综述影像组学在肺结节中的研究进展.docx

《综述影像组学在肺结节中的研究进展.docx》由会员分享，可在线阅读，更多相关《综述影像组学在肺结节中的研究进展.docx（13页珍藏版）》请在优知文库上搜索。

1、综述影像组学在肺结节中的研究进展胡峙琦1赵艳萍1韩雅钧1王健I宗平1I新疆医科大学附属肿瘤医院核医学科，乌鲁木齐830011；通信作者：赵艳萍，Email：;【摘要】影像组学是从医学图像中提取大量的定量影像学特征，可以对普通影像图像进行更深层次的挖掘、预测和分析，辅助医师做出最准确的诊断，已有大量研究表明影像组学在肺结节的诊断中具有较大的优势。本文介绍了肺磨玻璃结节与肺癌的联系和影像组学基本流程，并且对影像组学在肺结节良恶性评估中的诊断价值、肺癌的临床分期、治疗和预后的作用，以及影像组学在肺癌基因预测中的应用进行综述。【关键词】肺磨玻璃结节；影像组学；肺恶性肿瘤；-FDGPET/CT显像Adv

2、ancesinradiomicsinpulmonarynodulesZhihengHu1,YanpingZhao1,YajunHan1JianWang1,PingZong11DepartmentOfNucIearMedicine,AffiliatedTumorHospitalofXinjiangMedicalUniversity,Urumqi830011,ChinaCorrespondingAuthor:YanpingZhao,E-mail:;AbstractRadiomicsistheextractionofalargenumberofquantitativeimagingfeaturesf

3、rommedicalimages,whichcanbeusedfordeeperexcavation,predictionandanalysisofcommonimagingimagestoassistphysiciansinmakingthemostaccuratediagnosis,andalargenumberofstudieshaveshowntheadvantagesofradiomicsinthediagnosisofpulmonarynodules.Thisarticledescribestheassociationbetweenpulmonarygroundglassnodul

4、esandlungcancerandthebasicradiomicsprocess,andreviewsthediagnosticvalueofradiomicsintheassessmentofbenignandmalignantIungnodules,theroleofclinicalstaging,treatmentandprognosisoflungcancer,andtheapplicationofradiomicsinlungcancergeneprediction.Keywords:Pulmonarygroundglassnodule；Radiomics；LungCancer；

5、18F-FDGPET/CTImaging原发性肺癌是目前世界上发病率和死亡率最高的恶性疾病之一，每年全世界大约有180万新的肺癌病例被诊断出来。国家癌症中心2019年发布的统计资料表明，2015年中国新发肺癌病例约为78.7万例，发病率为57.26/10万，位于恶性肿瘤发病率第1位O肺癌中的非小细胞肺癌(non-smallcelllungcancer,NSCLO约占肺癌的85%以上，而在NSCLC中又分为鳞癌、腺癌、大细胞癌等等，目前肺腺癌的发病率已高于肺鳞癌，成为最普遍的肺癌病理类型，因而成为主要的研究对象。治疗肺癌患者主要采取早发现、早诊断、早治疗的手段，从而早期发现并诊断出恶性肺结节的患

6、者，是提高病人预后水平和改善病人生存率的关键二级预防措施。随着大数据、人工智能的深入融合发展，一种全新的研究方法开始用于临床研究中，那就是影像组学。影像组学最早由荷兰学者在2012年提出其强调的深层次含义是指从影像(CT、MRI、PET等)中高通量地获取大量影像信息，并运用人工智能技术分析与破解这些信息。影像组学的发展，图像已成为信息数据，而不是简单的可见图片，它们与肺癌治疗的整合可能代表该领域的范式转变。还能够对普通影像图像做出更深入的挖掘、预测与剖析，辅助医师做出最精准的判断。1 .肺磨玻璃结节与肺癌的联系磨玻璃结节(GroUndglassnodule,GGN)是指在薄层CT上显示直径W3

