傅圓圓，侯潤(rùn)萍，傅小龍

1.上海交通大學(xué)附屬胸科醫(yī)院放療科，上海 200030；2.上海交通大學(xué)生物醫(yī)學(xué)工程學(xué)院，上海 200240

肺癌是常見的惡性腫瘤之一，根據(jù)GLOBOCAN 2020數(shù)據(jù)，肺癌的發(fā)病率為11.4%，死亡率為18.0%［1］，原發(fā)性肺癌中，80%～85%為非小細(xì)胞肺癌（non-small cell lung cancer，NSCLC），晚期NSCLC患者的生存率（overall survival，OS）較低［2-3］。治療過度或不足均會(huì)對(duì)NSCLC的總體療效產(chǎn)生顯著影響［4］。因此，精準(zhǔn)治療有望為NSCLC的治療提供新的方向。

早期NSCLC仍以手術(shù)切除或立體定向放療（stereotactic body radiation therapy，SBRT）為基本治療手段，但圍繞著手術(shù)及SBRT后如何實(shí)施精準(zhǔn)輔助治療，目前仍有很多亟待解決的問題，主要涉及到早期NSCLC如何依據(jù)腫瘤生物學(xué)特性確定治療策略、技術(shù)的選擇以及實(shí)施精準(zhǔn)輔助治療。影像學(xué)、病理學(xué)、體液檢查等均是現(xiàn)今腫瘤信息獲取的來源。由于腫瘤在時(shí)間和空間上的異質(zhì)性，侵入性活檢難以反映腫瘤的全貌，而體液檢測(cè)則在靈敏度和特異度方面均沒有穩(wěn)定的表現(xiàn)，且無法完成定位診斷，醫(yī)學(xué)影像學(xué)特別是胸部CT仍是方便、經(jīng)濟(jì)、能反映腫瘤定量、異質(zhì)性和空間分布的信息來源之一。

由于早期NSCLC的治療決策、方法和技術(shù)選擇有賴于淋巴道和血道轉(zhuǎn)移的準(zhǔn)確判斷，本綜述將介紹基于胸部CT識(shí)別早期NSCLC淋巴道和血道轉(zhuǎn)移風(fēng)險(xiǎn)的研究進(jìn)展并展望未來。

1 基于胸部CT預(yù)測(cè)早期NSCLC淋巴道或血道轉(zhuǎn)移風(fēng)險(xiǎn)研究的臨床意義

手術(shù)和SBRT是早期NSCLC重要的局部治療手段，圍繞著初始及輔助治療，個(gè)體化精準(zhǔn)治療水平仍有待提高。其主要面臨兩大臨床問題：

一是早期NSCLC如何進(jìn)行治療前的精準(zhǔn)臨床分期，從而指導(dǎo)治療方法的選擇以及手術(shù)范圍的確定。當(dāng)前肺癌分期仍基于TNM分期，其中N即淋巴結(jié)是肺癌最常見的轉(zhuǎn)移靶點(diǎn)，因此淋巴結(jié)轉(zhuǎn)移（lymph node metastasis，LNM）對(duì)腫瘤分期、治療計(jì)劃選擇和預(yù)后預(yù)測(cè)非常重要［5］。在治療方法的決定上，由于SBRT不進(jìn)行預(yù)防性淋巴引流區(qū)照射，如果被判定存在較大LNM風(fēng)險(xiǎn)則往往推薦手術(shù)切除。在手術(shù)范圍的確定方面，早期NSCLC首選肺葉切除聯(lián)合系統(tǒng)性淋巴結(jié)清掃術(shù)［6］，但這也導(dǎo)致了許多無效的淋巴結(jié)清掃，因?yàn)樵S多早期肺癌實(shí)際上沒有LNM，亞肺葉切除和選擇性淋巴結(jié)切除可能更適合臨床T1期周圍型肺腺癌［7］；然而，約10%的臨床Ⅰ期肺癌患者卻最終通過手術(shù)被確定為陽性LNM［8］。因此預(yù)測(cè)淋巴結(jié)的惡性受累對(duì)于確定最佳治愈性治療策略至關(guān)重要。

