王堯鑫，吳昆華

1.昆明理工大學醫(yī)學院，云南 昆明 650500；2.昆明理工大學附屬醫(yī)院/云南省第一人民醫(yī)院磁共振科，云南 昆明 650032；*通信作者 吳昆華 wukunhua@hotmail.com

子宮內(nèi)膜癌（endometrial cancer，EC）是最常見的婦科惡性腫瘤之一，隨著肥胖率升高和人口老齡化加重，其發(fā)病率不斷升高，并呈年輕化趨勢，目前居女性癌癥相關(guān)死亡原因第六位[1]。早期診斷將大大提高EC患者的治療效果，并改善其預后。國際婦產(chǎn)科聯(lián)盟（International Federation of Gynecology and Obstetrics，F(xiàn)IGO）推薦將MRI檢查結(jié)果作為EC的首選分期依據(jù)[2]。然而，以MRI為主的影像學檢查結(jié)果易受主觀因素影響，觀察者之間的差異較大，缺乏定量、客觀的評估指標。影像組學以其無創(chuàng)、快速的特點，定量分析醫(yī)學影像數(shù)據(jù)，提取特征，反映腫瘤特有的異質(zhì)性，進而為腫瘤分型分級、基因定位、早期治療和預后評估提供有用的信息[3]。本文基于CT、MRI和PET/CT對EC的影像組學研究進展進行綜述。

1 影像組學流程

影像組學流程通常是先從常規(guī)醫(yī)學影像中勾畫腫瘤感興趣區(qū)，然后利用軟件從感興趣區(qū)中高通量提取各種影像特征，最后將獲得的特征經(jīng)降維后建立預測模型[4]。

1.1 目標圖像采集獲取 影像組學可以從CT、MRI、PET/CT、超聲等多種影像學設(shè)備中獲取圖像，但由于各醫(yī)院的掃描參數(shù)不統(tǒng)一，使得影像組學分析受到干擾。定量成像生物標志物聯(lián)盟倡導統(tǒng)一體模以及各種管電位和曝光設(shè)置標準[5]。統(tǒng)一掃描參數(shù)，使圖像標準化，減少掃描參數(shù)對后續(xù)特征分析的影響。

1.2 圖像分割 影像組學需要通過圖像分割提取感興趣區(qū)，但是在圖像分割方式上存在爭議，Kurata等[6]通過卷積神經(jīng)網(wǎng)絡(luò)對子宮的MRI掃描圖像進行全自動病灶分割，結(jié)果發(fā)現(xiàn)，與影像科醫(yī)師手動勾畫的病灶相比，視覺評分無顯著差異。由于人工分割耗時長、主觀性強，隨著技術(shù)的發(fā)展，半自動和自動分割展現(xiàn)出越來越強的優(yōu)勢。

1.3 圖像特征采集與降維 特征采集即在二維圖像內(nèi)提取可量化的數(shù)據(jù)，是影像組學的精髓部分。但由于實際工作中不同設(shè)備的掃描參數(shù)不同，經(jīng)常存在圖像像素大小和掃描層厚因患者而異的情況，使采集到的特征可重復性受到質(zhì)疑。Park等[7]研究了在不同掃描參數(shù)下得到的MRI圖像特征，發(fā)現(xiàn)大多數(shù)特征一致性較好，一階特征在像素重采樣和插值后表現(xiàn)更佳，其原因為一階統(tǒng)計特征是表示圖像上體素強度的平均值、最大值、最小值，以及偏度、峰度、均勻性和隨機性（熵）等基于直方圖的數(shù)據(jù)，無需考慮體素之間的空間關(guān)系[8]。此外，特征采集可以采集到上千條特征，造成特征與病例數(shù)量之間的比例失衡，若不進行降維，模型在新數(shù)據(jù)上的性能會大大降低，因此必須對采集的特征進行降維，以防過擬合。

