尹 蕊，胡 兵，吳齊英，柯淑麗，車鵬飛

(三峽大學(xué)附屬仁和醫(yī)院超聲科，湖北 宜昌 443001)

乳腺癌為女性常見惡性腫瘤，是導(dǎo)致女性死亡的主要原因之一。早期準確評估良惡性乳腺腫瘤對改善預(yù)后至關(guān)重要[1-4]。隨著探頭頻率及分辨率的不斷提高以及組織諧波成像等新技術(shù)的發(fā)展，超聲逐漸成為乳腺的首選影像學(xué)檢查方法，但其主觀性強，不同醫(yī)師間診斷結(jié)果差異大，且目前尚無可靠的定量參數(shù)作為診斷標(biāo)準。人工智能的出現(xiàn)推動了影像組學(xué)發(fā)展。影像組學(xué)指借助計算機輔助診斷(computer aided diagnosis, CAD)技術(shù)，從圖像ROI中挖掘高維定量影像特征，分析其與臨床信息、基因表達間的關(guān)系，進而輔助診斷腫瘤、判斷腫瘤生物學(xué)行為、評估療效及預(yù)后等[5]。本文對基于超聲的影像組學(xué)在乳腺腫瘤中的應(yīng)用進展進行綜述。

1 影像組學(xué)流程

影像組學(xué)借助計算機算法，融入醫(yī)學(xué)圖像信息、基因信息及臨床資料，從中提取高通量定量特征，并探索其與疾病的相關(guān)性，為臨床提供信息[6]；其主要工作流程包括影像采集、劃分ROI、提取特征及建模。

1.1 影像采集 在影像組學(xué)大數(shù)據(jù)背景下，為滿足分析的再現(xiàn)性及可比性，達成標(biāo)準化成像協(xié)議以消除混雜因素甚為重要。不同于CT、MRI具有高度可重復(fù)性，對超聲聲像圖進行影像組學(xué)分析的最大挑戰(zhàn)在于掃查切面之間存在高度變異性。因此，在匯總或收集現(xiàn)有數(shù)據(jù)時，首先需提供標(biāo)準化成像數(shù)據(jù)協(xié)議，包括規(guī)范設(shè)備型號及探頭頻率，明確圖像增益、聚焦、深度、分辨率及灰度值等[7]；達成標(biāo)準化成像數(shù)據(jù)協(xié)議后，納入臨床、病理、基因等信息進行多模態(tài)分析。

1.2 劃分ROI 不同分割方式對影像組學(xué)研究結(jié)果產(chǎn)生不同影響。手動分割精準度高，是目前劃分ROI的“金標(biāo)準”，但存在重復(fù)性低且費時、費力等缺點。自動分割通常采用“種子生長”模式，即在腫瘤區(qū)域內(nèi)標(biāo)記1個或多個“種子”，令其執(zhí)行計算機算法自動向四周生長，遇腫瘤邊界時自動停止[8]。常見算法包括區(qū)域增長法、水平設(shè)置法、圖像切割法[9]、動態(tài)輪廓(蛇形)算法、半自動分割法[10]和Livewires法[11]。然而腫瘤形態(tài)復(fù)雜多樣，當(dāng)其邊界模糊難以定義時，需手動劃分，即所謂的半自動分割方法，可在減少人工輸入的同時增加ROI的可重復(fù)性及一致性。

1.3 提取特征 影像組學(xué)特征分為一階、二階和高階特征。一階特征為不考慮空間關(guān)系時所描述的腫塊體素值分布，通?；谥狈綀D。二階特征通常被描述為紋理特征，是圖像中對判斷惡性腫瘤具有指示性的信息，用以闡述病變內(nèi)部的異質(zhì)性?；叶裙采仃嚒⒒叶扔纬滩介L矩陣是使用頻率較高的紋理特征。高階特征為進一步對ROI進行濾波處理，觀察3個或以上體素間的關(guān)系，通常利用鄰域灰度差值矩陣和灰度區(qū)域大小矩陣計算，被認為是與人類視覺分析圖像高度相似的特征[12]。影像組學(xué)通常需提取大量特征，其中不可避免地存在干擾項、冗余項及無關(guān)項，需進行特征篩選和降維處理，以免結(jié)果過度擬合。

