胡鶴 張瞳

【中圖分類號(hào)】 R711.74 【文獻(xiàn)標(biāo)識(shí)碼】 A? ? ? 【文章編號(hào)】2107-2306（2022）12--01

據(jù)美國2021年癌癥統(tǒng)計(jì)分析，宮頸癌（cervical cancer，CC）患者死亡人數(shù)約占所有婦科惡性腫瘤死亡人數(shù)的12.6%，已經(jīng)成為威脅女性健康的重要原因之一[1]。早期診斷和預(yù)測(cè)對(duì)提高治療效果、改善其預(yù)后至關(guān)重要。許多臨床參數(shù)被用來作為宮頸癌患者的診斷和預(yù)后因素，包括腫瘤分期、組織學(xué)類型、淋巴結(jié)狀況，但在預(yù)測(cè)準(zhǔn)確性方面存在局限性。因此迫切需要開發(fā)能夠在治療開始前或治療期間提供更特異的腫瘤特征的非侵入性生物標(biāo)志物。影像組學(xué)是一個(gè)新興的研究領(lǐng)域，旨在尋找從影像檢查中提取的定量信息與臨床數(shù)據(jù)之間的聯(lián)系，以支持最佳臨床決策。近年來，影像組學(xué)已逐漸用于宮頸癌患者的分期、組織類型、結(jié)節(jié)狀態(tài)、復(fù)發(fā)和生存預(yù)測(cè)。本文將針對(duì)基于MRI的影像組學(xué)在宮頸癌應(yīng)用的研究進(jìn)展進(jìn)行綜述。

1.宮頸癌的診療及影像表現(xiàn)

CC是一種生長相對(duì)緩慢的惡性腫瘤，早期常沿子宮旁韌帶和子宮骶韌帶橫向擴(kuò)展。此外，CC可沿陰道向下擴(kuò)散，并橫向擴(kuò)散至宮頸旁間隙，在疾病晚期或大體積腫瘤中可能侵犯膀胱、直腸、盆腔側(cè)壁和主動(dòng)脈旁淋巴結(jié)。早期診斷、準(zhǔn)確分期、放射治療的最新進(jìn)展和更有效的化學(xué)療法已顯著改善疾病結(jié)果和生存率，但它仍然是女性最常見的死亡原因之一。手術(shù)是早期CC（國際婦產(chǎn)科聯(lián)合會(huì)-FIGO IA1-IIA2期）治療的金標(biāo)準(zhǔn)，而局部晚期宮頸癌（LACC;FIGO IIB-IVA期）患者通常需要以鉑類為基礎(chǔ)的同期放化療 （CCRT）作為標(biāo)準(zhǔn)治療的多模式方法。

MRI具有較好的軟組織分辨率且無電離輻射，在CC診斷、分期、及治療評(píng)估方面日益受到臨床的重視，在腫瘤大小和周圍組織器官浸潤評(píng)估等方面相對(duì)于CT有明顯的優(yōu)勢(shì)。其中，T2加權(quán)序列（T2WI）足以回答大多數(shù)臨床分期問題。MRI還提供有助于規(guī)劃管理其他信息，例如規(guī)劃近距離放射治療的范圍大小，有助于確定出現(xiàn)附件侵犯的手術(shù)方法（即經(jīng)腹/經(jīng)陰道/腹腔鏡）。對(duì)于初發(fā)的CC患者，不論有無保留生育的需求，都推薦行盆腔MRI檢查評(píng)估腫瘤局部情況。2021年美國國立綜合癌癥網(wǎng)絡(luò)（NCCN）CC臨床實(shí)踐指南推薦盆腔MRI增強(qiáng)檢查作為CC局部病灶評(píng)估的影像學(xué)方法。

2.影像組學(xué)概述

荷蘭學(xué)者Lambin在2012年首次提出“影像組學(xué)”的概念，并將其定義為：用高通量的方法從影像圖像的感興趣區(qū)域中提取大量的影像特征，以提高圖像的診斷和預(yù)測(cè)的精準(zhǔn)度等。影像組學(xué)研究設(shè)計(jì)和工作流程通常包括四個(gè)步驟[2]：圖像采集和重建，圖像分割，影像組學(xué)特征提取和篩選，統(tǒng)計(jì)分析和模型建立。影像組學(xué)的圖像來源于患者在診療過程中采集到的CT、MR、PET-CT等圖像，獲取高質(zhì)量、標(biāo)準(zhǔn)化的圖像是整個(gè)流程的基礎(chǔ)。圖像分割可以分為手動(dòng)、半自動(dòng)或自動(dòng)分割方法，每一種方法都有其優(yōu)缺點(diǎn)，與再現(xiàn)性和與病變實(shí)際邊緣的對(duì)應(yīng)之間的平衡有關(guān)。CC的圖像分割以臨床醫(yī)生手動(dòng)分割為主，計(jì)算機(jī)輔助勾畫和自動(dòng)勾畫技術(shù)也正逐漸成熟。影像組學(xué)特征主要包括外形特征、一階直方圖特征、二階直方圖、紋理特征，或?qū)D像用濾波器處理后建立有關(guān)模型。提取所有特征后需要進(jìn)行降維和特征選擇，然后與一個(gè)或多個(gè)特定結(jié)果進(jìn)行關(guān)聯(lián)分析。從統(tǒng)計(jì)方法到數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)方法，許多不同的分析方法取決于研究的目的和結(jié)果類別，例如隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、線性回歸、邏輯回歸、最小絕對(duì)收縮和選擇算子和Cox 比例風(fēng)險(xiǎn)回歸。