目前，影像學(xué)是評(píng)估肺癌患者縱隔淋巴結(jié)是否受累最常用的方式。然而，CT掃描診斷縱隔LNM的靈敏度和特異度僅為55%和81%［9］。正電子發(fā)射計(jì)算機(jī)體層成像（positron emission tomography and computed tomography，PET/CT）中最大標(biāo)準(zhǔn)化攝取值 （SUVmax） ＞2.5是目前接受的NSCLC閾值［10］，但因?yàn)榭v隔中的基礎(chǔ)FDG（fludeoxyglucose）攝取較高，從而導(dǎo)致評(píng)估LNM的陽性預(yù)測(cè)值較低［11］。據(jù)此，一些指南推薦使用經(jīng)支氣管針吸活檢或縱隔鏡活檢進(jìn)行侵入性縱隔分期［9，12］。然而，并非所有可疑病灶都能進(jìn)行有創(chuàng)性檢查，對(duì)于侵入性縱隔分期的適應(yīng)證尚未達(dá)成共識(shí)。

因此，我們可能需要依賴基于醫(yī)學(xué)圖像的新興圖像分析及處理技術(shù)，進(jìn)行LNM的非侵入性預(yù)測(cè)，從而指導(dǎo)更精準(zhǔn)的治療決策。

早期NSCLC預(yù)后和失敗表型的可視化，將進(jìn)一步細(xì)分局部治療后不同預(yù)后人群，從而進(jìn)行精準(zhǔn)的個(gè)體化治療。在各種治療失敗表型中，血道轉(zhuǎn)移導(dǎo)致了高達(dá)90%的人類癌癥相關(guān)死亡［13］，Ⅰ期NSCLC術(shù)后遠(yuǎn)處轉(zhuǎn)移率為20% ～ 30%，是影響5年OS的最顯著因素［14］。在放療領(lǐng)域，盡管SBRT的局部控制率達(dá)85% ～ 95%［15］，但遠(yuǎn)處轉(zhuǎn)移仍然很常見，3年和5年遠(yuǎn)處復(fù)發(fā)率分別為22%和31%［16］。若能早期識(shí)別血道轉(zhuǎn)移高危人群并對(duì)其進(jìn)行輔助化療干預(yù)，可能為患者帶來生存獲益?？梢?，如何預(yù)測(cè)發(fā)生血道轉(zhuǎn)移的風(fēng)險(xiǎn)，從而使得局部治療后輔助化療精準(zhǔn)實(shí)施是一個(gè)重要的臨床問題。

然而根據(jù)傳統(tǒng)的TNM分期尚無法精準(zhǔn)預(yù)測(cè)患者的預(yù)后［17］，經(jīng)深度挖掘的影像特征可以成為一種新的預(yù)后因素，通過無創(chuàng)性量化腫瘤異質(zhì)性預(yù)測(cè)腫瘤發(fā)生血道轉(zhuǎn)移的可能性，以允許對(duì)患者進(jìn)行預(yù)后風(fēng)險(xiǎn)分層并制定更精細(xì)的治療策略。

綜上，早期NSCLC個(gè)體化精準(zhǔn)治療水平仍較低的主要原因在于目前的TNM分期仍不夠準(zhǔn)確，且準(zhǔn)確分期及精準(zhǔn)預(yù)測(cè)預(yù)后仍存在技術(shù)問題。因此，臨床上急需發(fā)展能夠進(jìn)行精準(zhǔn)臨床分期以及預(yù)測(cè)早期NSCLC生物學(xué)特性的新興技術(shù)以提高精準(zhǔn)治療水平及總體療效，醫(yī)學(xué)影像分析可能是重要的研究方向。

