Page 127 - 南京医科大学自然版
P. 127
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