紋理分析是影像組學(xué)應(yīng)用最多的一種形式，它指的是，包含在影像圖像的每個(gè)體素中的信息可以反映腫瘤組織的潛在病理生理，無論是CT的質(zhì)量密度、MRI的信號(hào)強(qiáng)度還是PET的標(biāo)準(zhǔn)化攝取值[3]。紋理分析不僅對(duì)于評(píng)估腫瘤的異質(zhì)性顯示出相當(dāng)大的潛力，而且還可能作為預(yù)后的生物標(biāo)志物。

3.基于MRI的影像組學(xué)在宮頸癌診療中的研究進(jìn)展

目前基于MRI的影像組學(xué)在宮頸癌中的應(yīng)用范圍較為廣泛，涉及腫瘤的診斷、分期、組織學(xué)類型、淋巴血管間隙侵犯、淋巴結(jié)轉(zhuǎn)移、療效評(píng)估及預(yù)后預(yù)測(cè)等。

3.1組織學(xué)

腫瘤的分期和組織學(xué)類型是評(píng)價(jià)腫瘤生物學(xué)行為的重要指標(biāo)，準(zhǔn)確的腫瘤分級(jí)和組織學(xué)亞型對(duì)選擇治療方案和評(píng)估預(yù)后具有重要作用。宮頸癌的許多預(yù)后因素可以從組織學(xué)檢查中獲得（例如FIGO腫瘤分期、腫瘤大小、侵襲深度、淋巴血管間隙侵犯以及組織學(xué)亞型和分級(jí)）。WorMald等人[4]通過對(duì)378例宮頸鱗癌I-II期患者的T2WI和表觀擴(kuò)散系數(shù)（ADC）數(shù)據(jù)進(jìn)行紋理分析，發(fā)現(xiàn)宮頸腫瘤在體積閾值以上和體積閾值以下的影像組學(xué)特征有顯著差異，這些特征包括相異度、能量、簇影、簇影、逆方差、自相關(guān)性。

3.2宮旁侵犯

宮旁侵犯（FIGO IIB期）是CC的高危因素，也是區(qū)別早期和局部晚期疾病的一個(gè)轉(zhuǎn)折點(diǎn)，對(duì)治療有重要意義。對(duì)于早期CC的未產(chǎn)婦，如果在手術(shù)前能確定是否存在宮旁侵犯，則可以選擇保留生育能力的手術(shù)。Jiang等人[5]使用167例早期CC患者的動(dòng)態(tài)對(duì)比增強(qiáng)T1WI和T2WI，通過在動(dòng)態(tài)增強(qiáng)（DCE）T1和T2WI MR圖像上應(yīng)用基于卷積神經(jīng)網(wǎng)絡(luò)的影像組學(xué)方法，建立并驗(yàn)證了基于深度學(xué)習(xí)的影像組學(xué)模型，以預(yù)測(cè)早期CC的血管侵犯。

3.3淋巴結(jié)轉(zhuǎn)移

2018年，F(xiàn)IGO分期將盆腔或腹主動(dòng)脈旁淋巴結(jié)陽性的患者劃分為IIIC期。標(biāo)準(zhǔn)診斷方法在評(píng)估淋巴結(jié)狀態(tài)方面存在一些局限性，尤其是檢測(cè)正常大小的淋巴結(jié)微轉(zhuǎn)移。此外，系統(tǒng)性盆腔淋巴結(jié)清掃術(shù)存在嚴(yán)重并發(fā)癥，并非對(duì)每個(gè)患者都有指征。因此，一種新的非侵入性診斷方法可能有助于這種情況。Kan等人[6]使用支持向量機(jī)算法，在100名患者的研究隊(duì)列中構(gòu)建了影像組學(xué)模型，然后在43名患者的隊(duì)列中進(jìn)行了驗(yàn)證。結(jié)果表明，該模型能夠使用從T2WI和增強(qiáng)T1WI手動(dòng)分割后提取的特征來預(yù)測(cè)早期CC患者的淋巴結(jié)狀態(tài)。Wu等人[7]的一項(xiàng)研究將189名患者分為訓(xùn)練組（n=126）和驗(yàn)證組（n=63）。作者提出了一種用于預(yù)測(cè)淋巴結(jié)轉(zhuǎn)移的決策樹，它結(jié)合了從瘤內(nèi)和瘤周組織的T2WI獲得的影像組學(xué)特征，以及MRI對(duì)淋巴結(jié)的標(biāo)準(zhǔn)形態(tài)評(píng)估報(bào)告。

