馮俊榜 余 飛 王光昶 李傳明 何曉靜

1.重慶醫(yī)科大學(xué)附屬第二醫(yī)院放射科(重慶 400010)

2.重慶市急救醫(yī)療中心醫(yī)學(xué)影像科(重慶 400014)

3.重慶大學(xué)附屬中心醫(yī)院 醫(yī)學(xué)影像科(重慶 400014)

4.成都醫(yī)學(xué)院 大健康與智能工程學(xué)院(四川 成都 610500)

中樞神經(jīng)系統(tǒng)是神經(jīng)系統(tǒng)的主要部分，包括位于椎管內(nèi)的脊髓和位于顱腔內(nèi)的腦。中樞神經(jīng)系統(tǒng)疾病病種復(fù)雜，臨床表現(xiàn)多樣，多數(shù)預(yù)后不良[1]，嚴(yán)重威脅人們的健康。因此，早期正確的診斷、評(píng)估病情對(duì)病人的及時(shí)治療和改善預(yù)后有很大的幫助。2012年Lambin等[2]首次提出影像組學(xué)的概念，其憑借對(duì)高通量影像數(shù)據(jù)信息進(jìn)行更深層次的挖掘，解析影像與基因和臨床信息如分型、療效和預(yù)后等的關(guān)聯(lián)，揭示了影像組學(xué)在疾病所有階段發(fā)揮著重要作用，包括篩查、預(yù)測(cè)、活檢檢測(cè)指導(dǎo)、治療計(jì)劃和療效評(píng)估等，對(duì)病例實(shí)現(xiàn)個(gè)性化、精準(zhǔn)化治療提供了巨大的幫助。目前對(duì)于神經(jīng)系統(tǒng)腫瘤，影像組學(xué)已經(jīng)取得較大進(jìn)展，可以準(zhǔn)確診斷，Minjae Kim[3]等人從多參數(shù)MRI中提取放射組學(xué)特征(n=6472)，利用基于機(jī)器學(xué)習(xí)和廣義線性模型分類器構(gòu)建放射組學(xué)模型，結(jié)果顯示多參數(shù)MRI放射組學(xué)模型預(yù)測(cè)低級(jí)別神經(jīng)膠質(zhì)瘤異檸檬酸脫氫酶突變的auc為0.747，腫瘤分級(jí)的auc為0.819。但對(duì)于神經(jīng)系統(tǒng)非腫瘤病變，如腦血管性疾病[4]、脫髓鞘疾病[5]及退行性疾病[6,7]等研究關(guān)注度較少，具有較大的應(yīng)用潛力，值得進(jìn)一步深入研究，本文就影像組學(xué)在神經(jīng)系統(tǒng)常見(jiàn)非腫瘤性病變中的最新研究進(jìn)展進(jìn)行綜述。

1 影像組學(xué)定義及基本原理

影像組學(xué)專注于圖像分析的改進(jìn)[8]，將用于診斷的圖像如CT、MRI、PTE/CT等轉(zhuǎn)化為可挖掘的數(shù)據(jù)，通過(guò)給定成像模式的自動(dòng)或半自動(dòng)軟件對(duì)醫(yī)學(xué)圖像數(shù)據(jù)進(jìn)行定量分析，使用高通量提取大量的醫(yī)學(xué)圖像定量特征，捕捉組織和病變的特性，如形狀和異質(zhì)性等，定量的分析病變的生理病理改變。不同患者可表現(xiàn)出不同的形狀、紋理等特征，屬于醫(yī)學(xué)圖像分析的最后一類創(chuàng)新，可以提供比醫(yī)生更多、更全的豐富信息。主要有四個(gè)步驟：1、圖像采集和重建；2、感興趣區(qū)(ROI)分割；3、特征提取和篩選；4、建立預(yù)測(cè)模型。

1.1 圖像采集和重建圖像采集和重建是影像組學(xué)的基本基礎(chǔ)，所有的工作都是在此基礎(chǔ)上進(jìn)行的。通過(guò)CT[9]、MRI[10]、PET/CT[11]、PET/MRI[12]等可以獲得大量的數(shù)據(jù)，目前傳統(tǒng)的人為分辨具有較大的差異性，且可重復(fù)性差，一致性也需進(jìn)一步提高，不同的醫(yī)療機(jī)構(gòu)和掃描參數(shù)都可能不同，因此，降低圖像參數(shù)的差異性、建立標(biāo)準(zhǔn)化的數(shù)據(jù)庫(kù)可以帶來(lái)準(zhǔn)確的預(yù)測(cè)數(shù)據(jù)。

