醫(yī)師的預(yù)測(cè)靈敏度為97%，特異度為19%，提示模型可顯著提高人工預(yù)測(cè)的特異度[30]。也有類似的研究同樣提示影像組學(xué)可作為傳統(tǒng)放射檢查的輔助手段[31]。在鑒別轉(zhuǎn)移瘤復(fù)發(fā)和放射性壞死的影像組學(xué)研究中，Larroza等[32]建立基于增強(qiáng)T1WI紋理特征和SVM的分類模型，并獲得較高的分類準(zhǔn)確率(AUC>0.9)。也有類似研究于常規(guī)MRI(T1WI、T2WI、FLAIR)圖像提取影像組學(xué)特征，結(jié)果同樣顯示影像組學(xué)可提供輔助診斷信息[33]。最近有研究表明，通過靜態(tài)和動(dòng)態(tài)氨基酸類示蹤劑PET掃描獲得的成像參數(shù)，可提高放射損傷與復(fù)發(fā)鑒別診斷的準(zhǔn)確度，其準(zhǔn)確率高達(dá)80%～90%[34]。其中，動(dòng)態(tài)O-(2-18F-氟代乙基)-L-酪氨酸(18F-FET)PET圖像采集、數(shù)據(jù)重建和分析耗時(shí)較長，花費(fèi)較高，尚未在臨床應(yīng)用。Lohmann等[35]首次報(bào)道了基于CE-MRI和靜態(tài)FET PET圖像的PET/MRI聯(lián)合影像組學(xué)在腦轉(zhuǎn)移患者復(fù)發(fā)和放射損傷鑒別診斷中的有效性，結(jié)果顯示兩種技術(shù)聯(lián)合的鑒別診斷準(zhǔn)確率高達(dá)89%，而單獨(dú)應(yīng)用兩種技術(shù)準(zhǔn)確率則稍低(CE-MRI為82%，F(xiàn)ET PET為83%)，該方法可避免動(dòng)態(tài)FET PET采集的繁瑣過程。

腦轉(zhuǎn)移瘤療效及預(yù)后預(yù)測(cè)對(duì)腦轉(zhuǎn)移瘤治療反應(yīng)的評(píng)價(jià)通常遵循《神經(jīng)腫瘤學(xué)反應(yīng)評(píng)價(jià)》制定的標(biāo)準(zhǔn)，即基于增強(qiáng)T1WI測(cè)量病變的范圍[36]。然而，SRT治療后的腫瘤體積變化可能需要幾個(gè)月的時(shí)間才能在后續(xù)的影像學(xué)檢查圖像中顯現(xiàn)出來。此外，早期病灶體積的變化并不總是與腫瘤的長期局部控制相關(guān)[37]。因此，對(duì)SRT早期療效的評(píng)價(jià)至關(guān)重要，可以幫助治療方案及時(shí)調(diào)整，以期改善治療效果。Karami等[37]采用基于常規(guī)MRI的影像組學(xué)尋找可預(yù)測(cè)SRT腦轉(zhuǎn)移患者局部失敗的定量生物標(biāo)記物，結(jié)果表明最佳的定量生物標(biāo)記物主要由反映腫瘤周圍區(qū)域異質(zhì)性的特征組成，原因是這些區(qū)域可能也含有少量腫瘤細(xì)胞，但常規(guī)MRI不能很好顯示出來。這也與以往相關(guān)研究結(jié)果一致，該研究顯示腫瘤邊緣微觀結(jié)構(gòu)的異質(zhì)性與腫瘤對(duì)治療的反應(yīng)具有良好的相關(guān)性[38]。以往針對(duì)療效評(píng)價(jià)的大多數(shù)研究都集中在腫瘤本身，但這項(xiàng)研究的結(jié)果表明應(yīng)該對(duì)包括整個(gè)病灶及其周圍區(qū)域進(jìn)行全面評(píng)估以挖掘更多生物學(xué)信息，從腫瘤邊緣及周圍水腫區(qū)提取的特征比單純從腫瘤本身提取的特征顯示出更佳的預(yù)測(cè)能力。此外有研究嘗試在影像學(xué)的基礎(chǔ)上結(jié)合臨床數(shù)據(jù)來預(yù)測(cè)放療在局部腫瘤控制方面的有效性，研究回顧性分析了161例非小細(xì)胞肺癌腦轉(zhuǎn)移患者(共576個(gè)轉(zhuǎn)移灶)的臨床數(shù)據(jù)和治療前MRI，手動(dòng)分割并提取影像組學(xué)特征，采用一致聚類進(jìn)行特征選擇，結(jié)果顯示增強(qiáng)T1WI的影像組學(xué)特征—“zone percentage”是局部腫瘤控制的獨(dú)立預(yù)后因素[39]。另一項(xiàng)研究評(píng)價(jià)了基于CT圖像并使用CNN模型預(yù)測(cè)轉(zhuǎn)移瘤SRT的早期療效，研究者將完全或部分有反應(yīng)者定為有反應(yīng)者，病情穩(wěn)定或進(jìn)展定為無反應(yīng)者，數(shù)據(jù)集被隨機(jī)分配到訓(xùn)練組、驗(yàn)證組和評(píng)估組，這種隨機(jī)分配被重復(fù)50次，以創(chuàng)建50個(gè)獨(dú)立的數(shù)據(jù)集組合。隨機(jī)分配滿足以下條件：首先，將50個(gè)組合劃分為5組，每組10個(gè)不同的數(shù)據(jù)集組合，每組被分配相同的評(píng)估數(shù)據(jù)集，但不同的訓(xùn)練和驗(yàn)證數(shù)據(jù)集。其次，在5組中，有反應(yīng)者與無反應(yīng)者數(shù)據(jù)集的比例保持一致。該研究一共建立了10個(gè)CNN模型。結(jié)果顯示110個(gè)轉(zhuǎn)移灶中的57個(gè)歸為有反應(yīng)病灶，53個(gè)歸類為無反應(yīng)病灶，通過基于CNN模型學(xué)習(xí)病灶的CT圖像特征，每個(gè)CNN模型的50個(gè)數(shù)據(jù)集的AUC范圍為0.602～0.826，而集合模型的AUC(對(duì)同一組中10個(gè)單獨(dú)模型的預(yù)測(cè)結(jié)果進(jìn)行平均)的范圍為0.761～0.856。表明基于CNN模型能夠從小型數(shù)據(jù)集中預(yù)測(cè)腦轉(zhuǎn)移瘤的SRT療效，進(jìn)而有助于預(yù)測(cè)患者預(yù)后[40]。