7、cm的局部肺组织，呈模糊的轻度密度增高的结节影，但并不影响其中的支气管、血管束结构的显示。其病理基础是肺泡间隔增厚或部分肺泡腔内充满液态物质、细胞以及组织碎片等。从胸部CT的影像学表现分析，磨玻璃结节根据内部是否含有实性成分，可以分成纯磨玻璃结节(PUreground-glassnodule,pGGN)和部分实性结节(Part-solidnodule,PSN),后者也可称为混合性磨玻璃结节(mixedGGN,mGGN)0而pGGN及PSN又称为亚实性结节(SUb-solidnodule,SSN)0与实性结节相比，GGN与肺腺癌的关系较为密切。2015年WHO发布的肺癌组织分型建议，将肺腺癌分为

8、浸润前病变(非典型腺瘤样增生(atypicaladenomatoushyperplasia,AAH)原位腺癌(adenocarcinomainsitu,AIS)、微浸润性腺癌(minimallyinvasiveadenocarcinoma,MIA)和浸润性腺癌(invasiveadenocarcinoma,IAO15L而在2021年肺腺癌新的分类中，肺部的上皮性肿瘤分成良性肿瘤、前驱病变和腺癌。（1）良性肿瘤包括乳头状瘤和腺瘤。（2）腺体前驱病变即非典型腺瘤样增生和原位腺癌。（3）腺癌包括微浸润性腺癌和浸润性腺癌。因此肺腺癌的前期就是前驱性病变，再前期是良性病变，肺腺癌发生发展的不同阶段会对临

9、床治疗产生很大的影响。近年来，对肺内多发GGN的诊断患者也越来越多，大约20M30%切除的GGN病变伴有其他多发较小的肺内GGN病变。有调查表明叫肺多发GGN手术切除的病灶多数为腺癌或癌前病变（占98.9%）,生物学行为属于惰性。但在其他两项研究中U叫高达52%和58%的pGGN在随访期间有所进展。这些数据表明许多PGGN是活跃的，不应被忽视。并且有40.2-55.3%的病例与浸润性腺癌有密切联系。有科学研究表明LGGN大小与肺癌存在关联性，直径6mm的恶性概率为1%,直径6mm-10mm的恶性概率为20%,直径11mm-20mm的恶性概率为45%,直径20nun的恶性概率为80%;GGN密度

10、也与肺癌存在相关性，实性结节的恶性概率仅为7与PSN的恶性概率为63版PGGN的恶性概率为18机直径WlOnun的PGGN大约有25%的概率是AIS和小于5%的概率是浸润性腺癌；直径10nun的PGGN大约有40%的概率是AIS和20%的概率是浸润性腺癌；直径W10mm的PSN大约有50%的概率是AlS和25%的概率是浸润性腺癌；直径10mm的PSN大约有50%的概率是浸润性腺癌。另外，GGN在随访期间大约有20%-30%的概率进展，多是AIS,很少有浸润性腺癌。病灶体积的缩小不意味着不需要关注，除非病灶明显缩小或多次随访无进展。GGN的CT值的高低根据肿瘤细胞侵袭正常肺组织使肌成纤维细胞基质

11、增厚的程度决定，CT平均值越高，病灶的侵袭能力越强I。有研究指出1，川，当CT值-450HU在病理上通常是浸润性病变，不过因为GGN的体积较小，测量数值重复性并不好，因此临床应用价值目前尚不能肯定。2 .影像组学流程影像组学是从普通医学图像中获取大量的定量影像学特征，运用人工智能可以对普通影像图像进行更深层次的挖掘、预测和剖析，辅助医师做出最准确的诊断。2.1 标准医学影像数据获取和筛选:数据收集前首先需要根据明确的研究方向进行数据筛选。选取标准的高质量影像数据资料包括CT、MRKPET、超声影像等。影像数据的收集以薄层数据最佳。影像组学的入组数据需要保证具备一致或近似的采集参数，从而使数据不