1.4 建立預測模型 同樣的特征運用不同的建模方法得到的結(jié)果差別極大，不同的降維方法也會不同程度、錯誤地篩選掉有用的關(guān)鍵特征，如常用的降維方法支持向量機僅保留線性相關(guān)的特征，而遺漏與結(jié)果非線性高度相關(guān)的特征。Zhang等[9]將一組病例分別運用8種特征降維方法和11種構(gòu)建模型的組合，共獲得88個不同的預測模型，其中最大曲線下面積（AUC）為0.98，最小AUC僅為0.63。因此，如何提取出滿意、有效的特征與臨床數(shù)據(jù)結(jié)合構(gòu)建出準確的預測模型，是影像組學工作者一直探索的方向。

2 影像組學在EC中的應(yīng)用

2.1 EC的風險評估 歐洲腫瘤學會（European society for medical oncology，ESMO）對EC的臨床實踐指南指出EC分為4個風險類別[10]：低風險、中風險、中高風險和高風險。高危EC包括中風險、中高風險和高風險EC，其定義為病灶存在以下指標之一：高級別腫瘤、非子宮內(nèi)膜樣腺癌、深肌層浸潤、淋巴血管間隙浸潤（lymphovascular space invasion，LVSI）、宮頸間質(zhì)浸潤、淋巴結(jié)轉(zhuǎn)移或子宮外浸潤。不同風險度的EC在治療方案上存在區(qū)別，因此術(shù)前以影像組學方法評估EC的風險尤為重要。基于擴散峰度成像的平均擴散峰度圖上提取的影像學特征可以有效鑒別高危和低危EC[11]。Yan等[12]通過提取MRI的影像學特征并結(jié)合臨床參數(shù)建立諾模圖，結(jié)果顯示可以較好地鑒別不同風險類型的EC。Chen等[13]研究發(fā)現(xiàn)，單獨基于MRI特征建立的預測模型比僅基于臨床指標建立的模型區(qū)分不同風險類型EC的診斷效能更高（AUC分別為0.946和0.756），而通過MRI特征和臨床指標共同構(gòu)建的預測模型的診斷效能最佳（AUC為0.889）。

2.2 預測EC的病理分級 EC的病理分級分為3級，ESMO共識認為高分化和中分化腺癌的風險相同，因此將高、中分化腺癌歸類為低級別腫瘤，認為低分化腺癌是高級別腫瘤[7]。Ueno等[14]開發(fā)了一種基于16種影像學特征的隨機森林模型評估EC的病理類型，結(jié)果顯示其預測高級別腫瘤的AUC、敏感度和特異度分別為0.83、81%和76.8%。Bonatti等[15]納入行1.5T MRI掃描的90例EC患者，分析表觀擴散系數(shù)（ADC）直方圖與病理分級的相關(guān)性，結(jié)果顯示ADC直方圖不能預測EC的病理分級。然而，Reyes-Pérez等[16]在3.0T MRI上掃描60例EC患者獲得的ADC直方圖，結(jié)果顯示各級腫瘤之間存在顯著差異，其中最小ADC值與病理分級成反比，以此預測高級別腫瘤獲得的AUC為0.82。上述研究結(jié)果的差異可能是由于1.5T MRI的圖像信噪比低，評估EC子宮旁浸潤和預測腫瘤級別的敏感度低于3.0T MRI。

擴散張量成像（DTI）可以判斷EC病理分級。Ghosh等[17]通過掃描DTI序列獲得各向異性分數(shù)圖和平均擴散率圖，并從中提取一階影像特征，這些特征預測EC病理類型的敏感度和特異度分別為88%和80%。以上研究結(jié)果顯示，基于多參數(shù)MRI的影像組學分析可以反映影像診斷醫(yī)師肉眼無法區(qū)分的子宮腫瘤影像異質(zhì)性，進而區(qū)分病理類型，在EC的診斷及治療中具有重要作用。

