CT影像组学在指导肺癌精准放疗中的应用进展

CT影像组学在指导肺癌精准放疗中的应用进展路玉昆;巩贯忠;仇清涛;尹勇【摘要】The accurate diagnosis and precise prediction of tumor radiation sensitivity and normal tissue radiation-induced injury are the preconditions of precise radiotherapy for lung cancer.Radiomics is defined as a set of milestone,assistive tools in the develop-ment of precise treatment for lung cancer,which can extract many quantitative features from medical images by applying automatic or semi-automatic methods and determine the deep relationship between clinical diagnosis and treatment data.Thus,the occurrence, development,and clinical outcome of lung cancer may be revealed.Radiomics holds immense potential in the classification of benign and malignant lung nodules,prediction of lung cancer genetic phenotypes,and treatment response to radiation therapy,because it can obtain information regarding the global heterogeneity of tumors via a noninvasive approach.In the present review,we summarize the latest process of CT-based radiomics in precise radiotherapy for lung cancer.%肺癌的精确诊断、放疗敏感性和正常组织放射性损伤的准确预测是实现肺癌精准放疗的必要前提.影像组学(radiomics)作为肺癌精准治疗发展史上一个具有里程碑意义的辅助工具,可以通过应用自动和半自动算法对肺癌影像资料的感兴趣区域提取大量影像特征,寻找这些特征与临床诊疗数据之间的深层关系,揭示肺癌的发生、发展及临床转归规律.影像组学可以无创获取肺部肿瘤整体异质性信息,在良恶性肺结节的判定、肿瘤基因表型和放疗反应的预测等方面具有巨大临床应用潜能.本文就CT 影像组学在辅助肺癌放疗方面的最新研究进行综述.【期刊名称】《中国肿瘤临床》【年(卷),期】2018(045)002【总页数】5页(P92-96)【关键词】肺癌;精准放疗;影像组学;影像特征【作者】路玉昆;巩贯忠;仇清涛;尹勇【作者单位】山东师范大学物理与电子科学学院,生命与健康研究院,山东省医学物理图像处理技术省级重点实验室济南市250358;山东大学附属山东省肿瘤医院放射物理技术科;山东师范大学物理与电子科学学院,生命与健康研究院,山东省医学物理图像处理技术省级重点实验室济南市250358;山东大学附属山东省肿瘤医院放射物理技术科【正文语种】中文肺癌是我国最常见的恶性肿瘤之一，发病率和致死率逐年上升，现已居导致患者死亡的恶性肿瘤之首［1］。

作为精准放疗的重要辅助手段之一，影像组学（radiomics）在肺癌诊疗中的应用日益广泛。

自2012年Lambin等［2］提出影像组学概念以来，由于其可以无创获取肿瘤的特征信息，引起了临床医生、影像医师和科研工作者的广泛关注［3-4］。

影像组学是将数字图像处理和数据挖掘技术应用到医学图像分析中构建的一个新型交叉学科。

它使用大量自动和半自动化算法提取医学图像中感兴趣区域（regionof interest，ROI）的定量影像特征数据，用于描述肿瘤表型和异质性等深层信息。

影像组学通过建立影像数据和临床数据的相关性提高疾病的诊疗精度，在指导肺癌的精准放疗方面具有广阔的临床应用前景［5-6］。

影像组学的分析载体有CT、MRI、PET等图像，而在肺癌的诊疗中最常见的影像模态为CT。

受肺组织解剖特点的影响，CT在肺癌的放疗中具有得天独厚的优势［7］。

CT在肺癌精确放疗的各个阶段（模拟定位、计划设计、预后、随访等）均发挥重要作用，在整个治疗过程中每位患者都要做多次CT扫描。

影像组学可以分析肺癌患者CT图像中肉眼无法观测的影像特征，预测肺癌患者临床治疗反应及不良反应的发生，具有提高肺癌诊疗精度的潜能［8］。

本文就影像组学的标准流程及其在肺结节良恶性分类、基因表型分析及放疗疗效预测方面的应用进行综述。

1 影像组学工作流程目前公认的影像组学标准化工作流程主要分以下四步。

1.1 标准图像的获取影像组学特征会因图像预处理方法、像素和层厚的不同产生差异，不同医疗中心之间扫描设备和参数的差异也会影响特征的提取，这给影像组学的发展带来了极大挑战［9-11］。