1.2 感興趣區(qū)(ROI)分割ROI分割[13]是影像組學(xué)的關(guān)鍵步驟，因?yàn)榉指畹腞OI會(huì)生成特征數(shù)據(jù)。它是將一副圖像根據(jù)屬性分為多個(gè)興趣區(qū)域并提取的過(guò)程。目前主要有兩種方式：一種是人為的進(jìn)行手動(dòng)分割[14]，但是這種過(guò)程比較繁瑣、復(fù)雜，并且可重復(fù)性差，尤其對(duì)于高通量數(shù)據(jù)。另一種是近年來(lái)發(fā)展起來(lái)的半自動(dòng)[15]或全自動(dòng)[16]分割方法，Gau K[17]等以人工分割作為參考，比較了半自動(dòng)(ITK-SNAP)和全自動(dòng)(lesion_GNB)方法分割在癲癇患者切除的腦區(qū)在準(zhǔn)確性，結(jié)果發(fā)現(xiàn)在適度的人工輸入的情況下，半自動(dòng)分割在切除的腦區(qū)提供了最準(zhǔn)確的結(jié)果，因此與手工分割相比是一種可行的替代方法，特別是在大量患者隊(duì)列的研究中。Layse[18]等開(kāi)發(fā)了一種計(jì)算算法應(yīng)用于磁共振成像自動(dòng)分割腦腫瘤，結(jié)果與手工分割比較以確定算法的有效性，所得分割結(jié)果與金標(biāo)準(zhǔn)的相關(guān)符合率為89.23%。從目前研究來(lái)看，將兩種方法有效的結(jié)合可提高效率和可重復(fù)性，這種方法效率高、可重復(fù)性好、應(yīng)用范圍廣。

1.3 特征提取和篩選特征提取和篩選[19]是選擇最有用的特征來(lái)識(shí)別圖像，并且還要保證可重復(fù)性。一般可通過(guò)高通量技術(shù)從ROI中自動(dòng)收集特征并提取出來(lái)。常用的組學(xué)特征分為：第一級(jí)，包括語(yǔ)義特征(形狀、大小、異常位置、血管化程度、區(qū)域浸潤(rùn)等)，已廣泛應(yīng)用于臨床。第二級(jí)與三維圖像中最小體積單位[20]的每個(gè)體素的定量參數(shù)相關(guān)聯(lián)，它以直方圖的形式呈現(xiàn)個(gè)體體素?cái)?shù)值的分布，包塊平均值、最大值、最小值、標(biāo)準(zhǔn)差、峰度、傾角、熵等參數(shù)。第三級(jí)，高階結(jié)構(gòu)的統(tǒng)計(jì)分析，顯示了相鄰體素之間的關(guān)系(相似和對(duì)等)。

1.4 建立預(yù)測(cè)模型特征提取完成之后，可以用多種統(tǒng)計(jì)模型來(lái)選擇在特征提取過(guò)程中與假定的結(jié)果相關(guān)的各種主要特征，以提高預(yù)測(cè)的準(zhǔn)確性。建立影像特征與臨床相關(guān)的問(wèn)題的模型[21,22]，常用的分類預(yù)測(cè)模型包括支持向量機(jī)(SVM)、隨機(jī)森林(RF)、K近鄰、Logistic回歸等。

2 影像組學(xué)在腦血管性疾病中的應(yīng)用

腦血管性疾病作為神經(jīng)系統(tǒng)常見(jiàn)病和多發(fā)病，是截止目前導(dǎo)致人類死亡的三大主要疾病之一，容易留下比較嚴(yán)重的后遺癥，也是長(zhǎng)期致殘率、致死率高的原因，給家庭和社會(huì)帶來(lái)非常沉重的負(fù)擔(dān)。腦血管性疾病主要包括缺血性腦卒中、腦出血、顱內(nèi)動(dòng)脈瘤、血管畸形等顱內(nèi)血管病變，影像組學(xué)目前已逐步應(yīng)用于腦血管疾病的識(shí)別、智能分割、特征提取、智能診斷、治療及預(yù)后評(píng)估[23]等多個(gè)方面。