12、会受到其他因素的影响。2.2 图像分割：指把图像分为一些或某些具有独立属性的小区域，以获得感兴趣目标信息(ROi)的技术方法和过程。根据研究目的的不同，图像分割的目标可以是病灶、正常参考组织或是组织解剖结构，可以是三维也可以是二维区域，影像组学随后的分析研究都围绕这些从图像内分割出来的区域进行。图像的分割网通过手动、半自动及全自动分割的方法对所感兴趣区域进行逐层勾画，以准确判定肿瘤边界。半自动或自动的分割方法包括基于阈值进行分割、基于区域进行分割、聚类分割，以及通过机器学习方法进行分割等。这些自动勾画因为设置计算机统计条件、软件参数设置不同，都会对图像病灶分割结果产生影响，导致勾画误差。因此，

13、对这些方法的评估仍然是以人工勾画为金标准I。常用的软件有3Dslicer、ITK-SNAP、MRICroGLMaZda等。对于分割方法，其重复性和可靠性非常重要。例如，对于平面内结节边界的解释，读者之间的可变性可能非常大。一些研究表明，不同的轮廓可以改变特征。例如VanVeIden等人，使用11名非小细胞肺癌患者的两次基线全身PET/CT扫描，发现有25个特征对轮廓的改变很敏感。此外，Leijenaar等人时发现，在使用半自动分割的11例NSeLC患者的复测队列中，71%的放射组学特征是稳定的，而在23例使用手动分割的NSeLC患者的观察者间队列中，91%的影像组学特征是稳定的。在对肿瘤进行分

14、割的基础上提取特征，分割方法保证了影像学特征的重复性和可靠性。2. 3影像组学特征提取：影像组学特征提取是指从医学影像中高通量地提取影像信息。其中高通量指用最少的资源、最快的速度、大量地计算体系所具有的各种性质，从而达到探究、预测物质性质的一种科学研究方法。常见的影像组学特征包括一阶统计特征、形状特征、二阶及高阶纹理特征以及基于不同滤波器滤波后提取出的图像特征1。目前已知不少可用于影像组学研究的开源及商用软件，开源软件包括3D-Slicer、MaZda、CGITA和IBEX,商用软件包括A.K、TeXRAD、Radiomics,除此之外，还有一些基于matlab.R语言、Python开发的特征

15、提取工具。不论选用什么工具，提取的影像组学特征都分为以下三类：基于强度的特征、基于形状的特征和基于纹理的特征。3. 4影像组学特征选择：提取到的特征数量可能几百到几万不等，而且并不是每个特征都与需要解决的临床问题相关联；特征选择是根据某些评估准则，从特征集中直接选取合适的子集，或者将原有的特征经过线性/非线性组合，生成新的特征集，再从新特征集中选取合适的子集过程。特征选择的三类方法又分为：（1）过滤式：特征筛选是指按照统计学检验中某种标准，设定阈值进行过滤。如方差选择法，卡方检验，相关系数法，互信息法都属于过滤式特征筛选。（2）包装式：特征筛选是根据目标函数，多次迭代，每次保留若干特征。做常用

16、的包装式特征筛选方法就是递归特征消除法。（3）嵌入式:特征筛选是通过结合机器学习算法，得到各个特征的权重系数，从而进行排序和筛选。常用的LASS0、岭回归以及梯度提升决策树等都属于嵌入式特征筛选。4. 5模型建立：影像学的目标是构建一个具有特定特征的临床结果预测模型。针对医生具体的临床问题，在临床研究问题标签的基础上建立由上述特征筛选出来的关键特征,或进一步结合影像组学以外的特征（如临床体征、病理、基因检测数据）组合而成的预测模型。机器学习提供了几种建模方法来实现这一目标O特征选择后，可以采用以下6种机器学习方式建立模型12叫包括NBC（朴素贝叶斯分类器）、KNN（K-最近邻）、RF（随机森林）、SVM（支持向量机）、DT（决策树）、LR（逻辑回归）。通过队列中受试者工作特征（ROC）曲线分析的曲线下面积（AUC）来评估建模方法的预测性能。首先比较每个模型在对比和非对比数据中的AUC,丢弃劣质数