18F-FDG_PET

555
18
F-FDG PET/CT 影像组学预测非小细胞肺癌病理类型的价值
范丑丑，王建林，史爱琪，李永昊，王育珠，郭国蓉，柳江燕*
兰州大学第二医院核医学科，甘肃 兰州 730030；*通信作者 柳江燕 【摘要】PET/CT 是一种结合功能影像和结构影像为一体的新型无创检查。

影像组学作为新型技术分析影像上病变区域体素灰度的分布和关系，深层次的定量评估肿瘤异质性，解释肿瘤的分子表型。

18F-FDG PET/CT 影像组学已应用于非小细胞肺癌病理诊断、基因表型与突变的预测、疗效评价与监测、预后预测等。

本文对18F-FDG PET/CT 影像组学在预测非小细胞肺癌病理类型中的研究进展进行综述。

【关键词】癌，非小细胞肺；正电子发射断层显像术；体层摄影术，X 线计算机；氟脱氧葡萄糖F18；影像组学；预测；综述 【中图分类号】R734.2；R445 【DOI 】10.3969/j.issn.1005-5185.2023.05.026
18
F-FPG PET/CT Radiomics in Predicting Pathological Types of Non-Small Cell Lung Cancer
FAN Chouchou, WANG Jianlin, SHI Aiqi, LI Yonghao, WANG Yuzhu, GUO Guorong, LIU Jiangyan *
Department of Nuclear Medicine, the Second Hospital of Lanzhou University, Lanzhou 730030, China; *Address Correspondence 【Abstract 】PET/CT is a new non-invasive examination technology that combines functional imaging and structural imaging. As a new technology, radiomics analyzes the distribution and relationship of voxel gray levels in the lesion areas on the images, quantitatively evaluates the heterogeneity of tumors in a deep level, and explains the molecular phenotype of tumors. The application of 18F-FDG PET/CT radiomics in the pathological diagnosis of non-small cell lung cancer, prediction of gene phenotype and mutation, efficacy evaluation and monitoring, and prognosis prediction, this article reviews the research progress of 18F-FDG PET/CT radiomics in predicting the pathological types of non-small cell lung cancer.
【Key words 】Carcinoma, non-small-cell lung; Positron-emission tomography; Tomography, X-ray computed; Fluorodeoxyglucose F18; Radiomics; Predict; Review
Chinese Journal of Medical Imaging, 2023, 31 (5): 555-558
肺癌是全球最常见的恶性肿瘤之一，也是癌症相关死亡的主要原因，每年约有220万新发病例和176万死亡病例[1]。

非小细胞肺癌（non-small cell lung cancer ，NSCLC ）占肺癌的85%[2]，腺癌（adenocarcinoma ，ADC ）和鳞癌（squamous cell carcinoma ，SCC ）是NSCLC 最主要的组织病理类型，其他少见的有腺鳞癌、大细胞癌
及肉瘤样癌。

ADC 和SCC 的生物学特征、治疗措施、疾
病的转归及预后不同。

Scagliotti 等[3]报道，培美曲塞显著延长了ADC 的总生存期和无进展生存期，但对SCC 的影响相反。

CT 引导下的穿刺活检是NSCLC 组织学分类最常用的方法之一，但存在局限性：①为有创检查；②小病灶、靠近气道或血管的病变、凝血疾病；③穿刺未获得有活性的肿瘤组织。

因此，探索一种可靠、无创、实用的NSCLC 组织学分类方法，对NSCLC 的治疗决策提供依据和帮助评估预后具有十分重要的临床意义。

近年来，一些研究基于PET 影像组学预测NSCLC 病理亚型，但未结合CT 特征或临床特征。

由于肿瘤的异质
性，通过结合肿瘤多种特征全面评估肿瘤异质性，联合PET 影像组学特征、CT 影像组学特征、临床特征建立组合模型预测NSCLC 病理类型，识别效果高于单独运用以上特征。

本文拟对18F-FDG PET/CT 影像组学预测NSCLC 病理类型的研究进行综述。

1 影像组学
1.1 影像组学的概念 影像组学将数字医学图像（CT 、MRI 、超声及PET/CT 等）转换为可挖掘的高维特征，提取、分析大量的定量特征并揭示这些量化特征与临床组织学或生物标志物间的相关性[4]。

