朱 娜，侯 陽(yáng)

(中國(guó)醫(yī)科大學(xué)附屬盛京醫(yī)院放射科，遼寧 沈陽(yáng) 110004)

隨著胸部CT的普及，肺結(jié)節(jié)檢出率顯著提高。良惡性肺結(jié)節(jié)之間CT特征存在重疊，如何早期鑒別良惡性肺結(jié)節(jié)是臨床亟待解決的問(wèn)題[1]。隨著人工智能技術(shù)的發(fā)展，將醫(yī)學(xué)影像學(xué)與人工智能技術(shù)相結(jié)合的影像組學(xué)對(duì)診斷肺癌[2]、預(yù)測(cè)病理分型[3]及評(píng)估預(yù)后[4-5]等具有重要作用。本研究就影像組學(xué)概念、常用技術(shù)及其在鑒別診斷良惡性肺結(jié)節(jié)中的應(yīng)用進(jìn)展進(jìn)行綜述。

1 影像組學(xué)的概念

影像組學(xué)指基于影像學(xué)圖像(CT、MRI及PET-CT等)提取病變的形狀、強(qiáng)度、紋理和小波等特征，并轉(zhuǎn)換為高維度可量化的定量特征數(shù)據(jù)以進(jìn)一步反映病變的生物學(xué)信息的人工智能技術(shù)，可為診斷疾病、預(yù)后評(píng)估和預(yù)測(cè)療效等提供相關(guān)信息[6]。

2 影像組學(xué)研究中CT成像方法

2.1 掃描方式 常規(guī)CT平掃及增強(qiáng)圖像均可用于鑒別肺結(jié)節(jié)良惡性的影像組學(xué)研究。研究[7-8]證實(shí)，鑒別良惡性肺結(jié)節(jié)的影像組學(xué)研究中，平掃圖像的應(yīng)用價(jià)值與增強(qiáng)圖像相當(dāng)甚至更佳。WU等[7]于胸部CT平掃及增強(qiáng)圖像中提取影像學(xué)特征及定量紋理特征，建立模型鑒別良惡性病變，其AUC分別為0.86及0.83。HE等[8]發(fā)現(xiàn)，基于平掃CT建立的影像組學(xué)模型相比增強(qiáng)CT具有更好的診斷效能，其AUC(0.86)高于后者(0.83)，原因可能在于增強(qiáng)掃描時(shí)腫瘤生物學(xué)異質(zhì)性被強(qiáng)化所掩蓋，導(dǎo)致良惡性結(jié)節(jié)間影像組學(xué)特征差異不明顯[7]。

2.2 窗口技術(shù) 常規(guī)影像組學(xué)鑒別良惡性肺結(jié)節(jié)主要采用縱隔窗圖像?？v隔窗圖像中結(jié)節(jié)實(shí)質(zhì)部分與侵襲性有關(guān)，提取縱隔窗圖像特征可提高亞實(shí)性肺結(jié)節(jié)分類結(jié)果的一致性[9]。LU等[10]同時(shí)自肺窗和縱隔窗圖像提取影像組學(xué)特征構(gòu)建預(yù)測(cè)模型，以區(qū)分良惡性肺結(jié)節(jié)，其AUC為0.85，準(zhǔn)確率達(dá)84.67%，診斷效能優(yōu)于單一窗口圖像，提示聯(lián)合應(yīng)用肺窗和縱隔窗圖像能提供更多診斷相關(guān)信息。

2.3 圖像層厚 影像組學(xué)模型對(duì)肺結(jié)節(jié)的診斷效能與CT圖像層厚有關(guān)。TAN等[11]分別于層厚1.25 mm、2.5 mm及5.0 mm的CT圖像上對(duì)病灶進(jìn)行一維、二維及三維勾畫(huà)，發(fā)現(xiàn)其間病變大小存在差異。HE等[8]分別于層厚1.25 mm和5 mm的胸部CT圖像中提取病灶影像組學(xué)特征建立模型鑒別良惡性病變，發(fā)現(xiàn)層厚1.25 mm圖像建立模型的診斷效能(AUC=0.86)優(yōu)于層厚5 mm圖像(AUC=0.79)。與薄層圖像相比，厚層圖像的部分容積效應(yīng)較大，對(duì)識(shí)別邊界和計(jì)算圖像紋理特征產(chǎn)生一定影響，導(dǎo)致模型診斷效能存在差異。