3.4對(duì)治療反應(yīng)的評(píng)估

LACC患者不適合手術(shù)，標(biāo)準(zhǔn)的治療方法是鉑類放化療。盡管這種治療顯著改善了局部病情和總體生存率，但大約40%的患者會(huì)出現(xiàn)復(fù)發(fā)。治療反應(yīng)的巨大差異可能與臨床和病理預(yù)后因素有關(guān)，也可能與無法預(yù)測(cè)的表型和基因組腫瘤特征有關(guān)[8]。在Ciolina等人[9]基于MR構(gòu)建了能夠準(zhǔn)確預(yù)測(cè)治療反應(yīng)的影像組學(xué)模型。作者認(rèn)為，從T2WI和ADC圖中提取的峰度在有反應(yīng)的患者中顯示出顯著更高的價(jià)值，可作為腫瘤對(duì)鉑類新輔助化療反應(yīng)的預(yù)測(cè)因子。Fang等人[10]將120名患者平均分為訓(xùn)練組和測(cè)試組，并開發(fā)了基于三種機(jī)器學(xué)習(xí)模型（矢狀 T2WI、軸向增強(qiáng)T1WI和ADC序列）的影像組學(xué)模型，該模型在預(yù)測(cè)LACC患者對(duì)CCRT的反應(yīng)方面表現(xiàn)良好。

3.5復(fù)發(fā)預(yù)測(cè)

局部復(fù)發(fā)是CC治療失敗和死亡的最常見原因[8]。目前需要新的可靠的診斷工具能夠在早期預(yù)測(cè)復(fù)發(fā)和遠(yuǎn)處轉(zhuǎn)移，以便提前指導(dǎo)治療選擇。Meng等人[11]一項(xiàng)前瞻性研究探討了LACC患者ADC直方圖和紋理分析在預(yù)測(cè)腫瘤復(fù)發(fā)中的價(jià)值。作者證明，治療前和治療中期的整體病灶A(yù)DC直方圖和紋理分析在預(yù)測(cè)腫瘤復(fù)發(fā)方面具有很大的潛力。第二年，同一組前瞻性研究探索從ADC圖和T2WI中提取的紋理參數(shù)在預(yù)測(cè)接受CCRT治療的LACC患者腫瘤復(fù)發(fā)的應(yīng)用[12]。作者證明，使用ADC紋理參數(shù)的支持向量機(jī)分類器在預(yù)測(cè)復(fù)發(fā)方面表現(xiàn)最好，而結(jié)合T2WI紋理參數(shù)對(duì)預(yù)后增加的價(jià)值很小。

4.局限性和發(fā)展?jié)摿?/p>

綜上所述，基于MRI的影像組學(xué)通過整合CC圖像和臨床特征挖掘他們之間的關(guān)系，可作為一種非侵入式檢測(cè)方法在疾病的診斷、個(gè)性化治療、預(yù)后預(yù)測(cè)、療效評(píng)估等方面發(fā)揮重要的作用。與傳統(tǒng)影像技術(shù)相比，影像組學(xué)更能夠定量評(píng)估CC腫瘤空間上的異質(zhì)性，可重復(fù)性更強(qiáng)，還能夠提供更多的有效信息。但目前影像組學(xué)對(duì)CC尚處于早期研究階段，仍存在較多問題。