2 基于胸部CT識(shí)別腫瘤生物學(xué)特性的方法學(xué)進(jìn)展

2.1 基于胸部CT主觀定性分析

最初對(duì)于醫(yī)學(xué)影像的分析多來源于放射科醫(yī)師的主觀判斷，分別從胸部CT圖像中占位性病變的大小、外形、分葉、毛刺、空泡、造影劑是否增強(qiáng)等方面進(jìn)行描述，但這些定性指標(biāo)往往存在著不確定性，受主觀判斷影響較大，且缺乏量化信息。

2.2 基于胸部CT特征定量分析

隨著時(shí)間和經(jīng)驗(yàn)的積累，研究者確定了一些定性視覺物理特征，并以高級(jí)統(tǒng)計(jì)方法構(gòu)建模型以量化描述腫瘤特征［18］，例如有團(tuán)隊(duì)基于CT中分葉征、胸膜凹陷、瘤周血管、最大徑、CT值等圖像特征通過隨機(jī)森林算法，在磨玻璃結(jié)節(jié)分類方面可達(dá)99.1%的靈敏度和95.1%的準(zhǔn)確率［19］，判別效能顯著提升，彌補(bǔ)了主觀判斷法中量化信息不足的缺陷，但其仍離不開醫(yī)師對(duì)于病灶的解讀，受到許多不穩(wěn)定因素的影響。

2.3 基于影像組學(xué)定量分析

為了更深入地分析醫(yī)學(xué)圖像，Lambin等［20］提出了“影像組學(xué)”這一概念，其主要理論是腫瘤的病理生理相關(guān)信息駐留在醫(yī)學(xué)圖像中［20-22］，并且能夠被通過高通量計(jì)算從醫(yī)學(xué)圖像中提取大量高級(jí)定量特征的影像組學(xué)所描述。影像組學(xué)可以通過高級(jí)統(tǒng)計(jì)方法定量分析或進(jìn)一步與人工智能如機(jī)器學(xué)習(xí)相結(jié)合，形成預(yù)測(cè)和預(yù)后模型，對(duì)腫瘤生物學(xué)特征進(jìn)行可視化分析，捕獲易被肉眼忽略或無法識(shí)別的高價(jià)值癌癥信息［23］，從而挖掘臨床醫(yī)療決策及個(gè)性化治療的潛力［24］。其基本流程包括圖像獲取、腫瘤分割、特征提取和包含特征篩選、建模及性能測(cè)試的數(shù)據(jù)挖掘分析共4個(gè)階段。

2.4 基于深度學(xué)習(xí)

然而，影像組學(xué)往往需要人工預(yù)先定義一系列在整個(gè)建模過程中保持不變的定量高維特征，限制了模型的表達(dá)能力及自動(dòng)性。近年來興起的深度學(xué)習(xí)模型，將特征提取和預(yù)測(cè)建模過程融合，借助圖像標(biāo)簽進(jìn)行端到端學(xué)習(xí)，指導(dǎo)特征不斷更新進(jìn)而提高模型預(yù)測(cè)效能。在醫(yī)學(xué)影像領(lǐng)域，以卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）的應(yīng)用最為廣泛，也最為重要［25］。CNN是多層前饋神經(jīng)網(wǎng)絡(luò)，通過模擬人腦視覺系統(tǒng)，接受圖像作為輸入，從數(shù)據(jù)中學(xué)習(xí)從而自動(dòng)發(fā)現(xiàn)具有高度判別力的圖像特征，完成檢測(cè)和分類等任務(wù)［26］。其基本框架由輸入層、提取特征的卷積層、篩選和過濾特征并將其合并成一的池化層、起到分類器作用的全連接層和輸出層構(gòu)成。此外，當(dāng)訓(xùn)練樣本有限時(shí)，也可將預(yù)先提取的影像組學(xué)特征作為輸入，融合臨床特征等信息，利用全連接神經(jīng)網(wǎng)絡(luò)，更好地建立特征與標(biāo)簽間的非線性關(guān)系，提升模型識(shí)別效能。