2.3 預測EC的肌層浸潤深度 2018版EC的FIGO分期將肌層浸潤深度作為重要的分期因素，肌層浸潤深度超過50%即為深肌層浸潤，IA和IB期依此劃分[2]。EC深、淺肌層浸潤的手術(shù)切除范圍不同，術(shù)前通過影像方法預測EC肌層浸潤深度有助于臨床醫(yī)師選擇個性化手術(shù)方案?；贒TI圖像的影像組學可以精確評估深肌層浸潤[17]，其原因為DTI圖可以清晰地反映纖維組織的密度與方向等微觀結(jié)構(gòu)，明顯對比區(qū)分EC和正常子宮組織。Dong等[18]的一項回顧性研究將72例EC的術(shù)前MRI圖像通過卷積神經(jīng)網(wǎng)絡(luò)自動學習發(fā)現(xiàn)，增強T1WI圖像上機器學習診斷深肌層浸潤的準確率（79.2%）較影像科醫(yī)師的準確率（77.8%）更高。Stanzione等[19]將EC患者的T2WI圖像特征建立隨機森林模型，并采用10次交叉驗證進行超參數(shù)測定，驗證組中預測深肌層浸潤的AUC為0.94，當影像科醫(yī)師利用該模型輔助閱片后，評估深肌層浸潤的準確率由82%提高到100%，其原因為影像科醫(yī)師診斷深肌層浸潤容易受到腫瘤大小的干擾，導致部分IA期患者被誤診為IB期，為避免非必要的大范圍手術(shù)切除，結(jié)合影像組學方法診斷深肌層浸潤尤為重要。

2.4 預測EC的淋巴結(jié)轉(zhuǎn)移狀態(tài) 淋巴清掃是EC患者的常規(guī)手術(shù)，根據(jù)FIGO的分期系統(tǒng)，發(fā)生淋巴結(jié)轉(zhuǎn)移的EC均歸類為Ⅲ期或Ⅳ期[2]。醫(yī)學影像以其無創(chuàng)性特點可以在術(shù)前輔助預測淋巴結(jié)轉(zhuǎn)移狀態(tài)，特異度較高，但敏感度較低。Bi等[20]的一項薈萃分析顯示，MRI評估EC淋巴結(jié)轉(zhuǎn)移的敏感度僅為65%。而PET/CT評估淋巴結(jié)轉(zhuǎn)移的性能更好，敏感度和特異度可達79.4%和96.7%[21]。Günakan等[22]建立了預測EC患者淋巴結(jié)轉(zhuǎn)移的模型，其準確率為84.2%~88.9%。但是模型的參數(shù)主要來自手術(shù)病理結(jié)果（腫瘤分級、病理類型等）和CA125等生物學特征。Xu等[23]建立了4種不同的模型預測淋巴結(jié)轉(zhuǎn)移，發(fā)現(xiàn)由淋巴結(jié)大小和CA125兩個特征組成的綜合模型，比僅由影像學特征和僅用臨床參數(shù)組成的模型預測效果更好。De Bernardi等[24]研究發(fā)現(xiàn)，用EC的18F-FDG PET圖像進行紋理分析預測淋巴結(jié)轉(zhuǎn)移比單獨觀察原始圖像具有更高的敏感度。Yan等[25]從T2WI、DWI和ADC圖提取特征并構(gòu)建的預測模型在預測淋巴結(jié)轉(zhuǎn)移方面也獲得了很好的預測效果（AUC為0.909），影像科醫(yī)師以該模型輔助閱片后，診斷淋巴結(jié)轉(zhuǎn)移的準確率由84.6%提高到90.2%。術(shù)前評估淋巴結(jié)轉(zhuǎn)移有助于確定合適的手術(shù)方案，影像組學彌補了傳統(tǒng)影像診斷預測淋巴結(jié)轉(zhuǎn)移精準度不足的問題，可以更好地為臨床醫(yī)師提供信息，為EC患者制訂個體化及精確的手術(shù)計劃。

2.5 預測EC的淋巴血管間隙浸潤狀態(tài) 判斷術(shù)前LVSI狀態(tài)是在EC管理中面臨的一個大問題。ESMO對EC的臨床實踐指南納入LVSI狀態(tài)評定EC的預后，以更準確地在術(shù)前判斷是否存在復發(fā)風險[10]。Yan等[26]的一項Meta分析綜合分析了2項利用ADC直方圖預測LVSI的文獻，合并敏感度和特異度分別為66%和74%。Ueno等[14]從T2WI、DWI和動態(tài)增強T1WI上提取12個特征構(gòu)建出隨機森林模型，以評估是否存在LVSI，模型的AUC、敏感度和特異度分別為0.80、80.9%和72.5%。Luo等[27]從MRI中提取一階特征，并增加了年齡、病理分級等多個臨床特征開發(fā)出諾模圖模型，用于預測EC患者的LVSI狀態(tài)，其AUC、敏感度和特異度分別為0.82、82.6%和72.9%，結(jié)果顯示比僅用影像特征建模的預測性能更好。LVSI表明潛在血行播散的風險是降低生存率和遠處轉(zhuǎn)移的獨立危險因素[28]，而影像組學可以在術(shù)前精準評估是否存在LVSI，對預測 預后具有重要價值。