影像组学将图像中肉眼无法观测的重要隐藏信息转换为完全可量化的数据，可提供更多病变组织异质性信息，通过量化分析提高对疾病本质的认识，拓展了医学影像学的范畴[5-7]。

1.2 影像组学的研究流程
1.2.1 图像采集及重建 影像组学分析对图像数据
556
的一致性要求高，而图像的采集参数、重建算法对图像数据有一定影响。

Zwanenburg [8]研究PET 影像组学特征的可重复性，用变异系数（coefficients of variation ，CV ）评估一致性，指出空间分辨率的影响最大（CV=3.63），其次是扫描时间（CV=2.93）、分割方法（CV=2.92）、重建方法（CV=2.30）、迭代次数（CV=1.81）。

Galavis 等[9]报道，由于PET 图像不同的采集和重建参数对纹理特征有影响，根据变异范围将50个纹理特征分为小变异（范围<5%）、中变异（10%≤范围≤25%）和大变异（范围>30%）3类，其中40个纹理特征表现出大变异。

Pfaehler 等[10]指出，使用点扩展函数重建的PET 图像的重复性最高。

然而，各医院使用的采集参数、重建算法存在差异，因此，临床实践中采用标准化成像协议是避免这类因素影响的有效方法。

所有患者扫描前准备工作相同，包括24 h 避免剧烈运动、清淡饮食、血糖正常、禁食至少4 h ，注射同等剂量显像剂，在恒温、安静独立空间静息约60 min 。

由同一个技师在相同的设备上完成患者PET/CT 检查，使用相同的成像时间、采集参数和重建参数，以完全相同的方式完成所有检查，以确保采集协议的标准化[11]。

1.2.2 图像分割 海量的特征从分割的感兴趣区（ROI ）提取获得，精确的图像分割是影像组学研究的重要步骤之一。

目前，手动分割、半自动分割及自动分割是图像分割的主要方法。

手动分割准确性高，但效率低、重复性差，比较费时费力；自动分割简便、重复性好、有较高的效率；半自动分割准确性和实用性最高，且兼具有前两种方法的优点，适用于大规模研究。

Parmar 等
[12]
比较20例NSCLC 患者手
动分割和半自动分割ROI 的稳定性，与手动分割相比，使用3D-Slicer 半自动分割具有更低的变动性和更强的重复性。

1.2.3 特征提取与筛选 影像组学研究的核心是特征提取，高通量提取定量的图像特征表征ROI 的特性，结合不同的机器学习算法，建立模型。

研究中使用开源软件或“软件包”提取特征，如Pyradiomics 、3D-Slicer 、LIFEx ，常用的影像组学特征包括一阶统计量特征、形状特征、纹理特征等。

影像组学特征提取重复性和稳定性较差，受不同提取工具的影响。

Liang 等[13]使用Moddicom 和Pyradiomics 两种方法提取CT 和MRI 的影像组学特征，Moddicom 和Pyradiomics 的Spearman 、ranks 相关分析显示，CT 数据集中，67个
常见CT 特征中51个P ≤0.05，
MRI 数据集中，70个常见MRI 特征中20个P ≤0.05。

因此，Zwanenburg 等[14]对 169个影像组学特征提取进行标准化，验证和校准不同组学软件，提高了特征提取的稳定性和重复性。

特征筛选是从单纯提取到的海量特征中保留重复性好、信息量大且无冗余的特征，从而有效避免过拟合。

特征筛选根据具体情况和研究目的选择不同的
筛选方法。

Parmar 等[15]研究14种特征筛选方法和12种机器学习算法在预测肺癌总生存率方面的性能和稳
定性，发现WLCX （Wilcoxon ）特征筛选方法和随机森林（random forests ，RF ）分类方法相结合的预测性能最高，对数据波动具有较高的稳定性。

1.2.4 建立模型及验证 影像组学的目的是应用筛选的特征建立诊断或预测模型，采用机器学习算法建立模型，这些算法主要包括支持向量机、逻辑回归、RF 、贝叶斯、人工神经网络、K-近邻算法、决策树等。

建模后模型性能验证，包括内部验证和外部验证，内部验证获得最优模型参数，外部验证模型的预测性能，外部验证更具独立性、验证力度更强，更有利于影像组学研究的泛化与研究结果的推广[16-18]。