统一图像标准是影像组学分析的首要任务，也是影像组学研究的关键步骤之一，因此无论使用何种图像设备，必须对同一疾病采取统一的成像与处理方式来保证标准化图像的获取。

1.2 ROI的分割ROI即为影像组学分析的目标区域，一般是指肿瘤区域或感兴趣器官。

ROI分割是对图像进行特征获取的前提，其分割精度将直接影响影像组学研究的准确性，稳定且精确的分割方法是获取稳定影像特征的重要前提［2，12］。

目前人工分割一般被用来作为分割的金标准，但耗时耗力，而且不同人之间的主观差异对分割结果影响较大，且重复性差。

自动或半自动分割算法分割速度快且具有较好的重复性。

在进行影像组学研究时，建议采用自动或半自动分割方法，目前比较常用的自动分割算法有阈值法、区域生长法、图像切割法、动态轮廓法等［13］。

1.3 影像特征提取影像组学定量分析医学影像特征时，基于CT图像提取的特征主要有形态、统计学、小波特征等。

形态特征包括ROI的形状、体积、表面积与体积比等指标。

统计学特征包括一阶统计信息和高阶统计信息，一阶统计信息是指直接从灰度值和灰度直方图上统计CT图像的灰度信息，主要反映ROI像素分布的幅度和频度特征。

高阶统计信息保留了ROI的空间信息，可以直观反映出ROI的纹理特征及空间异质性［14］。

小波特征则应用小波分析技术，将时域和频域相结合，通过伸缩平移运算等对图像逐步进行多尺度细化。

小波特征具有良好的局部化性质，可以描述分析到图像的任何一个细节［15］。

随着图像处理技术的发展，基于多函数的深层次复合特征提取及应用逐渐引入到临床中可进一步提升影像组学的应用效能。

1.4 影像组学预测模型的建立与应用影像组学研究的终结点在于建立临床反应的预测模型指导临床诊疗。

一般来说，影像组学特征数据分为实验数据和验证数据两部分。

实验数据和临床信息如患者的病理诊断、疗效、不良反应发生等相结合，使用机器学习、高等统计学方法等对数据进行深度挖掘，可以建立临床反应的诊断或预测模型。

验证数据被用来验证模型的准确性，最终选取高精度模型达到对疾病的治疗、预后和疗效评估的目的［16］。

在基于影像组学进行预测模型建立时，多中心、多机构的数据共享形成的大数据可以帮助获取更加理想的结果［17］。

2 影像组学在肺癌诊断及鉴别中的应用进展影像组学特征可以准确描述肺部肿瘤整体的异质性信息。

从生物学角度分析，肺肿瘤的不同分期、不同亚型、良恶性肺结节必然会存在部分影像特征差异，因此影像组学在这些方面鉴别诊断具有巨大的潜在优势。

肺肿瘤从无到有、从低分期到高分期是不断演变的，其异质性也随之发生变化，追踪和分析这些变化在肺结节的鉴定、肿瘤的分期和病理学亚型检测方面的应用是目前影像组学的研究热点。

在肺结节良恶性的鉴别方面，有学者研究发现相对于良性肺结节，恶性肺结节的CT密度直方图具有更高的峰度和更低的偏度，使用这些特征区分良恶性肺结节的受试者工作特征（receiver operating characteristic，ROC）曲线下面积可以达到 0.71～0.83［18］。

Ma等［19］使用随机森林方法对127例患者的肺结节数据进行分类，准确度可以达到82.7%，然而由于其建模的数据量太小，对数据的分类精度尚待验证。

Dilger等［20］的研究表明结合结节周围肺组织的影像特征可以进一步提高分类准确性，精度最高可以达到 0.938。

在此基础上，Dhara等［21］和Wang等［22］两项研究使用支持向量机（support vector machine，SVM）方法结合影像组学特征分别对891例和593例患者的肺结节进行了分类，准确度分别达到了95.05%和86%。

这些研究表明肺结节的良恶性和影像组学特征之间存在较强的相关性，可作为肺结节的精准诊断方法［23-24］。

在肿瘤分期与亚型检测中，Aerts等［16］从1 019例肺癌和头颈癌患者的CT数据中提取了440个影像特征，发现纹理特征与肺癌的TNM分期相关性达到了0.6，可以作为肺肿瘤分期的辅助检测方法。

Wang等［25］对不同的肺腺癌病理学亚型进行了区分，发现基于影像特征可以明显区分出不同病理学亚型，而且纹理特征的区分性能要优于其他特征。

在另一项研究中，Ko等［26］则利用形态特征对病理学亚型鉴别进行了量化，将其鉴别精度最高提升到了75.6%，为临床无创获取肺癌的病理学亚型提供了一种可行方法。

3 影像组学在预测肺癌基因表型中的研究进展以往肺癌的基因表型需要活检，存在有创、取材无法保证等弊端，而影像组学可以分析肿瘤全局的影像特征信息，因此其在预测肿瘤基因表型上具有较大应用潜力。

Liu等［27］的研究表明肺腺癌的表皮生长因子受体（epidermal growth factor receptor，EGFR）突变和胚层腺癌、中/低等病理分期具有显著相关性，EGFR突变组和野生型组之间存在11个影像组学特征的差异具有统计学意义。

该发现证明了基于CT的肺腺癌影像组学特征可以捕捉有用的肿瘤表型，并且当基因突变分析不可用时，可以使用影像特征建立模型来预测肺腺癌的EGFR突变。

Halpenny等［28］报道了肺腺癌原发肿瘤的影像特征和隐匿的BRAF突变状态的关系，发现相同阶段的原发灶基因突变组和无BRAF突变组的CT影像特征差异无统计学意义，证明了肺腺癌的影像组学特征和BRAF突变没有关联。