王沛哲，閆呈新

山東第一醫(yī)科大學第二附屬醫(yī)院影像科，山東泰安 271000

胃腸道間質(zhì)瘤（GIST）起源自Cajal間質(zhì)細胞，是消化系統(tǒng)中最常見的間葉源性腫瘤［1］。一項針對于我國4.3億城鎮(zhèn)人群的研究表明，GIST發(fā)病率大約為0.40/10萬人年，男女比例為1.22∶1，年齡（55.2±14.26）歲［2］。GIST 主要發(fā)生于胃（64.5%）、小腸（25.1%）、結(jié)腸（5.1%）和食管（1.9%），約3.3%出現(xiàn)在網(wǎng)膜、腸系膜、后腹膜等胃腸道外［3］。多層螺旋CT（MSCT）掃描速度較快，密度分辨率較高，安全無創(chuàng)，增強后還可顯示GIST的強化方式、程度、腫瘤供血血管及與周圍組織器官的關(guān)系等，是GIST檢查、診斷及分級的首選影像學檢查方法，對腫瘤生物學行為預測、治療方案選擇、療效評價及預后評估具有重要的價值［4-5］。但這種基于CT形態(tài)學診斷的傳統(tǒng)模式有一定的局限性。影像組學采用高通量特征提取算法進行定量分析，深入挖掘腫瘤或其他實體疾病無法用肉眼分辨的隱藏信息，反映不同類型腫瘤的異質(zhì)性，被廣泛運用于鑒別不同組織學表型的腫瘤［6-7］，在指導GIST診療方面具有廣泛的臨床應(yīng)用前景。腫瘤異質(zhì)性與其臨床生物學行為密切相關(guān)，穿刺活組織病理學檢查只能獲取腫瘤局部組織，不能反映病灶的整體情況及活體內(nèi)生存代謝的狀態(tài)［8］。鑒于GIST的惡性潛能較高，病理診斷具有侵入性，而影像組學具有揭示腫瘤在空間和時間上存在異質(zhì)性的能力，且近年來研究漸成趨勢并有望取得良好的效果，為此，本文就影像組學在GIST的研究進展進行綜述。

1 影像組學的概念

影像組學由荷蘭學者LAMBIN等［9］于2012年首次提出，是利用大量自動化數(shù)據(jù)特征算法，高通量地從影像的感興趣區(qū)中提取大量的定量圖像特征數(shù)據(jù)，轉(zhuǎn)化為具有高分辨率的可挖掘的高維特征空間數(shù)據(jù)，用于描述腫瘤異質(zhì)性的深層信息。作為腫瘤潛在基因表達模式及相關(guān)生物特征的替代標志物，影像組學為臨床精確診斷、精準化個體治療、預測遠處轉(zhuǎn)移、預后評估等決策提供幫助［10］。影像組學主要包含以下步驟：①數(shù)據(jù)采集與標準化。影像組學的本質(zhì)是圖像分析，足量標準化影像圖像采集是影像組學研究成功的基礎(chǔ)。針對具體的研究問題和目的，收集統(tǒng)一的、標準化的圖像參數(shù)的數(shù)據(jù)集，是消除影像組學疾病診斷混雜偏倚的關(guān)鍵。②圖像分割與繪制。對病灶感興趣區(qū)或感興趣體積的分割，采用的方法有手動、半自動及自動分割，其中手動分割仍被認為是大多數(shù)放射組學分割的金標準［11-13］。邊界的選擇將影響結(jié)論的準確性，通常分割及勾畫時會剔除病灶中的空氣和鈣化［14］。③特征提取和處理。影像組學的核心步驟就是從圖像中提取出語義特征和非語義特征［15］。由于提取后的影像組學特征數(shù)量繁多，為選取預測效能最高的特征，需要對提取的特征進行降維處理，運用單因素分析、最大相關(guān)最小冗余、“套索”回歸［16］等方法篩除冗余和噪點。④模型建立。特征選取后用篩選的影像組學特征聯(lián)合臨床、病理特征，建立分類或預測模型，即訓練集，再用驗證數(shù)據(jù)（驗證集）來驗證模型的準確性，最終選取出一個合適的高精度模型。目前常用的方法有l(wèi)ogistic回歸模型、隨機森林、支持向量機［17］、人工神經(jīng)網(wǎng)絡(luò)［18］等。其中l(wèi)ogistic回歸模型因簡單、可操作性強，被廣泛應(yīng)用于臨床。