2.1 影像組學(xué)在缺血性腦卒中的應(yīng)用缺血性腦卒中(Ischemic stroke)[24]是由于腦的供血?jiǎng)用}狹窄或閉塞、腦組織供血不足導(dǎo)致的壞死的總稱，由于其高發(fā)病率、高致殘率、高死亡率而成為目前研究的熱點(diǎn)。同時(shí)，缺血性腦卒中的診斷和預(yù)后高度依賴于影像學(xué)提供的信息，因此，有效、快速的開(kāi)發(fā)出準(zhǔn)確的診斷模型對(duì)臨床意義重大。Marta Olive-Gadea等[25]開(kāi)發(fā)的MethinksLVO軟件模型在疑似急性腦卒中患者中，可以快速、可靠地識(shí)別并預(yù)測(cè)大血管閉塞，其靈敏度83%，特異度85%。而缺血性腦卒中治療重點(diǎn)在于恢復(fù)灌注不足區(qū)血流量，以減少梗死。Tang等[26]分析了來(lái)自7個(gè)中心的168例患者，基于短期臨床標(biāo)簽，采用特征選擇方法對(duì)456個(gè)放射組學(xué)特征進(jìn)行了評(píng)價(jià)，通過(guò)預(yù)測(cè)急性缺血性中風(fēng)(AIS)患者3個(gè)月的臨床結(jié)果來(lái)驗(yàn)證放射組學(xué)nomogram，開(kāi)發(fā)出的基于半暗帶量化的放射組學(xué)特征(R評(píng)分)可作為預(yù)后生物標(biāo)志物，為當(dāng)前的臨床決策過(guò)程增加了更多價(jià)值，其外部驗(yàn)證數(shù)據(jù)集的一致性指數(shù)(C-index)為0.695[95%可信區(qū)間(CI) 0.667-0.723]。此外，預(yù)測(cè)良好臨床預(yù)后的放射組學(xué)nomogram曲線下面積(AUC)在第7天達(dá)到0.886 (95% CI 0.809-0.963)，在第3個(gè)月達(dá)到0.777 (95% CI 0.666-0.888)。W Qiu[27]等以67例ICA/M1 MCA段血栓患者接受靜脈阿替普酶治療為研究對(duì)象，從每個(gè)血栓的CT平掃和CTA圖像中提取326個(gè)放射組學(xué)特征，采用支持向量機(jī)建立分類器，使用10次5倍交叉驗(yàn)證來(lái)評(píng)估訓(xùn)練分類器的準(zhǔn)確性和所選特征的穩(wěn)定性，結(jié)果發(fā)現(xiàn)結(jié)合NCCT、CTA的放射組學(xué)特征與靜脈阿替普酶再通的早期相關(guān)最好(曲線下面積=0.85)，來(lái)自CT平掃和CTA的血栓放射組學(xué)特征比之前已知的血栓長(zhǎng)度、體積和通透性等影像學(xué)特征更能準(zhǔn)確預(yù)測(cè)急性缺血性卒中近端閉塞患者靜脈阿替普酶再通。耿立娜[28]采用ITK軟件及支持向量機(jī)、Logistic回歸分析、RF隨機(jī)森林分類器模型對(duì)220例急性大腦中動(dòng)脈梗死區(qū)病人的臨床資料和DWI資料進(jìn)行分析,發(fā)現(xiàn)用綜合影像組學(xué)與臨床年齡特征的綜合模型評(píng)估腦梗死的預(yù)后效果是最好的。目前，采用影像組學(xué)的智能診斷模型已經(jīng)可以輔助診斷早期卒中患者，實(shí)現(xiàn)自動(dòng)化的臨床分流和診斷。