1.4 建立模型 選定特征后，通過統(tǒng)計學(xué)分析和計算機算法建立影像組學(xué)模型[13]。目前多數(shù)機器學(xué)習(xí)模型已在影像組學(xué)分析中獲得較好效果，如邏輯回歸、最近鄰、支持向量機、隨機森林和人工神經(jīng)網(wǎng)絡(luò)等[14-16]。

2 超聲組學(xué)用于乳腺腫瘤

2.1 乳腺腫瘤鑒別 目前已有研究[17-20]將超聲圖像與影像組學(xué)相結(jié)合，以挖掘其對于乳腺腫瘤的價值。LI等[17]從多模態(tài)超聲聲像圖中提取5類共1 226個超聲組學(xué)特性，進一步對特征進行屬性分類后，采用8倍交叉試驗得到最終用于鑒別乳腺腫瘤的RAB模型，診斷乳腺良惡性結(jié)節(jié)的AUC達0.902。另有學(xué)者[18-20]將剪切波彈性成像(shear wave elastography, SWE)用于影像組學(xué)研究，分別采用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)技術(shù)和類聚層技術(shù)，最終從圖像中獲得5個與乳腺癌獨立相關(guān)的特征，鑒別乳腺腫瘤的效能優(yōu)于常規(guī)灰階超聲。另有研究[21-22]利用視野更廣闊的3D自動乳腺容積掃描(automated breast volume scanning, ABVS)對乳腺腫瘤進行分析，可獲得高分辨率圖像，且一次掃描即可覆蓋大部分乳腺區(qū)域；影像組學(xué)聯(lián)合3D ABVS鑒別診斷乳腺良惡性腫塊的敏感度和特異度均較高，可顯著提高診斷準確率。三陰性乳腺癌(triple negative breast cancer, TNBC)通常惡性程度高、侵襲性強，常規(guī)超聲可能誤判。LEE等[23]建立鑒別TNBC與乳腺纖維腺瘤的影像組學(xué)模型，利用LASSO算法從730個特征中歸納放射組學(xué)評分，對鑒別TNBC與乳腺纖維腺瘤效果較好；但該研究僅采用iU22型超聲儀，具有一定設(shè)備依賴性。

2.2 乳腺癌分級 乳腺腫瘤組織病理學(xué)表現(xiàn)復(fù)雜多變且存在交叉重疊，故采用多種分級標(biāo)準[24]。乳腺影像報告和數(shù)據(jù)系統(tǒng)(breast imaging reporting and data system, BI-RADS)分類基于超聲醫(yī)師的主觀視覺判斷，其分類結(jié)果在不同醫(yī)師間存在較大差異。有學(xué)者[25]提出通過定量分析超聲聲像圖灰度值來反映腫瘤組織結(jié)構(gòu)和形態(tài)學(xué)特征，并采用LASSO算法從1 044個特征中篩選出9個潛在因子對病灶進行特征評分，結(jié)合BI-RADS分類標(biāo)準綜合評估乳腺病灶列線圖，結(jié)果顯示包含影像組學(xué)評分和BI-RADS的列線圖對乳腺癌分級的AUC達0.928，可有效輔助醫(yī)師診斷。