2 基于CT的影像組學在GIST中的應(yīng)用

2.1 胃腸道腫瘤的鑒別診斷 GIST與平滑肌瘤、平滑肌肉瘤、神經(jīng)鞘瘤、胃腺癌和淋巴瘤等疾病的影像學表現(xiàn)相似，但治療的方法和預后卻顯著不同。有時僅靠MSCT平掃及增強很難將其進行鑒別診斷。目前多項研究發(fā)現(xiàn)影像組學可以增加GIST診斷的準確性，同時能鑒別其他消化道腫瘤。BA-SSALAMACH等［19］分析了47例動脈期和48例門脈期GIST、腺癌及淋巴瘤患者術(shù)前增強CT圖像的紋理特征，發(fā)現(xiàn)動脈期CT圖像中的紋理特征能準確鑒別淋巴瘤和GIST（誤判率0%）；門脈期圖像對GIST與淋巴瘤的鑒別成功率略低，但能夠區(qū)分腺癌和GIST（誤判率8%）。SUN等［20］分析了基于增強CT的影像組學對鑒別GIST與胃癌的意義，分別建立了常規(guī)CT特征模型、影像組學特征模型及二者的聯(lián)合診斷模型，結(jié)果表明，聯(lián)合診斷模型可明顯提高GIST 與胃癌鑒別準確性（P=0.03）。王睿［21］基于XGBoost算法，得出影像組學模型對胃神經(jīng)內(nèi)分泌腫瘤與胃腺癌鑒別的靈敏度、特異度、AUC及準確性均優(yōu)于常規(guī)CT的特征模型（P<0.05）；侯宗賓［22］又進一步研究發(fā)現(xiàn)，CT紋理特征中的Kurtosis及Entropy可作為鑒別胃間質(zhì)瘤和其他胃良性黏膜下腫瘤的獨立影響因素，常規(guī)CT形態(tài)學模型與影像組學聯(lián)合模型對其鑒別的診斷效能明顯優(yōu)于傳統(tǒng)CT特征。上述研究表明，影像組學特征可較準確地對GIST進行診斷，在診斷與鑒別診斷消化道腫瘤方面具有明顯優(yōu)勢，同時結(jié)合與臨床、病理聯(lián)合的模型具有更準確的診斷效能。

2.2 病理危險度分級的預測和評估 GIST生物學行為及危險程度分級的研究一直是熱點，目前對于GIST的病理學危險程度分級較常用的是改良NIH標準（2008年），其根據(jù)腫瘤大小、核分裂象計數(shù)及腫瘤原發(fā)部位將危險度分級分為四級，即極低危險度、低度危險度、中度危險度和高度危險度［4］。目前多項應(yīng)用影像組學對GIST病理學危險度分級進行預測和評估的研究取得了一定的成果。LIU等［23］對78例低危險度和極低危險度GIST患者的CT平掃、動脈期和靜脈期圖像的影像組學分析，認為其診斷效果較好。ZHANG等［24］研究了140例中危和高?；颊咝g(shù)前GIST的動脈期CT增強圖像，運用隨機森林的方式建立模型，發(fā)現(xiàn)影像組學特征在區(qū)分GIST中危和高危時具有較高的診斷效果（AUC為0.935）。REN等［25］學者在一項針對440例患者回顧性研究中發(fā)現(xiàn)，通過線性相關(guān)及LASSO回歸降維所建立的影像組學模型能區(qū)分低危險度和高危險度GIST（在訓練和驗證隊列中，AUC分別為0.935和0.933）；WANG等［26］對333例GIST的增強CT圖像建立的logistic回歸模型，證明在訓練集及驗證集均對低風險和高風險GIST的區(qū)分能力較好（AUC分別為0.882和0.920）；侯宗賓［22］研究了98例GIST患者的危險度分級，得出了影像組學紋理模型聯(lián)合傳統(tǒng)CT模型的效果最好（AUC為0.964），并優(yōu)于傳統(tǒng)CT模型；ZHANG等［27］通過對330例GIST患者多中心的回顧性研究表明，CT平掃對高危GIST患者的預測與增強掃描相當。FENG等［28］從90例小腸間質(zhì)瘤患者的動脈期、靜脈期CT圖像中提取了不同的紋理參數(shù)，其中容積紋理特征，特別是熵對危險度分層的診斷準確率最高（AUC在動脈期和靜脈期分別為0.823和0.830），說明不同紋理特征參數(shù)對GIST分級具有一定的差異。上述研究表明，基于CT圖像的影像組學對于GIST危險度分級具有良好的鑒別預測能力，可以為臨床精準治療提供幫助。