2 PET/CT 影像组学与NSCLC 病理类型的相关性研究
2.1 基于PET 影像组学预测NSCLC 病理类型 PET 图像中呈现的不同代谢表型代表特定类型的葡萄糖
代谢状态，与NSCLC 病理类型具有相关性。

Hyun 等[19]研究4个临床特征和40个从PET 图像中提取的影像组
学特征，通过5种机器学习算法建立预测模型，结果显示，性别、标准摄取值、灰度区长度不均匀性、灰度区不均匀性和总病变糖酵解是NSCLC 病理类型分类的最佳预测因子；逻辑回归模型预测效果最佳，曲线下面积（AUC ）为0.859。

PET 影像组学特征联合临床特征提高了NSCLC 不同病理类型分类性能。

Ji 等[20]比较I~III 期ADC 和SCC ，PET 影像组学特征与临床独立预测因子相结合的影像组学-临床诺模图区分ADC 和SCC 性能更好。

Sha 等[21]在PET 图像上勾画肿瘤轮廓，通过多变量Logistic 回归建立PET 模型、临床模型及两者相结合的联合模型3种分类模型，分类性能最高的是联合模型（AUC=0.781），高于影像组学模型（AUC=0.700）和临床模型（AUC=0.728）。

周见远等[22]同样发现，从PET 图像中提取影像组学特征，基于吸烟史与影像组学标签构建的联合模型对NSCLC 病理类型具有较好的辨别能力。

557
2.2 基于PET 、CT 影像组学预测NSCLC 病理类型 PET 和CT 图像中呈现的大量不同信息，可对NSCLC 病理类型分类提供更多依据。

Zhou 等[23]
从PET 和CT
图像中提取影像组学特征，通过5种特征选择方法和9
种机器学习分类方法，建立45个预测模型，PET 数据
集中，结合梯度提升决策树（gradient boosting decision
tree ，GBDT ）特征选择方法与GBDT 分类的AUC
（0.897）最高，CT 数据集中，GBDT 特征选择方法与
RF 分类相结合AUC （0.839）最高。

PET 影像组学特征联合CT 影像组学特征提高了NSCLC 不同病理类型分
类性能。

Yan 等[24]进一步研究，建立PET 模型、CT 模
型、PET 和CT 联合模型，研究发现，PET 和CT 联合模型预测ADC 、
SCC 和转移性能最佳。

Koyasu 等[25]有相似的发现，梯度树增强分类器使用PET 、CT 联合特征时的AUC 高于使用单一PET 或CT 特征时的AUC 。

这可能由于肿瘤的异质性，没有单一的特征可以充分描述NSCLC 的病理表型。

2.3 基于PET 、CT 影像组学和临床特征、肿瘤标志物预测NSCLC 病理类型 结合临床特征可进一步提高PET/CT 影像组学对NSCLC 病理类型识别性能，其识别效果高于运用单一因素，通过结合肿瘤多种特征全面地评估肿瘤的异质性。

Shen 等[26]基于NSCLC 亚区域影像组学特征对ADC 和SCC 进行分类，选择亚区域PET 特征、CT 特征、临床特征，基于分区特征向量的
支持向量机-径向基函数分类性能最好。

Ren 等[27]分析术前临床特征、肿瘤标志物、PET 、CT 影像组学特征，建立临床-实验室模型、PET 模型、CT 模型、联合模型
4种独立预测模型区分ADC 和SCC ，DeLong 检验显示，联合模型预测NSCLC 病理类型性能最优，训练集和验证集AUC 分别为0.932、0.901；决策曲线分析显示，当阈值概率>10%时，联合模型是预测NSCLC 病理类型最可靠的临床工具；为提升可视化，在此基础上开发了基于组合模型的个性化诺模图，校准曲线表明，诺模图的预测值与实际观测值间具有良好的一致性。

诸多基于影像组学的机器学习算法建立最佳模型时，深度学习算法是一种有前景的算法，Han 等[28]在PET/CT 融合图上提取影像组学特征，对10种特征选择方法、10种机器学习分类器和1种深度学习算法进行评估，构建ADC 和SCC 的最优分类模型，结果表明，深度学习算法分类效果最好。

