梁梓南,楊薇,北京大學腫瘤醫(yī)院暨北京市腫瘤防治研究所超聲科惡性腫瘤發(fā)病機制及轉(zhuǎn)化研究教育部重點實驗室 北京市 100142

0 引言

肝臟病變分為局灶性病變和彌漫性病變,臨床上常見的肝局灶性病變(focal liver lesions,FLL)有囊腫或膿腫、局灶性結(jié)節(jié)性增生,血管瘤、肝細胞癌(hepatocellular carcinoma,HCC)、轉(zhuǎn)移瘤等.FLL在發(fā)病的早期,患者一般不會出現(xiàn)典型的臨床癥狀,診斷難度較大,多數(shù)患者確診時已經(jīng)發(fā)展到中晚期,FLL良惡性病變在治療中存在較大差異,且預后效果不同[1-3].因此,FLL盡早進行診斷,對治療及預后有重要意義.超聲是診斷FLL最常用的成像方式之一,與增強電子計算機斷層掃描(computed tomography,CT)或磁共振成像(magnetic resonance imaging,MRI)方式相比,具有實時、無輻射、無腎毒性的優(yōu)點.但是,二維超聲在FLL和復雜的復發(fā)性病變的臨床診斷中作用有限[4].近年來,隨著計算機分析技術(shù)和影像圖像處理技術(shù)相結(jié)合的發(fā)展,Lambin等[5]人首先提出影像組學的概念,其內(nèi)容是將圖像轉(zhuǎn)換為客觀的高通量特征,挖掘患者圖像中豐富的紋理信息,以便對圖像進行分類.影像組學隨后拓展到超聲領(lǐng)域,建立超聲影像組學.表明,超聲組學建立的檢測模型,在FLL良惡性分辨、惡性腫瘤分級診斷及預后預測有良好的應(yīng)用前景.另外,二維超聲圖像對于慢性肝病、肝纖維化及肝硬化的鑒別診斷能力有限,超聲組學的應(yīng)用也改善了肝彌漫性病變的診斷準確性[6].

1 影像組學

影像組學的概念最早由荷蘭學者在2012年提出,是指從影像(CT、MRI、正電子發(fā)射計算機斷層顯像等)中高通量地提取大量影像信息,實現(xiàn)病灶分割、特征提取與模型建立,對大量影像數(shù)據(jù)信息進行更深層次的挖掘、預測和分析,輔助醫(yī)師做出最準確的診斷[5].隨后在超聲診斷領(lǐng)域引入,成為影像組學的一個分支.影像組學研究流程包括圖像的獲取和重建、圖像的分割、圖像的特征提取及量化、特征降維、分類與預測[7,8].影像組學作為一種新興的醫(yī)學圖像處理方法,用于將醫(yī)學圖像轉(zhuǎn)換為反映潛在病理生理信息的高維可挖掘特征[8],并且利用各種最先進的機器學習或深度學習技術(shù)來完成各種臨床任務(wù),極大地推動了精密醫(yī)學的發(fā)展[9].影像組學的應(yīng)用可以鑒別疾病良惡性,評估病變分級,分析預后.由于影像組學反映的是腫瘤的紋理特征信息,是腫瘤內(nèi)異質(zhì)性和基因組異質(zhì)性的重要標志.與基因組異質(zhì)性相關(guān)的腫瘤更可能發(fā)生轉(zhuǎn)移,與預后相關(guān)[5,10],提示基因組異質(zhì)性可以被影像圖像識別[11,12].近期報道,影像基因組學、影像組學、超聲組學已經(jīng)應(yīng)用到肝良性病變、HCC,肝內(nèi)膽管癌,肝轉(zhuǎn)移癌以及肝彌漫性病變中[4,13,14].