2.3 預測腫瘤細胞的增殖狀態(tài) Ki-67增殖指數(shù)可以反映細胞分裂、增殖活性，是一種臨床上廣泛應(yīng)用的免疫組化標志物，用以判斷腫瘤的惡性程度、侵襲性及生存時間及預后情況［29］。研究表明，Ki-67的高表達與GIST的病變體積、有絲分裂率、惡性風險及侵襲性呈正相關(guān)，代表著預后不良［30-31］。國內(nèi)外文獻報道，GIST的MSCT特征與Ki-67的表達水平具有顯著相關(guān)性［32-33］。隨著影像組學的不斷發(fā)展，有學者對GIST的CT紋理特征與Ki-67進行相關(guān)研究，ZHANG等［34］對339例GIST的增強CT進行分割勾畫，通過多變量logistic模型繪制諾莫圖，結(jié)果表明增強CT的影像組學特征聯(lián)合腫瘤大小與Ki-67的表達明顯相關(guān)（訓練組、內(nèi)部驗證組和外部驗證組AUC分別為 0.801，0.828和 0.784）。ZHAO 等［33］將344例患者分為訓練集和外部驗證集，建立了Ki-67指數(shù)的影像組學預測模型，證明影像組學可術(shù)前預測Ki-67指數(shù)（AUC分別為0.835和0.784）。上述研究證實影像組學在預測腫瘤細胞的增殖狀態(tài)方面有很大潛力。

3 基于CT的影像組學在GIST研究中的不足

作為一個新的研究領(lǐng)域，基于CT的影像組學對GIST的研究還存在一些不足。首先，多數(shù)研究仍是單中心小樣本研究，各機構(gòu)評價標準又不盡相同，即使在同一研究中，驗證組模型效果也明顯弱于實驗組。其次，因采集設(shè)備不同，或管電壓、層厚等參數(shù)的選擇不同，所獲取的圖像存在明顯差異［35］。增強掃描所使用的對比劑、注射時相差異也會影響腫瘤周圍微環(huán)境，導致圖像紋理具有差別［36］。第三，不同研究者所篩選的標準有差異［37］，篩選出的影像組學特征也不盡相同。這些均可導致研究的可重復性有待進一步提高，影像組學在GIST方面的研究還不能全面應(yīng)用于臨床。

4 展望

在當前強調(diào)精準醫(yī)療的社會背景下，影像組學在術(shù)前能較準確的對GIST做出診斷，預測其危險度分級及生物學特征，并有望評估評判放化療治療效果［38］。同時，隨著計算機科學與醫(yī)學的融合，基于影像的無監(jiān)督學習及深度學習成為識別、分析及驗證定量特性的重要方法，這可以減少特征篩選的偏倚以取得更好的分類效能，極大地降低實驗者的工作量。基于不同機器學習方法的影像組學作為當前最具研究價值的交叉學科研究，必將在GIST個體化診療中發(fā)揮更大的作用。