3 影像組學(xué)在鑒別良惡性肺結(jié)節(jié)中的應(yīng)用

3.1 影像組學(xué)鑒別良惡性肺結(jié)節(jié) 影像組學(xué)特征是通過(guò)計(jì)算機(jī)提取的人眼無(wú)法識(shí)別的高通量特征空間，能反映常規(guī)影像學(xué)無(wú)法提供的信息[12]，不同影像組學(xué)研究提取的特征不盡相同。HAWKINS等[13]對(duì)600個(gè)肺結(jié)節(jié)于CT圖像中提取219個(gè)特征，最終篩選出23個(gè)穩(wěn)定特征用于鑒別良惡性肺結(jié)節(jié)，準(zhǔn)確率達(dá)80%，假陽(yáng)性率為9%；但該研究采集CT圖像的標(biāo)準(zhǔn)不一、層厚不等，且結(jié)合相關(guān)臨床資料較少，所用支持向量機(jī)(support vector machine, SVM)算法內(nèi)存消耗大，對(duì)缺失數(shù)據(jù)敏感，限制了其鑒別潛力。SHAKIR等[14]對(duì)200個(gè)肺結(jié)節(jié)自CT圖像中提取105個(gè)三維特征，篩選出25個(gè)較穩(wěn)定的特征建立模型鑒別良惡性，其中形狀和一階特征的穩(wěn)定性更好，模型的AUC達(dá)0.99。HUANG等[15]針對(duì)186個(gè)肺結(jié)節(jié)的CT圖像提取小波、紋理、形態(tài)等影像組學(xué)特征建立模型鑒別良惡性結(jié)節(jié)，陽(yáng)性預(yù)測(cè)值達(dá)0.86，優(yōu)于肺部CT篩查報(bào)告及數(shù)據(jù)系統(tǒng)(lung CT screening reporting and data system, Lung-RADS)(0.64)；但該研究對(duì)每例患者僅提取術(shù)前CT所示1個(gè)結(jié)節(jié)的特征，可能錯(cuò)失結(jié)節(jié)動(dòng)態(tài)及穩(wěn)定性信息。

3.2 影像組學(xué)鑒別不同密度良惡性肺結(jié)節(jié) 根據(jù)實(shí)性成分占比，肺結(jié)節(jié)可分為實(shí)性、亞實(shí)性和磨玻璃結(jié)節(jié)[13]，基于不同密度肺結(jié)節(jié)建立的鑒別良惡性結(jié)節(jié)模型常具有不同診斷效能。CHOI等[16]基于72例實(shí)性肺結(jié)節(jié)的CT圖像提取103個(gè)影像組學(xué)特征以構(gòu)建鑒別良惡性肺結(jié)節(jié)模型，準(zhǔn)確率達(dá)0.85。FENG等[17]發(fā)現(xiàn)年齡、病灶邊緣特征和影像組學(xué)特征是鑒別實(shí)性肺腺癌與肺實(shí)性肉芽腫的重要因素，但該研究中良性病變僅為肺結(jié)核，有待增加疾病類型進(jìn)一步觀察。

惡性結(jié)節(jié)實(shí)性成分占比與其侵襲性密切相關(guān)[18]，亞實(shí)性磨玻璃結(jié)節(jié)惡性可能較高。CHAE等[19]回顧性分析86例亞實(shí)性磨玻璃結(jié)節(jié)的CT影像組學(xué)特征，所建立鑒別良惡性結(jié)節(jié)模型的AUC達(dá)0.98，且惡性混合磨玻璃結(jié)節(jié)常具有較小的質(zhì)量和較高的峰度值。XUE等[20]應(yīng)用影像組學(xué)模型鑒別良惡性磨玻璃結(jié)節(jié)，對(duì)訓(xùn)練隊(duì)列和驗(yàn)證隊(duì)列的AUC分別為0.76和0.79。LUO等[21]基于100個(gè)磨玻璃結(jié)節(jié)的CT特征建立影像組學(xué)模型鑒別良惡性病變，其AUC達(dá)0.90。以上結(jié)果提示，影像組學(xué)對(duì)鑒別良惡性肺結(jié)節(jié)具有重要輔助作用[22-23]。