2 超聲組學在肝局灶性病變中的應(yīng)用

2.1 肝局灶性病變良惡性鑒別的應(yīng)用 基于超聲影像資料的影像組學分析技術(shù)有助于提取大量客觀的高通量特征,在早期診斷、預后評估和疾病預測方面取得較好的結(jié)果[4,15,16].Yao等[4]人的研究共納入111例FLL患者,其中46例良性病變,47例HCC和18例其他惡性腫瘤病例(11例腺癌和7例膽管癌),均接受了多模式超聲檢查,包括B型超聲,剪切波彈性成像(shear wave elastography,SWE)和剪切波粘度成像.在稀疏表示理論和不對稱數(shù)據(jù)的支持向量機(support vector machine,SVM)的基礎(chǔ)上建立放射學分析系統(tǒng),使用留一法交叉驗證(leaveone-out cross-validation,LOOCV)來評估模型.在該研究中,發(fā)現(xiàn)惡性腫瘤圖像具有更復雜的紋理和更多的結(jié)構(gòu)信息,良性和惡性分類的受試者工作特征曲線(receiver operating characteristic curve,ROC)下面積(area under curve,AUC)為0.94、惡性分型的AUC為0.97、PD-1預測為0.97、Ki-67預測為0.94以及MVI預測為0.98.該模型對良惡性肝腫瘤的分類、惡性腫瘤亞型的區(qū)分以及惡性腫瘤預后預測取得良好的效果.Ta等[17]人利用計算機輔助診斷系統(tǒng)分析了105個病例中95個(90.5%)二維和超聲造影視頻(雙重顯示),惡性50個,良性45個,使用人工神經(jīng)網(wǎng)絡(luò)和SVM進行分析,將這些特征與已知診斷相關(guān)聯(lián),將11種不同的局灶性肝病灶準確分類為良性或惡性,準確性為81.1% (77/95),AUC為0.883,由于研究樣本量受限,所以準確性稍低于其他研究.Peng等[18]人建立了基于Savitzky-Golay濾波器的超聲造影(contrastenhanced ultrasonography,CEUS)定量方法分析肝腫瘤及腫瘤血流動力學,97例肝腫瘤患者在術(shù)前接受CEUS檢查,其中HCC (n=52),結(jié)直腸癌肝轉(zhuǎn)移瘤(n=45),應(yīng)用S-G濾波理論的CEUS定量分析軟件分析CEUS數(shù)據(jù),擬合時間-強度曲線,得到下降斜率a2、上升斜率a3、AUC、平均渡越時間(mean transit time,MTT)、灌注時間(perfusion time,PT)和增強強度(enhanced intensity,EI)等參數(shù)及擬合度指數(shù).腫瘤與周圍正常肝實質(zhì)a2、a3、PT、AUC均有顯著差異,另外轉(zhuǎn)移癌與周圍肝實質(zhì)的EI有顯著差異.HCC和轉(zhuǎn)移癌之間的AUC,a2,a3有統(tǒng)計學差異; a2,AUC和EI與肝內(nèi)大血管癌栓相關(guān),所以SGCQ的參數(shù)可以顯示HCC和轉(zhuǎn)移癌的血液動力學差異.該團隊的另一項研究[19]得到了相似的結(jié)論,PT對于分析HCC的血流動力學,a2及AUC對于分析轉(zhuǎn)移癌的血流動力學有較大的價值.Guo等[20]人分析了93個肝腫瘤(47個惡性,46個良性)的CEUS的圖像,分為兩個階段,第一階段： 對動脈和門靜脈相,動脈和延遲相以及門靜脈和延遲相之間的三組圖像分別進行了深度規(guī)范相關(guān)分析(deep canonical correlation analysis,DCCA); 第二階段： 將這些圖像送到基于多核學習(multiple kernel learning,MKL)的分類器.從而建立基于計算機輔助系統(tǒng)(computer-aided diagnosis,CAD)的兩階段多視圖學習框架(DCCA-MKL框架),其鑒別肝腫瘤良、惡性的準確性、敏感性、特異性分為為90.41%±5.80%,93.56%±5.90%,86.89%±9.38%,證明基于CEUS三相圖像的CAD對于研究肝腫瘤是可行的.Wu等[21]人評估了CEUS的彩色編碼成像(color parametric imaging,CPI)在22例結(jié)直腸癌肝轉(zhuǎn)移和20例非典型血管瘤鑒別診斷中的作用,CPI是CEUS的分析軟件,可用任意顏色表示造影劑在病變中到達時間的差異,從而分析病灶的血流灌注特征.結(jié)果顯示兩種病灶的CPI模(圖1)具有統(tǒng)計學差異.加入CPI成像可以顯著提高兩種病變的診斷效能,其中住院醫(yī)師的診斷準確性得到提高(81.0%vs54.8%),甚至高年資醫(yī)生診斷的特異性和準確性也得到顯著提高(77.3%vs45.5%; 78.6%vs50.0%).吳劍等[22]人研究了42例肝血管瘤患者的CEUS定量特征,結(jié)果顯示,肝臟大、小血管瘤的造影劑峰值強度Imax、灌注指數(shù)高于病灶周圍正常肝實質(zhì),上升時間(rise time,RT)、達峰時間(time to peak,TTP)、平均渡越時間(mean transit time,MTT)均短于病灶周圍正常肝實質(zhì); 肝臟大血管瘤Imax高于小血管瘤,肝血管瘤中央部Imax、RT、TTP均大于邊緣部.利用病灶與其周圍正常肝實質(zhì)的增強程度的差值作為參數(shù)進行動態(tài)血管模型參數(shù)成像,可直觀顯示肝血管瘤與病灶周圍肝實質(zhì)血流灌注的差異.