基于PET/CT 影像组学建立的机器学习模型是一种有前景、适用的NSCLC 病理类型识别方法，可作为辅助工具进行鉴别诊断、提
供决策依据。

3 小结与展望
影像组学是一个不断发展的领域， PET/CT 影像
组学具有较高的可信度和稳定性，在NSCLC 病理类型
分类中的应用前景广阔。

影像组学在PET/CT 领域尚
处于起步阶段，需要更多临床医学与信息技术学者交
叉协作，开展大样本、多中心、前瞻性研究。

随着
PET/CT 影像组学在NSCLC 中的研究不断深入，必将
对NSCLC 的分期、定性、病理及基因分型、疗效监测
和预后判断产生巨大的影响，为精准化和个体化治疗
NSCLC 提供决策依据。

参考文献
[1] Thai AA, Solomon BJ, Sequist LV, et al. Lung cancer[J].
Lancet, 2021, 398(10299): 535-554. DOI: 10.1016/S0140-6736(21)00312-3.
[2] 中国抗癌协会肺癌专业委员会, 中华医学会肿瘤学分会
肺癌学组, 中国胸部肿瘤研究协作组. ~B ⅠⅢ期非小细胞肺癌完全切除术后辅助治疗指南(2021版)[J]. 中华医学杂志, 2021, 101(16): 1132-1142. DOI: 10.3760/ 112137-20210210-00406.
[3] Scagliotti G, Hanna N, Fossella F, et al. The differential
efficacy of pemetrexed according to NSCLC histology: a review of two phase III studies[J]. Oncol, 2009, 14(3): 253-263. DOI: 10.1634/theoncologist.2008-0232.
[4] 方家杨, 梁长宇, 陶俊利, 等. 基于临床、影像组学和计
算机视觉特征鉴别肺鳞癌和腺癌[J]. 中国医学影像学杂志, 2022, 30(7): 691-696, 702. DOI: 10.3969/j.issn.1005-5185.2007.07.010.
[5] Rossi G, Barabino E, Fedeli A, et al. Radiomic detection of
EGFR mutations in NSCLC[J]. Cancer Res, 2021, 81(3): 724-731. DOI: 10.1158/0008-5472.CAN-20-0999. [6] 蒋益清, 庞皓文, 石翔翔, 等. 基于PET 影像组学预测非
小细胞肺癌大分割放疗近期疗效[J]. 中国医学影像学杂志, 2021, 29(3): 220-223. DOI: 10.3969/j.issn.1005-5185. 2021.03.007.
[7] Mu W, Jiang L, Zhang J, et al. Non-invasive decision support
for NSCLC treatment using PET/CT radiomics[J]. Nat Commun, 2020, 11(1): 1-11. DOI: 10.1038/s41467-020-19116-x.
[8] Zwanenburg A. Radiomics in nuclear medicine: robustness,
reproducibility, standardization, and how to avoid data analysis traps and replication crisis[J]. Eur J Nucl Med Mol Imaging, 2019, 46(13): 2638-2655. DOI: 10.1007/s00259-019-04391-8.
558
[9] Galavis PE, Hollensen C, Jallow N, et al. Variability of
textural features in FDG PET images due to different acquisition modes and reconstruction parameters[J]. Acta Oncol, 2010, 49(7): 1012-1016. DOI: 10.3109/0284186X. 2010.498437.
[10] Pfaehler E, Beukinga RJ, de Jong JR, et al. Repeatability of
18F-FDG PET radiomic features: a phantom study to explore
sensitivity to image reconstruction settings, noise, and delineation method[J]. Med Phys, 2019, 46(2): 665-678. DOI: 10.1002/mp.13322.
[11] Kinahan PE, Perlman ES, Sunderland JJ, et al. The QIBA
profile for FDG PET/CT as an imaging biomarker measuring response to cancer therapy[J]. Radiology, 2020, 294(3): 647-657. DOI: 10.1148/radiol.2019191882.
[12] Parmar C, Rios Velazquez E, Leijenaar R, et al. Robust
Radiomics feature quantification using semiautomatic volumetric segmentation[J]. PLoS One, 2014, 9(7): e102107. DOI: 10.1371/journal.pone.0102107.
[13] Liang Z, Tan H, Zhang F, et al. Comparison of radiomics
tools for image analyses and clinical prediction in nasopharyngeal carcinoma[J]. Br J Radiol, 2019, 92(1102): 20190271. DOI: 10.1259/bjr.20190271.
[14] Zwanenburg A, Vallières M, Abdalah MA, et al. The image
biomarker
standardization
initiative:
standardized
quantitative radiomics for high-throughput image-based phenotyping[J]. Radiology, 2020, 295(2): 328-338. DOI: 10.1148/radiol.2020191145.
[15] Parmar C, Grossmann P, Bussink J, et al. Machine learning