綜上，基于胸部CT識(shí)別腫瘤生物學(xué)特性在方法學(xué)上已取得了顯著進(jìn)展，影像組學(xué)定量分析和深度學(xué)習(xí)作為近年來發(fā)展的新技術(shù)，被認(rèn)為是最有可能定量描述出腫瘤生物學(xué)特性的技術(shù)路徑，值得臨床關(guān)注和研究。

3 基于胸部CT的影像組學(xué)和深度學(xué)習(xí)預(yù)測(cè)早期NSCLC淋巴道及血道轉(zhuǎn)移風(fēng)險(xiǎn)的研究進(jìn)展

3.1 早期NSCLC淋巴道轉(zhuǎn)移狀態(tài)預(yù)測(cè)

3.1.1 識(shí)別早期NSCLC隱匿性LNM的風(fēng)險(xiǎn)

3.1.1.1 基于影像組學(xué)定量分析的研究

(1)基于原發(fā)腫瘤的CT圖像分析：Liu等［27］針對(duì)187例cN0外周型肺腺癌患者進(jìn)行的回顧性研究發(fā)現(xiàn)結(jié)合219個(gè)原發(fā)腫瘤的定量3D影像組學(xué)特征和 9個(gè)語義特征生成的邏輯回歸模型可以有效地提供淋巴結(jié)受累信息。He等［28］建立并驗(yàn)證了一項(xiàng)基于原發(fā)腫瘤區(qū)影像組學(xué)的NSCLC患者術(shù)前LNM的預(yù)測(cè)風(fēng)險(xiǎn)評(píng)分，展現(xiàn)出良好的鑒別能力和校準(zhǔn)，有助于對(duì)LNM包括CT提示陰性的隱匿性轉(zhuǎn)移進(jìn)行術(shù)前個(gè)體化預(yù)測(cè)及危險(xiǎn)分層，從而為個(gè)體化治療提供基礎(chǔ)。對(duì)肺癌N2轉(zhuǎn)移進(jìn)行風(fēng)險(xiǎn)分層對(duì)于是否需要接受侵入性縱隔分期手術(shù)的臨床決策至關(guān)重要，Yang等［29］通過半自動(dòng)分割原發(fā)病灶后提取并篩選出5個(gè)基于CT的最佳影像組學(xué)特征構(gòu)建標(biāo)簽，證實(shí)其預(yù)測(cè)臨床Ⅰ期肺腺癌N2轉(zhuǎn)移風(fēng)險(xiǎn)的性能較臨床模型更佳。Zhong等［30］基于492例肺腺癌患者術(shù)前平掃CT原發(fā)腫瘤區(qū)提取300個(gè)影像組學(xué)特征構(gòu)建模型，發(fā)現(xiàn)其預(yù)測(cè)隱匿性縱隔LNM的曲線下面積（area under the ROC curve，AUC）值可達(dá)0.972。這些相關(guān)研究都證實(shí)了影像組學(xué)相較于傳統(tǒng)方法在預(yù)測(cè)LNM方面的出色表現(xiàn)。

(2)基于原發(fā)腫瘤內(nèi)及腫瘤周邊的CT圖像分析：由于腫瘤的浸潤(rùn)，原發(fā)腫瘤周圍的肺組織可能也會(huì)受累，并且在一定程度上影響著腫瘤的轉(zhuǎn)移。Wang等［31］從腫瘤內(nèi)和腫瘤周圍肺實(shí)質(zhì)CT圖像中各獲得了1 946個(gè)影像組學(xué)特征構(gòu)建標(biāo)簽，結(jié)果發(fā)現(xiàn)兩者均顯示出良好的預(yù)測(cè)臨床T1期周圍型肺腺癌患者LNM的能力，而將其結(jié)合構(gòu)建的模型AUC增加到 0.843，影像組學(xué)列線圖的AUC達(dá)0.869。Das等［32］的一項(xiàng)研究則進(jìn)一步整合了從瘤內(nèi)、瘤周和淋巴結(jié)CT影像中提取的特征構(gòu)建影像組學(xué)標(biāo)簽，發(fā)現(xiàn)整合模型能夠顯著地提高預(yù)測(cè)cT1N0M0肺腺癌患者LNM的能力。這些研究都提示在構(gòu)建模型時(shí)整合利用CT多區(qū)域圖像的優(yōu)勢(shì)，為未來的研究提供了新思路。