一，缺乏標(biāo)準(zhǔn)化。影像組學(xué)研究過程中，圖像采集、預(yù)處理和分割的類型、特征選擇都會(huì)影響預(yù)測(cè)模型的準(zhǔn)確性和可重復(fù)性。但對(duì)于圖像標(biāo)準(zhǔn)化應(yīng)遵循的原則尚無共識(shí)。因此，在未來的研究中，影像學(xué)特征的重復(fù)性和質(zhì)量控制將是一個(gè)重要方向。二，缺少精準(zhǔn)地自動(dòng)分割腫瘤的軟件。由于腫瘤的病理分型的多樣化，所以手工勾畫感興趣區(qū)的復(fù)雜性和主觀性難以規(guī)范化。人工智能的出現(xiàn)及其對(duì)影像學(xué)越來越廣泛的影響可能，會(huì)克服一些局限性。三，現(xiàn)有的CC研究大多數(shù)為回顧性、小樣本、單中心研究，這導(dǎo)致了在影像組學(xué)研究容易出現(xiàn)數(shù)據(jù)過度擬合、選擇偏倚和多重檢驗(yàn)相關(guān)的統(tǒng)計(jì)問題。而更優(yōu)算法（如深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)）不斷涌現(xiàn)可能會(huì)進(jìn)一步優(yōu)化數(shù)據(jù)。此外，影像組學(xué)未來需要獲取更大的生物醫(yī)學(xué)數(shù)據(jù)以及開展更多前瞻性、多中心研究。四，整合其他組學(xué)有待研究。目前CC的影像組學(xué)研究多局限在圖像特征和結(jié)合臨床參數(shù)的分析。未來的研究中，量化地引入腫瘤基因、腫瘤標(biāo)志物等相關(guān)指標(biāo)以更精確地評(píng)估和預(yù)測(cè)CC的療效和預(yù)后，是我們的重點(diǎn)方向。

總之，影像組學(xué)對(duì)CC的研究可以更深入挖掘患者的臨床特征、影像數(shù)據(jù)和遺傳分子特征，建立更為精準(zhǔn)和魯棒的模型來提高對(duì)疾病的診斷和預(yù)測(cè)性能。這些CC的臨床問題仍值得我們?nèi)ヌ剿鳎侯A(yù)測(cè)腫瘤侵襲性和風(fēng)險(xiǎn)分層，并做出精準(zhǔn)診斷和選擇手術(shù)方案，預(yù)測(cè)放化療后反應(yīng)，早期有效干預(yù)制定個(gè)性化的治療方案，放射性藥物的靶向分子成像等等。在未來，結(jié)合更多的“組學(xué)”技術(shù)對(duì)附加功能成像數(shù)據(jù)的探索，將為多維影像基因組學(xué)研究開辟新的途徑。

參考文獻(xiàn)：

Siegel Rebecca L，Miller Kimberly D，F(xiàn)uchs Hannah E et al. Cancer Statistics， 2021.[J] .CA Cancer J Clin， 2021， 71： 7-33.

施奕倩 .影像組學(xué)的臨床研究進(jìn)展 [J].實(shí)用放射學(xué)雜志，2017， 33（10）：1623-1626.

[1]朱碧云，陳卉.醫(yī)學(xué)圖像紋理分析的方法及應(yīng)用[J].中國醫(yī)學(xué)裝備，2013，10（08）：77-81.

Wormald Benjamin W，Doran Simon J，Ind Thomas Ej et al. Radiomic features of cervical cancer on T2-and diffusion-weighted MRI： Prognostic value in low-volume tumors suitable for trachelectomy.[J] .Gynecol Oncol， 2020， 156： 107-114.

Jiang X， Li J， Kan Y ， Yu T， Chang S， Sha X， et al. Mri based Radiomics approach with deep learning for prediction of vessel invasion in early- stage cervical cancer. IEEE/ACM Trans Comput Biol Bioinform 2020; PP03 Jan 2020.

Kan Yangyang，Dong Di，Zhang Yuchen et al. Radiomic signature as a predictive factor for lymph node metastasis in early-stage cervical cancer.[J] .J Magn Reson Imaging， 2019， 49： 304-310.

Wu Qingxia，Wang Shuo，Chen Xi et al. Radiomics analysis of magnetic resonance imaging improves diagnostic performance of lymph node metastasis in patients with cervical cancer.[J] .Radiother Oncol， 2019， 138： 141-148.

閆靜，吳玉梅. 宮頸癌預(yù)后影響因素的研究進(jìn)展[J]. 中國醫(yī)刊，2020，55（12）：1308-1311.

Ciolina Maria，Vinci Valeria，Villani Laura et al. Texture analysis versus conventional MRI prognostic factors in predicting tumor response to neoadjuvant chemotherapy in patients with locally advanced cancer of the uterine cervix.[J] .Radiol Med， 2019， 124： 955-964.

Fang Mengjie，Kan Yangyang，Dong Di et al. Multi-Habitat Based Radiomics for the Prediction of Treatment Response to Concurrent Chemotherapy and Radiation Therapy in Locally Advanced Cervical Cancer.[J] .Front Oncol， 2020， 10： 563.

Meng Jie，Zhu Lijing，Zhu Li et al. Whole-lesion ADC histogram and texture analysis in predicting recurrence of cervical cancer treated with CCRT.[J] .Oncotarget， 2017， 8： 92442-92453.

Meng Jie，Liu Shunli，Zhu Lijing et al. Texture Analysis as Imaging Biomarker for recurrence in advanced cervical cancer treated with CCRT.[J] .Sci Rep， 2018， 8： 11399.