2.2 肝細胞癌病理分級的應(yīng)用 對于肝癌病理分化程度的鑒別有助于治療方法的選擇.周榴等[23]人提出一種基于二維灰階超聲圖像預測HCC分級影像組學預測模型,通過對43例HCC患者的二維超聲圖像腫瘤區(qū)域影像特征的提取,采用影像組學建模,LOOCV驗證,HCC分級的AUC為0.757.但由于入組病例數(shù)較少,該模型預測的準確性待進一步驗證.CEUS是診斷肝腫瘤常用的手段,其中Sonazoid造影劑的優(yōu)勢在于,在血管后期(即注射造影劑后10 min)可以進行Kupffer相成像.Sonazoid微泡可以被肝Kupffer細胞吞噬,而肝惡性腫瘤幾乎沒有Kupffer細胞,導致Kupffer期明顯存在造影劑缺失[24].因此肝腫瘤惡性程度可以通過觀察Kupffer相進行鑒別.造影劑微泡的最大投影強度和微血流成像可以描繪腫瘤組織中的血管結(jié)構(gòu),腫瘤中的血管結(jié)構(gòu)與腫瘤組織分化程度有相關(guān)性[25].Sugimoto等[26]人認為Kupffer相和微血流成像的結(jié)合可能為評估肝癌的惡性程度提供更精確的信息,對232例經(jīng)病理證實的HCC進行研究,包括76例高分化,133例中分化和23例低分化,第一次注射造影劑連續(xù)觀察1 min,記錄血流和增強情況,第二次注射造影劑進行微血流成像,將微血流圖像、二維超聲和Kupffer相圖像一起顯示,放入CAD系統(tǒng)鑒別HCC的惡性程度,結(jié)果驗證該系統(tǒng)在對HCC的高、中、低分化鑒別方面具有很高的性能,尤其對于分化較差的肝癌,CAD系統(tǒng)的分類準確性為100.0%.

圖1 應(yīng)用彩色編碼的超聲造影參數(shù)成像模式鑒別診斷肝轉(zhuǎn)移癌及不典型血管瘤.A-C:肝血管瘤周圍結(jié)節(jié)增強模型,常規(guī)超聲造影圖像及彩色編碼的參數(shù)圖像; D-F:肝轉(zhuǎn)移癌鑲嵌混亂增強模型,常規(guī)超聲造影圖像及彩色編碼的參數(shù)圖像.