(3)基于影像組學(xué)及其他相關(guān)變量的多模態(tài)融合分析：僅基于影像得到的信息可能是有限的，當(dāng)其與其他信息如臨床基線參數(shù)、CT報(bào)告結(jié)果等融合時(shí)可發(fā)揮更全面可靠的預(yù)測(cè)性能。Yang等［33］從159例肺腺癌患者的靜脈期 CT圖像中提取并篩選出14個(gè)影像組學(xué)特征，使用多變量邏輯回歸模型結(jié)合CT報(bào)告的淋巴結(jié)狀態(tài)構(gòu)建列線圖，用于cN0亞組的隱匿性LNM預(yù)測(cè)時(shí)被證實(shí)具有良好的辨別能力，AUC為0.875。Cong等［34］也開發(fā)了一種基于術(shù)前靜脈期對(duì)比增強(qiáng)CT的影像組學(xué)模型以預(yù)測(cè)ⅠA期NSCLC患者的LNM，發(fā)現(xiàn)將影像組學(xué)特征與臨床參數(shù)結(jié)合構(gòu)建的組合模型預(yù)測(cè)性能顯著優(yōu)于單一模型，AUC達(dá)0.911。Li等［35］開發(fā)了一種基于非增強(qiáng)CT中原發(fā)腫瘤區(qū)域和鄰近胸膜區(qū)域所提取的影像組學(xué)特征構(gòu)建的模型以預(yù)測(cè)肺腺癌患者的LNM，并將其與CT形態(tài)特征和臨床特征通過多變量分析結(jié)合構(gòu)建組合模型，發(fā)現(xiàn)其分類N0～N3的性能頗佳，可以有效地識(shí)別隱匿性LNM及轉(zhuǎn)移區(qū)域?？梢娪跋窠M學(xué)特征與其他模態(tài)信息相融合時(shí)能顯著地提升預(yù)測(cè)效能，可以說是該領(lǐng)域的一大突破。

3.1.1.2 基于深度學(xué)習(xí)的研究

隨著深度學(xué)習(xí)近年來的興起，在預(yù)測(cè)LNM方面也逐漸出現(xiàn)了一些新的研究。2020年Zhao等［36］將基于CT的影像特征和如腫瘤衰減、癌胚抗原、最大徑、毛刺征、胸膜浸潤(rùn)、吸煙史等臨床特征整合開發(fā)出一套跨模態(tài)3D神經(jīng)網(wǎng)絡(luò)，用于預(yù)測(cè)臨床T1期肺腺癌隱匿性LNM，AUC值達(dá)0.926，顯著優(yōu)于邏輯回歸模型、單一模態(tài)模型、影像組學(xué)模型以及放射科醫(yī)師評(píng)估結(jié)果，展現(xiàn)了多模態(tài)融合深度學(xué)習(xí)模型良好的預(yù)測(cè)性能。Wang等［37］提出了一種具有尺寸相關(guān)阻尼塊的新型深度預(yù)測(cè)方法，用于從肺癌原發(fā)腫瘤的CT圖像中識(shí)別LNM，結(jié)果發(fā)現(xiàn)由40 keV能量級(jí)的CT圖像數(shù)據(jù)集訓(xùn)練所得的模型預(yù)測(cè)的準(zhǔn)確率達(dá)86%，并應(yīng)用五倍交叉驗(yàn)證解釋了較低的能量級(jí)CT結(jié)合腫瘤異質(zhì)性和尺寸因素可以更有效地預(yù)測(cè)LNM。

綜上可見，針對(duì)基于胸部CT，用于識(shí)別早期NSCLC隱匿性LNM風(fēng)險(xiǎn)的影像組學(xué)研究已到了一個(gè)較為成熟的狀態(tài)和水平，其與其他模態(tài)的融合能夠進(jìn)一步幫助提升模型的預(yù)測(cè)性能。另外，深度學(xué)習(xí)這一新領(lǐng)域也為對(duì)于CT圖像信息的進(jìn)一步挖掘提供了新可能。

