Page 127 - 南京医科大学自然版

第44卷第7期 许馨晨，顾莹莹，唐立钧. 影像组学在前列腺癌中的研究进展［J］.
2024年7月 南京医科大学学报（自然科学版），2024，44（7）：1010-1017 ·1011 ·

析医学图像中获得的数据，转定性评估为定量评 和数据系统（prostate imaging reporting and data sys⁃
估，为 PCa 的无创精准检出提供了新思路。人工智 tem，PI⁃RADS）评分在 bpMRI 与 mpMRI 检测 csPCa
能（artificial intelligence，AI）技术是影像组学的重要 中的表现，最终显示bpMRI及mpMRI影像组学模型
［5］
方法学基础 ，影像组学和AI技术的有力结合使一些 性 能 均 优 于 PI ⁃ RADS 评 分 系 统（AUC：0.953 vs.
影像组学特征（radiomics features，RF）成为稳健可靠 0.853、0.968 vs. 0.863），且两个影像组学模型间性能
的标志物，反映肿瘤内部的异质性和生物学表型 。 差异无统计学意义（P > 0.05）。这符合目前的研究趋
［6］
文章基于 mpMRI、PET/CT、CT、超声等不同成像方 势，bpMRI省略DCE成像，可以减少时间成本和检查
式影像组学的最新研究进行综述，并介绍AI技术如 费用，同时获得近似mpMRI的诊断准确性 ［16-18］ 。
何改善影像组学并转化为临床实践。 随着AI技术与影像组学方法的结合，研究者可
以通过机器学习（machine learning，ML）甚至深度学
1 影像组学概述
习（deep learning，DL）方法评价医学图像，有效减少
影像组学概念最早在2012年由Lambin等 提出， 了各种潜在偏差。Bleker等 ［19］ 创建了一种自动固定
［7］
它是一种从标准医学图像中高通量挖掘定量图像特 ROI 的方法，使用 ML 算法基于 mpMRI 图像构建影
征的技术，通过原始图像信息、算法、统计分析等工具 像组学模型以识别外周带 csPCa，结果显示多变量
的融合，提供比传统影像学更加丰富的深层信息，从 特征选择和极致梯度提升算法的性能优于单变量
而实现对疾病的精准诊疗。影像组学的基本步骤包 特征选择和随机森林算法（AUC：0.870 vs. 0.780），且
括：图像的采集和处理、感兴趣区域（region of interes， DCE特征并不能显著提高诊断性能，这与先前得到
ROI）的分割、特征的提取和选择、模型的构建和验 的结论相同 ［15］ 。但该模型仅适用于外周带病变，移
证。影像组学研究能够成立的最基本假设是，肿瘤的 行带病变仍需要构建专用模型，且需要在外部验证
宏观影像特征与基因、蛋白质、细胞、代谢等微观信息 集中进一步评估该模型的普适性。Castillo 等 ［20］ 为
在时间和空间水平上的改变息息相关 ［8-9］ 。 了比较 DL 模型和影像组学模型对 csPCa 的诊断性
能，分别对3个不同机构的患者进行测试，结果显示
2 MRI影像组学在PCa中的应用
DL模型在训练集中表现更好，但影像组学模型在所
2.1 PCa的诊断 有验证集中均优于 DL 模型。这是第 1 个进行这种
mpMRI 目前是诊断 PCa 的首选影像学方法，主 比较的研究，但需要注意的是，DL 模型识别整个前
要包含T2加权图像（T2 weighted imaging，T2WI）、弥 列腺图像中的 csPCa，而影像组学模型识别勾画的
散加权图像（diffusion weighted imaging，DWI）、表观 ROI中的csPCa。
弥散系数（apparent diffusion coefficient，ADC）图像和 2.2 PCa 的 Gleason 评分（Gleason score，GS）及侵袭
动 态 增 强（dynamic contrast enhancement，DCE）图 性预测
像，在PCa早期筛查、辅助诊断、风险分层、指导治疗 前列腺穿刺活检得到 GS 是目前最广泛采用的
和疗效评估中发挥了重要作用 ［10-12］ 。 衡量 PCa 侵袭性水平的指标 ［21］ 。研究表明，低风险
Qi 等 ［13］ 评估整合了 mpMRI 的 RF 和临床⁃影像 （GS<7）、中风险（GS=7）和高风险（GS>7）PCa的5年
学危险因素的联合模型在前列腺特异性抗原（pros⁃ 无生化复发（biochemical recurrence，BCR）率差异较
tate specific antigen，PSA）为 4~10 ng/mL 的可疑 PCa 大 ［22］ ，治疗策略也差异较大 ［23］ ，因此准确的风险分
患者中的诊断效能，结果显示联合模型优于单纯的 层对PCa治疗决策的制定和预后判断有至关重要的
临床⁃影像学模型（P < 0.05），并识别出更多的阴性 指导意义。但活检并不能反映整个病灶的异质
患者，使 18.4%的患者避免不必要的穿刺。李梦娟 性，并且有出血、感染等风险 ［24］ 。而 mpMRI 由于其
［14］
等 基于双参数MRI（biparameter MRI，bpMRI）图像 阳性预测值较低 ［25］ ，往往又会导致很多不必要的
构建影像组学模型来预测临床显著性前列腺癌（clin⁃ 活检。因此，影像组学的出现为 PCa 侵袭性的无
ically significant prostate cancer，csPCa），发现灰度共 创预测提供可能。
生矩阵（gray⁃level co⁃occurrence matrix，GLCM）和形 Gong等 ［26］ 基于术前bpMRI 图像分别构建T2WI
态特征在所有特征中占比较大，但该研究样本量 模型、DWI模型和联合模型来无创预测高风险PCa，
小，未对病灶位置进行分类，且缺乏组织病理分 结果表明联合模型预测能力最佳（AUC=0.788），但
析。Chen 等 ［15］ 比较了影像组学与前列腺影像报告 较DWI模型并未显著提高（P > 0.05）。众所周知病