2.6 EC的術(shù)前生存期預測 通過監(jiān)測腫瘤大小的變化評估治療效果和預測預后具有一定的局限性。影像組學突破了一維病灶信息的局限，從更高的維度揭示腫瘤代謝和血供，量化追蹤腫瘤的異質(zhì)性信息，幫助醫(yī)師判斷患者的生存期，及時改善治療方案。在一階特征中，峰度特征與無進展生存期的相關(guān)性最大，基于CT圖像提取的峰度特征預測生存率降低的風險比為1.2[29]，基于T1WI圖像提取的峰度特征預測生存率降低的風險比為1.5[30]。Jacob等[31]提取出4個MRI的紋理特征并加上MMPs、DMBT1這2個基因構(gòu)建出預測模型，該模型預測EC患者術(shù)后5年生存率的AUC為0.72?？傊跋窠M學有助于臨床醫(yī)師預測EC的術(shù)前生存期，在治療前評估患者可以從中受益的治療方法，并分辨出潛在的不良預后群體，結(jié)合調(diào)整治療方案，改善患者預后。

3 影像組學在EC應(yīng)用中的不足與展望

利用人工智能輔助影像診斷和臨床決策是目前的研究熱點，但影像組學的實際應(yīng)用仍然存在一些局限性。①在EC的影像診斷中，部分病例難以確定腫瘤來源于宮體還是宮頸，并且當婦科系統(tǒng)出現(xiàn)多部位（如子宮內(nèi)膜和卵巢）同時多處受累時，單靠影像很難確定腫瘤原發(fā)灶[32]。此時，首先需要聯(lián)合病理結(jié)果確定腫瘤起源。②許多EC病灶較小、邊界較模糊，難以在組織分辨率低的CT圖像上精確勾畫出腫瘤的邊界。此外，高分化EC與子宮內(nèi)膜不典型增生常常共存，單靠影像很難準確判斷它們之間的界限，從而導致可重復性差。③對于EC的影像組學研究大多僅局限于單中心，但一個單位內(nèi)部特殊分型的EC病例數(shù)量往往不能滿足組學研究要求，并且來自不同廠家、不同掃描方案、不同場強的MR設(shè)備掃描圖像的研究結(jié)論是否能廣泛應(yīng)用于臨床實踐，也需要不斷探索。

影像組學在EC研究中尚處于進展階段，仍有很多未知領(lǐng)域需要探索。首先，影像組學特征和臨床特征聯(lián)合應(yīng)用能夠提高EC的診斷效能，但尚缺乏EC影像-基因組學及影像-病理組學方面的研究。此外，在利用影像組學區(qū)分子宮內(nèi)膜樣腺癌和預后較差的非子宮內(nèi)膜樣腺癌（如漿液性和透明細胞癌等EC）的不同分型方面，目前尚無成熟的結(jié)論。EC感興趣區(qū)的勾畫同樣值得深入探究，感興趣區(qū)中精確勾畫腫瘤邊界輪廓是多數(shù)學者的共識，但也有研究認為更大的勾畫區(qū)域可以包括瘤周子宮肌層情況等腫瘤外的預測特征，其預測模型的效能隨著勾畫區(qū)域的擴大而提高[33]。因此，利用CT、MRI和PET/CT的影像組學分析以其客觀、無創(chuàng)、可重復性等優(yōu)點，有助于術(shù)前精準判斷患者的臨床狀態(tài)和預后，精準指引放化療計劃和外科決策，防止過度醫(yī)療，延長癌癥患者的總體生存期及無進展生存期。