以上諸多關(guān)于放療后療效評(píng)價(jià)和預(yù)后預(yù)測(cè)的研究從各個(gè)方面反映影像組學(xué)特征通過提示腫瘤的生物學(xué)特征及微環(huán)境的異質(zhì)性，可作為療效評(píng)價(jià)和預(yù)測(cè)預(yù)后的有效生物標(biāo)志物，但是還存在一定的局限性，最重要的是從這些研究中識(shí)別的生物標(biāo)志物缺乏可重復(fù)性，未來還需要進(jìn)一步深入探討。

結(jié) 語

綜上，目前影像組學(xué)在腦轉(zhuǎn)移瘤應(yīng)用中的具體方向主要包括圖像檢測(cè)分割、精準(zhǔn)診斷及鑒別診斷、療效評(píng)價(jià)及預(yù)后預(yù)測(cè)?；谛螒B(tài)學(xué)成像和功能成像的影像組學(xué)技術(shù)的多數(shù)研究都被證實(shí)可以初步進(jìn)行腦轉(zhuǎn)移瘤的診斷與鑒別診斷、療效評(píng)價(jià)以及預(yù)后預(yù)測(cè)，可以挖掘傳統(tǒng)影像無法提供的生物學(xué)信息，因此，影像組學(xué)在協(xié)助腦轉(zhuǎn)移瘤患者的個(gè)體化治療決策方面具有廣闊的應(yīng)用前景。但是，目前關(guān)于影像組學(xué)的研究總體上還存在諸多局限性，如研究流程規(guī)范不完善，質(zhì)量控制體系不嚴(yán)格等。而在腦轉(zhuǎn)移瘤的應(yīng)用研究方面，同樣需要進(jìn)一步探索。在未來，如何多中心的擴(kuò)大研究樣本量，增加不同病理類型的腦轉(zhuǎn)移瘤，還需要進(jìn)行影像學(xué)—病理的大樣本研究，以增加結(jié)果可靠性。此外，如何統(tǒng)一數(shù)據(jù)采集標(biāo)準(zhǔn)、如何選擇可靠的ROI及如何精確而規(guī)范地進(jìn)行病灶分割和特征提取，均需要不斷形成標(biāo)準(zhǔn)化操作流程。相信隨著關(guān)鍵科學(xué)問題和技術(shù)的不斷探索與進(jìn)步，工作流程不斷標(biāo)準(zhǔn)化，影像組學(xué)必將在整個(gè)醫(yī)學(xué)領(lǐng)域得到廣泛應(yīng)用。