2.2 影像組學(xué)在腦出血中的應(yīng)用腦出血(ICH)是神經(jīng)系統(tǒng)中常見(jiàn)的急癥，原因包括高血壓性腦出血、腦外傷、動(dòng)脈瘤破裂和腫瘤卒中等，是一種高致殘致死率的疾病。Zhan[29]等分析了313例小于10ml的小腦出血(ICH)患者的CT平掃圖像，采用最小絕對(duì)收縮和選擇算子算法或多變量分析建立放射組學(xué)模型和臨床模型，結(jié)合放射組學(xué)評(píng)分和臨床因素，建立了一個(gè)預(yù)測(cè)血腫是否擴(kuò)大的聯(lián)合模型，該模型對(duì)3-10 ml組不良預(yù)后的鑒別能力較好(auc為0.720)。Li Hui[30]等收集了258例急性自發(fā)性腦實(shí)質(zhì)內(nèi)出血患者，利用Radiomics軟件對(duì)基線CT平掃圖像進(jìn)行血腫分割，并提取紋理特征。采用最小冗余和最大相關(guān)性(mRMR)和最小絕對(duì)收縮和選擇算子(LASSO)選擇特征子集，計(jì)算放射組學(xué)評(píng)分。所建立的放射組學(xué)模型和放射組學(xué)nomogram血腫擴(kuò)大預(yù)測(cè)模型均具有較好的預(yù)測(cè)效果，曲線下面積AUC 0.83，0.82，且均優(yōu)于臨床模型AUC 0.66。目前許多研究表明影像組學(xué)模型可作為預(yù)測(cè)自發(fā)性腦出血患者血腫擴(kuò)大的潛在生物標(biāo)志物，對(duì)血腫擴(kuò)大預(yù)測(cè)的臨床因素具有較高的應(yīng)用價(jià)值。

2.3 影像組學(xué)在顱內(nèi)動(dòng)脈瘤中的應(yīng)用顱內(nèi)動(dòng)脈瘤破裂是一種高發(fā)病率和死亡率的破壞性醫(yī)學(xué)緊急事件，目前越來(lái)越多的無(wú)癥狀、未破裂的腦動(dòng)脈瘤在影像學(xué)檢查中被偶然發(fā)現(xiàn)，一旦發(fā)現(xiàn)，這些動(dòng)脈瘤的破裂風(fēng)險(xiǎn)需要仔細(xì)評(píng)估，因?yàn)槭中g(shù)和血管內(nèi)治療都有并發(fā)癥的風(fēng)險(xiǎn)。影像組學(xué)在顱內(nèi)動(dòng)脈瘤的應(yīng)用越來(lái)越廣泛，對(duì)于動(dòng)脈瘤的識(shí)別、破裂風(fēng)險(xiǎn)等方面已有相關(guān)報(bào)道。Zeng等[31]采用空間信息融合(spatial information fusion,SIF)方法，將深度學(xué)習(xí)方法應(yīng)用于三維旋轉(zhuǎn)血管造影(3D rotation Angiography)中顱內(nèi)動(dòng)脈瘤的檢測(cè)，采用二維圖像序列代替三維血管模型，最后得到了98.89%的準(zhǔn)確率，靈敏度和特異性分別為99.38%和98.19%，證明了SIF特征的可行性和有效性。Podgorsak等[32]人也開(kāi)發(fā)出了一種用于顱內(nèi)動(dòng)脈瘤血管造影參數(shù)成像分析的自動(dòng)放射組學(xué)特征提取方法。Osamah等[33]對(duì)393例CT血管造影(CTA)圖像進(jìn)行放射組學(xué)分析，從每個(gè)動(dòng)脈瘤中自動(dòng)計(jì)算出1229個(gè)放射組學(xué)特征，使用尺寸、形狀和Radiomics參數(shù)的逐步前向特征選擇進(jìn)行多變量統(tǒng)計(jì)分析，系統(tǒng)地減少特征數(shù)量，篩選出9個(gè)放射組學(xué)特征，并建立logistic回歸模型，該模型對(duì)于的動(dòng)脈瘤破裂分類在訓(xùn)練和測(cè)試隊(duì)列中的ROC分別為：0.92和0.86，具有較好的表現(xiàn)性能。我們前期提通過(guò)全自動(dòng)提取破裂和未破裂腦動(dòng)脈瘤的影像組學(xué)特征，基于機(jī)器學(xué)習(xí)的方法鑒別破裂和未破裂動(dòng)脈瘤，其AUC達(dá)0.82。影像組學(xué)用于動(dòng)脈瘤特征評(píng)估的一個(gè)明顯優(yōu)勢(shì)是，可以方便地使用單個(gè)平臺(tái)(如3D Slicer26)進(jìn)行整個(gè)圖像處理、分割和特征測(cè)量流程。我們相信Radiomics分析將有潛力成為動(dòng)脈瘤研究的一種強(qiáng)有力的工具。