3.1.2 識(shí)別淋巴結(jié)良惡性

3.1.2.1 基于影像組學(xué)定量分析的研究

大多數(shù)當(dāng)前的研究主要將感興趣區(qū)（region of interest，ROI）定為原發(fā)病灶區(qū)，也有研究者將圖像區(qū)域限定在淋巴結(jié)本身進(jìn)行區(qū)分淋巴結(jié)良惡性的研究。Bayanati等［38］從肺癌患者的72個(gè)淋巴結(jié)平掃CT圖像中提取影像組學(xué)特征及形態(tài)特征通過邏輯回歸分析構(gòu)建模型，證明其能以81%的靈敏度和80%的特異度識(shí)別惡性淋巴結(jié)，并能使84%的惡性淋巴結(jié)和71%的良性淋巴結(jié)得到正確的分類。Andersen等［39］在對(duì)比增強(qiáng)CT圖像中勾畫淋巴結(jié)ROI，并從中提取紋理特征進(jìn)行分析，結(jié)果顯示其在鑒別NSCLC患者可疑縱隔淋巴結(jié)的良惡性方面能夠有所幫助，重復(fù)性較好，觀察者內(nèi)方差較低。Dong等［40］納入了201個(gè)靜脈期CT中顯示為腫大的縱隔淋巴結(jié)并從中提取影像組學(xué)特征擬合模型，結(jié)果發(fā)現(xiàn)包含8個(gè)最佳特征的邏輯回歸模型與縱隔淋巴結(jié)惡性狀態(tài)顯著相關(guān)，并且在區(qū)分良惡性方面具有令人滿意的診斷性能，AUC為0.850，同時(shí)證實(shí)了影像組學(xué)評(píng)分在不同因素之間具有普遍性。

有研究［41］直接以縱隔淋巴結(jié)作為研究對(duì)象，但其創(chuàng)新之處在于分別從平掃期、靜脈期和動(dòng)脈期不同時(shí)間點(diǎn)的CT圖像上提取影像組學(xué)特征建立模型以預(yù)測(cè)淋巴結(jié)的轉(zhuǎn)移狀態(tài)，結(jié)果發(fā)現(xiàn)根據(jù)平掃期CT構(gòu)建的模型預(yù)測(cè)性能最佳。

這些研究都證明了直接利用淋巴結(jié)自身影像特征構(gòu)建影像組學(xué)模型也能展現(xiàn)出較好的預(yù)測(cè)性能，為鑒別影像上表現(xiàn)為腫大淋巴結(jié)的良惡性提供了可能，從而進(jìn)一步指導(dǎo)手術(shù)或放療的具體方案。

3.1.2.2 基于深度學(xué)習(xí)的研究

Shin等［42］使用在90例患者的CT圖像中標(biāo)記出的388個(gè)淋巴結(jié)，在一種計(jì)算機(jī)輔助診斷系統(tǒng)上訓(xùn)練并評(píng)估采用三重交叉驗(yàn)證的CNN模型，證明其識(shí)別陽性與陰性淋巴結(jié)的AUC值最高可達(dá)0.95。但目前該研究領(lǐng)域在深度學(xué)習(xí)中的應(yīng)用還相對(duì)比較少見，這可能也是未來值得研究的方向之一。

3.2 早期NSCLC術(shù)后及SBRT后血道轉(zhuǎn)移風(fēng)險(xiǎn)預(yù)測(cè)