2.3 生物學(xué)行為預(yù)測 免疫組織化學(xué)主要用于評價生物標(biāo)志物和識別分子亞型，在乳腺癌的治療和預(yù)后判斷中發(fā)揮重要作用[26]，但存在一定局限性：首先，結(jié)果基于醫(yī)師視覺評估，可能存在判斷誤差；其次，活檢為侵襲性操作，取樣和分析均具有不確定性。有學(xué)者[27]采用自動影像組學(xué)模型探討超聲特征與乳腺浸潤性導(dǎo)管癌(invasive ductal carcinoma, IDC)生物學(xué)行為之間的關(guān)系，結(jié)果顯示乳腺癌受體狀態(tài)與超聲表現(xiàn)存在一定聯(lián)系，雌激素受體(estrogen receptor, ER)陽性、人類表皮生長因子受體2(human epidermal growth factor receptor-2, HER-2)陰性乳腺癌與超聲聲像圖所示腫瘤形狀不規(guī)則、復(fù)雜回聲模式和后方聲影存在一定關(guān)聯(lián)。分析其原因，可能在于低級別乳腺癌細胞增殖速度相較緩慢，腫瘤細胞與宿主間存在較長時間的相互作用，病灶周圍出現(xiàn)纖維組織增生，致其邊緣毛糙，表現(xiàn)為小的毛刺或分葉；腫瘤生長緩慢，間質(zhì)反應(yīng)及結(jié)締組織增生導(dǎo)致聲阻抗差異、聲反射和腫塊后方回聲衰減[28]。ZHENG等[29]觀察影像組學(xué)預(yù)測乳腺癌發(fā)生淋巴結(jié)轉(zhuǎn)移的能力，結(jié)果顯示臨床參數(shù)聯(lián)合影像組學(xué)預(yù)測腋窩淋巴結(jié)轉(zhuǎn)移的AUC為0.902。YU等[30]報道，基于腫瘤大小、超聲報告的淋巴結(jié)狀態(tài)和影像組學(xué)特征組成的列線圖預(yù)測乳腺癌淋巴結(jié)轉(zhuǎn)移的AUC>0.80。ZHOU等[31]采用深度學(xué)習(xí)方法自超聲聲像圖中提取原發(fā)性乳腺癌特征，以預(yù)測腋窩淋巴結(jié)轉(zhuǎn)移，對Inception V3、Inception-ResNet V2和ResNet-101體系結(jié)構(gòu)的3種不同的CNN進行訓(xùn)練及測試，并與不同年資超聲醫(yī)師診斷結(jié)果相比較，結(jié)果顯示表現(xiàn)最佳的CNN模型Inception V3的AUC為0.89，敏感度為85%(超聲醫(yī)師為73%)，提示深度學(xué)習(xí)模型可有效預(yù)測乳腺癌淋巴結(jié)轉(zhuǎn)移，為進一步治療提供指導(dǎo)。

2.4 治療效果預(yù)測 術(shù)前新輔助化療(neoadjuvant chemotherapy, NAC)是治療晚期乳腺癌的常用方法。LOWERISON等[32]開發(fā)了分析乳腺腫瘤超聲造影數(shù)據(jù)的一階散斑統(tǒng)計模型，從圖像中篩選功能和結(jié)構(gòu)信息，以評估NAC治療反應(yīng)，結(jié)果顯示從乳腺腫瘤邊緣和中心提取的紋理特征對預(yù)測乳腺癌患者NAC反應(yīng)和生存期的準確性均較高。另有研究[33]基于灰階超聲影像組學(xué)預(yù)測NAC療效，最終選取6個特征納入Logistic回歸模型，其預(yù)測乳腺癌患者NAC療效的AUC為0.88，提示影像組學(xué)分析可發(fā)現(xiàn)灰階圖像評估所無法觀察的微觀表現(xiàn)，為評價NAC療效提供有效信息。

3 小結(jié)與展望

基于超聲聲像圖的影像組學(xué)已在乳腺疾病篩查、診斷及預(yù)后評估中取得了令人滿意的成果，但目前大多數(shù)研究采用回顧性設(shè)計，樣本量相對小，且重復(fù)性差，還需樣本量更大、質(zhì)量更高的前瞻性研究加以驗證上述結(jié)果。相信隨著圖像數(shù)據(jù)的積累和方法的標(biāo)準化，影像組學(xué)在超聲篩查、診斷乳腺癌以及治療和預(yù)后評估等方面將發(fā)揮更大優(yōu)勢。