2.4 影像組學(xué)在血管畸形中的應(yīng)用腦血管畸形是腦血管先天性、非腫瘤性的異常發(fā)育，是指由局部腦血管發(fā)育障礙而引起的局部腦血管形態(tài)、結(jié)構(gòu)和數(shù)量的異常，并影響到了正常的腦血流。雖然影像組學(xué)應(yīng)用較少，但也有研究者將影像組學(xué)已經(jīng)應(yīng)用到檢測(cè)和預(yù)后評(píng)估等多個(gè)方面。腦動(dòng)靜脈畸形(arteriovenous malformation，AVM)是由于病變部位的腦動(dòng)脈和腦靜脈之間缺乏毛細(xì)血管致使動(dòng)脈與靜脈直接相通，形成動(dòng)靜脈之間的短路，導(dǎo)致一系列腦血流動(dòng)力學(xué)的紊亂。準(zhǔn)確描述AVM病灶對(duì)于正確的AVM覆蓋非常重要，因?yàn)檫@是放射治療成功的最重要因素；而AVM的彌散性又是評(píng)估手術(shù)結(jié)果和預(yù)測(cè)出血性風(fēng)險(xiǎn)的重要因素；但是，由于診斷醫(yī)生經(jīng)驗(yàn)的不同導(dǎo)致判斷的多樣性和量化的困難，在識(shí)別和判斷彌散性方面仍存在較大困難。因此，Jiao等[34]通過(guò)對(duì) 635例接受TOF-MRA成像的AVM患者進(jìn)行手動(dòng)勾畫ROI，最終訓(xùn)練出的全自動(dòng)識(shí)別AVM模型的AUC可達(dá)0.84，進(jìn)一步的，研究者采用機(jī)器學(xué)習(xí)的方法來(lái)鑒別腦動(dòng)靜脈畸形的彌散程度，其準(zhǔn)確度高達(dá)0.95，彌散的量化有助于更合理地分配分級(jí)系統(tǒng)的分?jǐn)?shù)，并提高其準(zhǔn)確性；該研究極大的推進(jìn)了影像組學(xué)在該領(lǐng)域的發(fā)展。海綿狀畸形是常見(jiàn)的腦血管疾病之一，出血是腦海綿狀畸形常見(jiàn)且危險(xiǎn)的癥狀，伽瑪?shù)吨委熓悄壳俺Ｓ玫闹委煼绞?，但是治療后仍?0%的患者出現(xiàn)再出血。kuo等[35]對(duì)經(jīng)伽瑪?shù)斗派渲委煹哪X海綿狀畸形患者進(jìn)行了一項(xiàng)長(zhǎng)期隨訪的回顧性研究，利用MRI的放射組學(xué)來(lái)確定可靠的成像生物標(biāo)志物，以預(yù)測(cè)伽瑪?shù)斗派渲委熀笤俅纬鲅?；結(jié)果發(fā)現(xiàn)將機(jī)器學(xué)習(xí)方法與縱向影像學(xué)特征相結(jié)合，可以預(yù)測(cè)伽瑪?shù)斗派渲委熀蟮哪X海綿狀畸形患者的再出血情況，對(duì)臨床治療腦海綿狀畸形具有重大指導(dǎo)意義。