2.3 肝細胞癌預后的應(yīng)用 研究證明,微血管侵犯(microvascular invasion,MVI),不僅是預測HCC早期復發(fā)的重要因素,而且也是評估患者長期生存的重要因素,有研究表明,HCC合并MVI的患者5年無復發(fā)生存率僅為20.8%[27].MVI主要是指在顯微鏡下于內(nèi)皮細胞襯覆的血管腔內(nèi)見到癌細胞巢團[28].劉桐桐等[29]人分析常規(guī)超聲圖像,利用SVM和LOOCV方法對87例HCC的MVI指標以及腫瘤分化等級進行評估,MVI的AUC為0.76,腫瘤分化等級的AUC為0.89,且MVI和分化等級之間存在相關(guān)性.Hu等[30]人回顧性分析了482例接受CEUS的HCC患者,分為訓練組(n=341)和驗證組(n=141),使用LASSO回歸模型建立基于超聲的放射學評分模型,多因素logistic回歸分析： 放射學評分、甲胎蛋白(alpha fetoprotein,AFP)和腫瘤大小是與MVI相關(guān)的獨立因素.應(yīng)用這些因素構(gòu)成影像諾模圖,在訓練組中,影像諾模圖將臨床諾模圖的AUC從0.674提高到0.758,驗證組證明了這一結(jié)果,表明加入臨床因素的影像諾模圖模型可用于肝癌的個體化MVI預測.與常規(guī)超聲圖像相比,超聲原始射頻(original radio frequency,ORF)信號不受諸如亮度補償,深度補償或動態(tài)范圍調(diào)整等影響,并包含所有聲學信息,如衰減,散射,聲速,相位等,這些信息可以比常規(guī)超聲圖像提供更多的組織信息[31,32].Dong等[33]人研究了42例HCC患者,其中21例存在MVI病變,術(shù)前收集肝癌病變的ORF數(shù)據(jù)和二維超聲圖像,利用組學的方法共獲得四種模型,分別是基于時域、頻域和統(tǒng)計特征圖的MVI預測模型(MVI prediction model based on direct energy attenuation,omega of Nakagami distribution and standard deviation of spectrum difference,DOSM)、基于時域和統(tǒng)計特征圖的MVI預測模型(MVI prediction model based on direct energy attenuation and omega of Nakagami distribution,DOM)、基于時域特征圖的MVI預測模型(MVI prediction model based on direct energy attenuation,DM)和基于二維超聲圖像的MVI預測模型(MVI prediction model based on ultrasound grayscale image,GM)模型,研究結(jié)果證明,DOSM模型預測的靈敏度為85.7%,特異性為100%,AUC為95.01%,預測效果優(yōu)于DOM,DM和GM模型,對于術(shù)前無創(chuàng)性預測HCC患者是否存在MVI具有潛在的臨床應(yīng)用價值.Dong等[34]人報道了322例經(jīng)組織病理學證實的HCC病例的回顧性研究,建立基于超聲圖像的放射學算法,術(shù)前分析二維聲像圖分為兩個階段： 第一階段,診斷MVI陰性和MVI陽性病例; 第二階段將MVI陽性病例進一步分類為M1或M2病例.使用隨機森林選取放射特征,在兩個階段生成了總腫瘤區(qū)域(gross-tumoral region,GTR),腫瘤周圍區(qū)域(peri-tumoral region,PTR),總腫瘤結(jié)合腫瘤周圍區(qū)域(gross-and peri-tumoral region,GPTR)的放射學標記,AUC值分別為0.708、0.710和0.726.第一階段,加入臨床因素將GPTR和AFP值組合后的AUC由0.726改進為0.744.但是,第二階段,沒有任何臨床因素與MVI狀態(tài)獨立相關(guān).提示該算法對HCC患者術(shù)前MVI的預測具有潛在價值,GTR放射學標記可能有助于進一步區(qū)分MVI陽性患者的M1和M2分級(表1).

