乳腺癌影像组学的研究进展

乳腺癌是全世界最常见的恶性肿瘤之一，也是导致女性死亡的第二大癌症[1]。在精准医疗时代，乳腺癌早期诊断、早期治疗是临床中的关键问题。这一过程中，医学成像技术是必不可少的。其中，MRI 因其较高的软组织分辨率，作为目前诊断乳腺癌常用的成像方式。利用动态对比增强MRI(dynamic contrast enhanced MRI，DCE-MRI)、扩散加权成像(diffusion-weighted imaging，DWI)等序列，获得更多、更准确的肿瘤信息。然而这些医学图像中含有我们肉眼观察不到的信息。在过去几年，学者指出这种信息可以通过纹理和形状等分析从影像中提取，伴随计算机技术的快速发展，影像组学应运而生。本文就乳腺癌MRI 影像组学方面的研究进展进行综述。

1 影像组学概述

“组学”是一种起源于分子生物学的术语，用来表征DNA、RNA、蛋白质和代谢物[2]。影像组学概念最初由一位美国学者于2010年提出[3]，它的提出是基于一种假设，即所提取的影像特征是发生在组织基因型和表型特征相关的遗传和分子水平上的产物[4-5]。它从影像中高通量提取定量特征，创建高维数据集，然后进行数据挖掘，从而辅助临床决策，实现个体化精准治疗[6-7]。影像组学是一种分析框架，适用于各种目标部位和成像方式，一般包括以下几个步骤：图像采集与重建、病灶分割、特征提取和特征分析(特征筛选和模型建立)。传统影像组学特征包含形态学、直方图、纹理以及变换特征[2]。

2 影像组学在乳腺良恶性鉴别中的应用

DCE-MRI可以提供有关血管生成的功能性信息，可以将其作为肿瘤的特定特征[8]。Lo Gullo 等[9]针对96 例BRCA 突变患者的116 例BI-RADS 3 或者BI-RADS 4 类1 cm 以下 乳腺病变进行研究，从DCE-MRI 和T1 加权成像中提取了102 个影像组学特征，并结合临床因素来鉴别良恶性，建立的预测模型鉴别能力优于放射科医师，从而减少了良性小病灶不必要的活检。但研究为单中心，存在样本量小，数据偏移等局限性，并且由于病灶较小导致勾画ROI 过程中存在一定困难和误差。DWI 通过描述组织的扩散率，可以反映组织微环境和膜完整性[10]，被认为是提高乳腺良恶性鉴别最有价值的序列[11]，近期研究指出定量DCE 药代动力学参数和扩散峰度成像(diffusion kurtosis imaging，DKI)具有更好的诊断准确性[12-13]。Zhang 等[14]则利用多种MRI 序列包括T2 加权成像、DCE 参数(Ktrans，Kep，and Vp)、DKI、ADC 和T1 加权成像进行影像组学分析，采用支持向量机方法分别建立单序列和多序列联合模型来预测乳腺病灶良恶性，最终联合模型表现最好(AUC＝0.921)，其中T1 加权成像和ADC 影像特征的融合并未提高模型的效能。Truhn 等[15]通过对乳腺DCE-MRI 图像进行影像组学分析和深度学习来预测强化病灶的良恶性，结果显示深度学习模型表现要优于影像组学模型，但是均明显低于放射科医师的诊断能力，可能与样本量较小、纳入患者的高患癌风险和诊断医师的水平有关。作者还研究了模型在小病灶组和不同样本量组的表现，发现深度学习模型小病灶良恶性鉴别能力仍好于影像组学模型，但容易受到样本量的影响。本研究团队[16]则从DWI 中提取纹理特征，并研究这些特征在乳腺癌与纤维腺瘤之间的差异性，发现两者间方差、标准差、强度及分位数(5、10、25、50、75、90、95)等存在统计学差异，但本研究数据量较小，缺乏非肿块型、不同病理类型、分子分型的乳腺癌，研究结果缺乏验证集验证。目前乳腺良恶性方面文章开始聚焦于小病灶，DCE 药代动力学参数、MRI 多序列联合及深度学习的应用有助于提高模型效能。但研究多为单中心，受到了样本量的限制。

3 影像组学在乳腺癌受体类型、分子分型中的应用

不同分子分型在治疗方案、治疗效果及预后方面具有差异性[17]，乳腺癌受体类型及分子亚型的确定对制定患者治疗策略至关重要。Xie 等[18]等从134 例乳腺癌患者的DCE、DWI图像中提取特征，建立不同的影像组学模型来鉴别分子亚型、三阴与非三阴型乳腺癌。在四分类任务中，线性判别分析模型准确率最高(72.4%)。支持向量机模型鉴别三阴、非三阴型乳腺癌的准确率最高(91.0%)。考虑到磁共振参数可能影响纹理特征，进而影响影像组学模型的稳定性，作者从不同时间点DCE 和不同b 值DWI 图像中提取影像组学特征。但本研究由于其回顾性本质，导致了样本量有限及样本类型分布不均衡的问题，模型可能没有得到充分训练。Zhang 等[19]将DCE-MRI 图像分别输入到两种深度学习网络进行分子分型和受体类型预测，并取得了较好的预测结果。然后，作者将深度学习模型作为一种预训练模型重新在不同的患者组之间进行训练和验证，来探究迁徙学习能否提高模型效能。结果表明迁徙学习后模型的准确率得到明显提高。大多文章可以实现受体类型、分子分型的多任务预测，利用不同时间点DCE 及不同b 值DWI 影像特征、深度学习或迁徙学习可以提高模型效能，但研究多为单中心研究，不均衡、小规模的样本量可能会影响到模型效能。

上一篇：乳酸何去何从运动抗肿瘤的作用及其特异性研究
下一篇：没有了