3.2.1 基于影像組學(xué)定量分析的研究

3.2.1.1 基于影像組學(xué)單一模態(tài)的CT圖像分析

Yu 等［43］分析了147例接受手術(shù)的Ⅰ期NSCLC患者的對(duì)比增強(qiáng)CT圖像，并且設(shè)置了由295例接受SBRT患者構(gòu)成的獨(dú)立驗(yàn)證隊(duì)列，使用隨機(jī)生存森林方法由2個(gè)影像組學(xué)特征構(gòu)建了一種最優(yōu)模型，發(fā)現(xiàn)其對(duì)于血道轉(zhuǎn)移具有顯著的預(yù)測(cè)效能，風(fēng)險(xiǎn)比為1.04，證明影像組學(xué)模型可以對(duì)患者進(jìn)行治療前風(fēng)險(xiǎn)分層，從而有助于個(gè)性化定制治療選擇。Huynh等［44］的研究發(fā)現(xiàn)接受SBRT的早期NSCLC患者的總生存率與兩個(gè)常規(guī)特征和兩個(gè)影像組學(xué)特征有關(guān)，而影像組學(xué)特征Wavelet LLH統(tǒng)計(jì)范圍對(duì)血道轉(zhuǎn)移具有顯著預(yù)測(cè)意義。該探索性分析表明，影像組學(xué)特征有可能預(yù)測(cè)SBRT患者常規(guī)影像學(xué)指標(biāo)無法預(yù)測(cè)的某些結(jié)果。

3.2.1.2 基于影像組學(xué)及其他相關(guān)變量的多模態(tài)融合分析

PET/CT可以作為另一模態(tài)信息提供補(bǔ)充資料，與CT的融合可能為模型效能的提升帶來幫助。Oikonomou等［45］回顧性檢查了150例接受SBRT肺癌患者的42個(gè)CT和PET/CT衍生特征的主成分，發(fā)現(xiàn)不同主成分的組合模型對(duì)于遠(yuǎn)處控制均展現(xiàn)了良好的預(yù)測(cè)性能，在與SUVmax的聯(lián)合分析中發(fā)現(xiàn)，由特定特征組成的影像組學(xué)模型對(duì)遠(yuǎn)處控制的預(yù)測(cè)性能獨(dú)立于SUVmax。

以上研究為我們展示了基于胸部CT及其他信息的影像組學(xué)模型在預(yù)測(cè)早期NSCLC術(shù)后及SBRT后血道轉(zhuǎn)移風(fēng)險(xiǎn)方面的潛力。

3.2.2 基于深度學(xué)習(xí)的研究

當(dāng)前基于胸部CT圖像的深度學(xué)習(xí)技術(shù)在預(yù)測(cè)早期NSCLC血道轉(zhuǎn)移風(fēng)險(xiǎn)領(lǐng)域的應(yīng)用并不普遍，而在其他相關(guān)方面則有了一些進(jìn)展，例如在局部晚期NSCLC中，Xu等［46］分析了患者的時(shí)間序列CT圖像，發(fā)現(xiàn)每次向CNN模型中加入額外（包括治療前及治療后1、3、6個(gè)月）的隨訪CT圖像都會(huì)進(jìn)一步增強(qiáng)模型對(duì)于血道轉(zhuǎn)移的預(yù)測(cè)性能，對(duì)拓展早期NSCLC的臨床應(yīng)用場(chǎng)景有所啟迪，成為探索方向之一。另外，Tau 等［47］則使用CNN分析NSCLC患者的分段PET/CT圖像，發(fā)現(xiàn)其在預(yù)測(cè)血道轉(zhuǎn)移方面的特異性較高，但敏感性較差，可見基于PET/CT的深度學(xué)習(xí)模型在預(yù)測(cè)NSCLC血道轉(zhuǎn)移方面的結(jié)果并不令人滿意，基于胸部CT開發(fā)相關(guān)模型是否可以達(dá)到更好的預(yù)測(cè)效能則更值得關(guān)注和探究。因此，以早期NSCLC胸部CT影像為基礎(chǔ)開發(fā)深度學(xué)習(xí)模型用于血道轉(zhuǎn)移風(fēng)險(xiǎn)預(yù)測(cè)可能是未來研究的方向。