methods for quantitative radiomic biomarkers[J]. Sci Rep, 2015, 5: 13087. DOI: 10.1038/srep13087.
[16] Tian L, Zhang D, Bao S, et al. Radiomics-based machine-learning method for prediction of distant metastasis from soft-tissue sarcomas[J]. Clin Radiol, 2021, 76(2): 158.e19-158.e25. DOI: 10.1016/j.crad.2020.08.038.
[17] Qian Z, Zhang L, Hu J, et al. Machine learning-based
analysis of magnetic resonance radiomics for the classification of gliosarcoma and glioblastoma[J]. Front Oncol, 2021, 11: 699789. DOI: 10.3389/fonc.2021.699789. [18] Sun K, Jiao Z, Zhu H, et al. Radiomics-based machine
learning analysis and characterization of breast lesions with multiparametric diffusion-weighted MR[J]. J Transl Med, 2021, 19(1): 443. DOI: 10.1186/s12967-021-03117-5. [19] Hyun SH, Ahn MS, Koh YW, et al. A machine-learning
approach using PET-based radiomics to predict the histological subtypes of lung cancer[J]. Clin Nucl Med, 2019,
44(12): 956-960. DOI: 10.1097/RLU.0000000000002810. [20] Ji Y, Qiu Q, Fu J, et al. Stage-specific PET radiomic
prediction model for the histological subtype classification of non-small-cell lung cancer[J]. Cancer Manag Res, 2021, 13: 307-317. DOI: 10.2147/CMAR.S287128.
[21] Sha X, Gong G, Qiu Q, et al. Identifying pathological
subtypes of non-small-cell lung cancer by using the radiomic features of
18F-fluorodeoxyglucose
positron emission
computed tomography[J]. Transl Cancer Res, 2019, 8(5): 1741-1749. DOI: 10.21037/tcr.2019.08.20.
[22] 周见远, 朱小华. 基于18F-FDG PET 影像组学预测非小细
胞肺癌病理亚型[J]. 中华核医学与分子影像杂志, 2021, 41(5): 268-274. DOI: 10.3760/321828-20200725- 00294.
[23] Zhou Y, Ma X, Zhang T, et al. Use of radiomics based on
18F-FDG
PET/CT and machine learning methods to aid
clinical decision-making in the classification of solitary pulmonary lesions: an innovative approach[J]. Eur J Nucl Med Mol Imaging, 2021, 48(9): 2904-2913. DOI: 10.1007/ s00259-021-05220-7.
[24] Yan M, Wang W. Development of a radiomics prediction
model for histological type diagnosis in solitary pulmonary nodules: the combination of CT and FDG PET[J]. Front Oncol, 2020, 10: 555514. DOI: 10.3389/fonc.2020.555514. [25] Koyasu S, Nishio M, Isoda H, et al. Usefulness of gradient
tree boosting for predicting histological subtype and EGFR mutation status of non-small cell lung cancer on 18F FDG-PET/CT[J]. Ann Nucl Med, 2020, 34(1): 49-57. DOI: 10.1007/ s12149-019-01414-0.
[26] Shen H, Chen L, Liu K, et al. A subregion-based positron
emission tomography/computed tomography (PET/CT) radiomics model for the classification of non-small cell lung cancer histopathological subtypes[J]. Quant Imaging Med Surg, 2021, 11(7): 2918-2932. DOI: 10.21037/qims-20-1182. [27] Ren C, Zhang J, Qi M, et al. Machine learning based on
clinico-biological features integrated
18F-FDG
PET/CT
radiomics for distinguishing squamous cell carcinoma from adenocarcinoma of lung[J]. Eur J Nucl Med Mol Imaging, 2021, 48(5): 1538-1549. DOI: 10.1007/s00259-020-05065-6. [28] Han Y, Ma Y, Wu Z, et al. Histologic subtype classification
of non-small cell lung cancer using PET/CT images[J]. Eur J Nucl Med Mol Imaging, 2021, 48(2): 350-360. DOI: 10.1007/ s00259-020-04771-5.
【收稿日期】2022-05-01 【修回日期】2022-09-04
（本文编辑 隋晓萌）。