3.3 影像組學(xué)鑒別不同大小良惡性肺結(jié)節(jié) 定性診斷肺結(jié)節(jié)、尤其是較小結(jié)節(jié)對(duì)于早期診斷及治療非常重要，然而單純依靠高分辨率CT定性診斷難度很大。XU等[24]觀察并比較影像組學(xué)對(duì)不同大小良惡性肺結(jié)節(jié)的鑒別診斷效能，其鑒別直徑0～1 cm、1～2 cm、2～3 cm良惡性肺結(jié)節(jié)的診斷模型的AUC分別為0.84、0.78、0.79，且對(duì)直徑0～1 cm結(jié)節(jié)的敏感度、特異度和準(zhǔn)確率均高于其余2組，提示基于直徑0～1 cm肺結(jié)節(jié)CT建立的影像組學(xué)模型的診斷價(jià)值最高；但該研究樣本存在一定選擇偏倚，0～1 cm結(jié)節(jié)組惡性率低，有待擴(kuò)大樣本量進(jìn)一步驗(yàn)證。

3.4 影像組學(xué)鑒別良惡性肺結(jié)節(jié)研究現(xiàn)狀 早期診斷肺癌為臨床診療的重點(diǎn)和難點(diǎn)。CT是篩查肺結(jié)節(jié)的主要手段[25-27]，基于CT影像組學(xué)鑒別良惡性肺結(jié)節(jié)現(xiàn)已取得較好效果。BEIG等[2]以病理結(jié)果為金標(biāo)準(zhǔn)，按1∶1比例將290個(gè)肺結(jié)節(jié)分為影像組學(xué)模型組及人工診斷對(duì)照組，于結(jié)節(jié)內(nèi)及周圍區(qū)域提取結(jié)節(jié)形狀、小波和紋理特征，采用SVM算法根據(jù)結(jié)節(jié)內(nèi)組學(xué)特征建立鑒別良惡性肺結(jié)節(jié)的影像組學(xué)模型，其AUC達(dá)0.75；結(jié)合結(jié)節(jié)內(nèi)和結(jié)節(jié)周圍影像組學(xué)特征建立的預(yù)測(cè)模型的AUC提高至0.80，準(zhǔn)確率、敏感度、特異度分別為0.71、0.74、0.68；但該研究?jī)H提取病灶2D特征，未結(jié)合3D特征建立更全面的預(yù)測(cè)模型，有待完善。FENG等[17]分別建立臨床風(fēng)險(xiǎn)因素模型(年齡、性別和基于CT特征，如病變大小、位置、邊緣、分葉狀尖銳和毛刺征等)、影像組學(xué)模型及聯(lián)合影像組學(xué)特征和臨床風(fēng)險(xiǎn)因素的綜合模型預(yù)測(cè)426例肺結(jié)節(jié)的良惡性，影像組學(xué)模型采用基于U-Net的深度學(xué)習(xí)模型分割結(jié)節(jié)，提高分割性能的穩(wěn)定性和準(zhǔn)確性，以最小絕對(duì)收縮和選擇算子(least absolute shrinkage and selection operator, LASSO)Logistic回歸算法降低分類器的β系數(shù)，減小分類器方差，避免過(guò)擬合，結(jié)果顯示綜合模型的診斷準(zhǔn)確率高于單一模型，其對(duì)訓(xùn)練集、內(nèi)部驗(yàn)證和外部驗(yàn)證隊(duì)列進(jìn)行預(yù)測(cè)的AUC分別為0.97、0.93和0.91，對(duì)外部驗(yàn)證隊(duì)列的診斷準(zhǔn)確率、敏感度、特異度分別為0.82、0.79、0.95，表明影像組學(xué)特征聯(lián)合臨床風(fēng)險(xiǎn)因素對(duì)于鑒別診斷良惡性肺結(jié)節(jié)具有重要價(jià)值。

4 小結(jié)與展望

作為人工智能技術(shù)的重要組成部分，影像組學(xué)對(duì)鑒別良惡性肺結(jié)節(jié)具有重要輔助診斷作用，但仍存在不足：①影像組學(xué)研究往往需要較大數(shù)據(jù)集，單中心數(shù)據(jù)集或樣本選擇偏倚易導(dǎo)致過(guò)擬合現(xiàn)象或診斷偏倚[22]；②尚未統(tǒng)一標(biāo)準(zhǔn)用于分割病灶，分割結(jié)果往往與操作者主觀因素有關(guān)[23]；③人工分割病灶需耗費(fèi)大量人力、物力及時(shí)間，而自動(dòng)分割魯棒性和精確度難以保證。目前人工智能方興未艾，隨著標(biāo)準(zhǔn)化大數(shù)據(jù)庫(kù)的建立、小樣本遷移學(xué)習(xí)等人工智能算法的開(kāi)發(fā)，影像組學(xué)診斷效能及模型的魯棒性有望顯著提升，進(jìn)而提高診治肺結(jié)節(jié)水平。