4 問題與展望

雖然基于胸部CT的影像組學(xué)和深度學(xué)習(xí)在分析肺癌生物學(xué)特征、預(yù)后預(yù)測(cè)等領(lǐng)域獲得了顯著進(jìn)步，但在臨床運(yùn)用前還需要進(jìn)一步完善：① 兩者均亟待建立統(tǒng)一的技術(shù)標(biāo)準(zhǔn)。其所涉及的一系列復(fù)雜的儀器、參數(shù)、術(shù)語、算法、圖像注釋及硬軟件等的規(guī)范不足以及應(yīng)用場(chǎng)景的不同均會(huì)使算法的可推廣性和模型的泛化性受到限制［48］。② 兩者均受限于數(shù)據(jù)共享不足及其倫理法律問題。目前研究對(duì)于多中心、高質(zhì)量、大樣本數(shù)據(jù)的需求尚難以充分滿足，醫(yī)學(xué)影像大數(shù)據(jù)庫的創(chuàng)建還存在很大困難。③ 目前的研究大多建立在回顧性隊(duì)列的基礎(chǔ)上。為了得到更高的性能和更好的可重復(fù)性，前瞻性研究必不可少。④ 來自生物性因素的限制。呼吸運(yùn)動(dòng)不可避免地會(huì)影響CT圖像的質(zhì)量；腫瘤的異質(zhì)性及并發(fā)癥的復(fù)雜性使得對(duì)單一大塊ROI的分析可能不足以滿足臨床決策的需求。

影像組學(xué)和深度學(xué)習(xí)在臨床應(yīng)用中受到的挑戰(zhàn)雖不可避免，但其發(fā)展前景也不容小覷：① 在成像手段方面，PET/CT與CT結(jié)合構(gòu)建模型以及4D-CT的開發(fā)在完整地提供腫瘤豐富的生物學(xué)信息方面提供了可能；光譜CT在減少輻射劑量的同時(shí)在改進(jìn)病變檢測(cè)、組織特征描述和分解方面展現(xiàn)出巨大的潛力，而深度學(xué)習(xí)也為其使用濾波反投影等傳統(tǒng)重建法產(chǎn)生的條紋偽影和噪聲等不足提供了新的解決方案［49］，如使用各種多尺度功能融合和多通道過濾增強(qiáng)方法如U-net、總變異、殘余學(xué)習(xí)和同位素適應(yīng)等［50］，以及基于稀疏投影視圖的雙幀和緊幀U-Net［51］、多級(jí)波段CNN［52］等方式有效地提高光譜CT圖像的重建精度。② 在算法及建模技術(shù)手段方面，弱監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí)、小樣本學(xué)習(xí)、自監(jiān)督學(xué)習(xí)及增量學(xué)習(xí)等方法有機(jī)會(huì)緩解樣本量的不足［53］；集成學(xué)習(xí)將支持提取多級(jí)別語義圖像標(biāo)簽以提高其跨不同圖像類別的泛化能力［25］。③ 在創(chuàng)新性方面，Delta-影像組學(xué)從治療前、中、后獲得的圖像集中提取量化特征以提供特征值演變的信息，從而改善預(yù)后預(yù)測(cè)［54］；蛋白、基因、轉(zhuǎn)錄、代謝及劑量組學(xué)等研究的不斷發(fā)展使跨模態(tài)模型成為未來研究的新領(lǐng)域及新可能；另外，熱圖技術(shù)可以在一定程度上提高模型的可解釋性［55］。

5 總結(jié)

綜上，雖然基于胸部CT的影像組學(xué)和深度學(xué)習(xí)的應(yīng)用尚待完善，但其在早期NSCLC轉(zhuǎn)移狀態(tài)預(yù)測(cè)與評(píng)估方面已作出了巨大貢獻(xiàn)。我們有理由期待，輔以新興技術(shù)的開發(fā)，影像組學(xué)和深度學(xué)習(xí)的應(yīng)用前景必然會(huì)更加廣闊，臨床上基于胸部CT影像識(shí)別腫瘤生物學(xué)特征的訴求也會(huì)得到進(jìn)一步滿足。