3 超聲組學在肝臟彌漫性病變中的應(yīng)用

肝纖維化是慢性肝病的可逆性病理改變.早期準確的診斷對于及時治療和預后具有重要的臨床意義.《慢性乙型肝炎病毒感染預防、護理和治療指南》(2015年)提出,建議使用簡單的非侵入性診斷方法評估肝炎肝硬化的發(fā)展階段,并對治療的給出恰當建議[35].超聲成像是最常用篩查和診斷慢性肝病的影像學方法,然而,難以在慢性肝病和肝硬化之間進行視覺區(qū)分,而且主觀性強,缺乏統(tǒng)一的量化標準.利用超聲組學設(shè)計計算機模型有助于更客觀對肝纖維化進程進行評估.付甜甜等[36]人設(shè)計了99只肝纖維化大鼠實驗?zāi)Ｐ?在不同階段對大鼠進行二維超聲和彈性成像檢查,構(gòu)建兩種檢測模型： (1)基于影像組學的機器學習方法模型; (2)機器學習法與超聲彈性成像相結(jié)合的預測模型.機器學習法在評估各階段肝纖維化的準確性達80%以上,聯(lián)合方法診斷效能較機器學習方法有效,且診斷肝硬化的靈敏度最高,兩種方法均在診斷顯著肝纖維化中效果最佳,為診斷肝纖維化進程提供新的方法.王偉等[37]人將超聲組學診斷肝纖維化分級運用到臨床實驗中,對144名慢性乙型肝炎患者進行前膽性研究,將放射組學參數(shù)、原始射頻參數(shù)(original radio frequency,ORF)和動態(tài)微血管成像參數(shù)構(gòu)建超聲組學模型,結(jié)果證明基于機器學習的多參數(shù)超聲組學分析可以優(yōu)化中重度纖維化的診斷效能.Wang等[14]人開發(fā)了彈性成像的深度學習模型以評估肝纖維化階段,采用影像組學的方法對二維剪切波彈性成像圖像中的異質(zhì)性進行定量分析,是一項前瞻性多中心研究,共納入來自12家醫(yī)院398名患者的圖像,同時加入天冬氨酸轉(zhuǎn)氨酶、血小板比率指數(shù)和纖維化指數(shù)血清指標,對慢性乙型肝炎患者進行了評估,肝硬化(F4)、晚期纖維化(≥F3)和顯著性纖維化(≥F2)的AUC分別為0.97、0.98、0.85.與生物標志物相比,彈性成像的深度學習在預測肝纖維化分期方面表現(xiàn)出最好的效果,且隨著從每個人獲取圖像的增多(尤其是≥3張圖像),其診斷準確性進一步提高.宋家琳等[38]人根據(jù)超聲組學評估肝硬化分級,選取了95例肝硬化患者和21名健康志愿者(對照組),分析了實驗者的高頻超聲圖像.當出現(xiàn)肝硬化時,肝組織紋理特點為不隨機、不規(guī)則的“缺陷”區(qū)域,利用計算機算法定位“缺陷”,檢測的參數(shù)可以評估早期肝功能,對肝硬化分級診斷有一定價值.Virmani等[6]人探索了一種區(qū)分正常肝,肝硬化肝和肝硬化HCC的系統(tǒng),共分析了56例超聲影像,包括15例正常肝,16例肝硬化和25例HCC肝圖像,利用遺傳算法結(jié)合SVM的特征選擇方法,將分類準確率提高到88.8%,診斷正常和肝硬化的敏感性為90%,對HCC病例的敏感性為86.6%,證明該系統(tǒng)可以提高診斷準確性.

表1 評估各類肝局灶性病變的超聲組學模型及效果

4 不足及展望

雖然超聲組學在肝局灶性或彌漫性病變診斷、分級以及預后有一定的進展,但是現(xiàn)有的實驗大多是單一機構(gòu)的小樣本探索,而且受到某些良性疾病發(fā)病率低,早期無癥狀的影響,所得結(jié)論缺乏廣泛驗證.研究結(jié)果仍需經(jīng)過多中心、大樣本、隨機對照臨床試驗反復檢驗和提煉,才能準確、可靠、有效地指導臨床醫(yī)療策略.雖然影像組學融合計算機算法,通過海量數(shù)據(jù)可使結(jié)果更加客觀,但是同一病灶通過不同設(shè)備采集獲得的圖像差別較大,給基于灰度值特征的分析如直方圖、紋理分析等帶來一定影響.對于邊界模糊不清的腫瘤感興趣區(qū)域提取,手動分割、計算機半自動分割和計算機全自動分割的結(jié)果存在明顯差異,會降低特征的穩(wěn)定性.隨著超聲儀器的智能化發(fā)展,超聲檢查方法的規(guī)范化培訓以及計算機處理水平的改善,相信超聲組學也將提升至新的階段,今后會在安全,無輻射的基礎(chǔ)上,為臨床應(yīng)用提供精準的診斷信息.