3 影像組學(xué)在神經(jīng)系統(tǒng)脫髓鞘疾病中的應(yīng)用

中樞神經(jīng)系統(tǒng)脫髓鞘疾病主要是以腦和脊髓以髓鞘破壞或缺失為主要特征。對(duì)該類疾病的早期檢測(cè)和診斷，對(duì)于患者的預(yù)后有極大的幫助，Y.Liu[36]等回顧性的納入了67例MS和68例有脊髓損傷的 NMOSD 病人，并把28例MS和26例NMOSD病人作為驗(yàn)證隊(duì)列，從脊髓T2WI中提取病變的放射學(xué)特征，將提取的458個(gè)組學(xué)特征通過(guò)LASSO降維之后最終得到9個(gè)放射組學(xué)特征；通過(guò)將放射學(xué)特征和臨床基本信息(性別、年齡、病程、復(fù)發(fā)次數(shù)、EDSS評(píng)分)及常規(guī)MRI測(cè)量值(脊髓病變長(zhǎng)度和脊髓病變數(shù)量)相結(jié)合，建立的Nomogra預(yù)測(cè)模型可以很好的區(qū)分MS和NMOSD，其AUC達(dá)0.89。Zhao Y等[37]采用邏輯回歸方法和SVM分別對(duì)MS患者人口統(tǒng)計(jì)學(xué)特征、臨床特征及MRI特征的基線數(shù)據(jù)與縱向隨訪數(shù)據(jù)進(jìn)行綜合定量分析，結(jié)果顯示T2病灶體積是極為重要的病程進(jìn)展預(yù)測(cè)因子，且基于縱向隨訪數(shù)據(jù)的SVM預(yù)測(cè)準(zhǔn)確率達(dá)0.86。隨著影像組學(xué)的發(fā)展和應(yīng)用，其綜合能夠?qū)?huì)有進(jìn)一步提高，但目前由于脫髓鞘疾病存在單中心樣本量少、前瞻性實(shí)驗(yàn)耗時(shí)長(zhǎng)等研究問(wèn)題，導(dǎo)致相應(yīng)的組學(xué)模型偏少，因此開(kāi)發(fā)前瞻性、大樣本數(shù)據(jù)并進(jìn)行多中心驗(yàn)證是今后發(fā)展的方向。

4 影像組學(xué)在神經(jīng)系統(tǒng)退行性疾病中的應(yīng)用

4.1 在輕度認(rèn)知障礙和阿爾茨海默病中的應(yīng)用阿爾茨海默氏病(AD)是一種嚴(yán)重威脅老年人健康的進(jìn)行性神經(jīng)退行性疾病。輕度認(rèn)知障礙(MCI)被認(rèn)為是AD的前驅(qū)階段。迄今為止，AD或MCI診斷是在不可逆的大腦結(jié)構(gòu)改變后建立的。目前，已有研究表明，放射組學(xué)分析可以作為AD和MCI的良好診斷和分類方法。Feng Q等[22]的對(duì)78例AD患者和44例健康對(duì)照者的三維t1加權(quán)磁化快速梯度回波(MPRAGE)圖像進(jìn)行放射組學(xué)分析。對(duì)每個(gè)被試的圖像進(jìn)行人工分割，經(jīng)過(guò)計(jì)算得到385個(gè)特征。經(jīng)過(guò)LASSO后最終選取11個(gè)特征，構(gòu)建logistic回歸模型，得到的AUC為0.720。這是首次表明基于機(jī)器學(xué)習(xí)的放射組學(xué)模型是一種有價(jià)值的AD診斷方法；研究還發(fā)現(xiàn)海馬影像組學(xué)生物標(biāo)志物和所建立的影像組學(xué)模型對(duì)MCI患者的診斷、鑒別診斷和治療有較大的意義。但是，準(zhǔn)確預(yù)測(cè)MCI是否及何時(shí)發(fā)展為AD，對(duì)于制定個(gè)體化治療方案，延緩不可逆癡呆的發(fā)生具有重要意義。Tang從[38]團(tuán)隊(duì)前期從Alzheimer's Disease Neuroimaging Initiative (ADNI)數(shù)據(jù)庫(kù)中收集了162例MCI患者的T1圖像，在5年的隨訪中，68名患者轉(zhuǎn)為AD，94名患者保持穩(wěn)定，將患者隨機(jī)分為訓(xùn)練數(shù)據(jù)集(n=112)和驗(yàn)證數(shù)據(jù)集(n=50)，從MR圖像的整個(gè)大腦皮質(zhì)和皮質(zhì)下核提取放射特征。使用LASSO Cox回歸建立放射組學(xué)模型，通過(guò)一致性指數(shù)(C指數(shù))評(píng)估每個(gè)模型的性能。建立了一個(gè)包含15個(gè)預(yù)測(cè)因子的多預(yù)測(cè)列線圖模型，該列線圖模型對(duì)單個(gè)疾病發(fā)展時(shí)間(time to progression，TTP)預(yù)測(cè)具有高精度，C指數(shù)為0.950(0.929-0.971)，可以準(zhǔn)確預(yù)測(cè)從MCI到AD的個(gè)體TTP。

4.2 在帕金森病中的應(yīng)用帕金森病(PD)是繼阿爾茨海默病之后第二大最常見(jiàn)的神經(jīng)退行性疾病，其發(fā)病率隨年齡增長(zhǎng)而迅速增加，帕金森病臨床癥狀多樣，以運(yùn)動(dòng)性和非運(yùn)動(dòng)性癥狀為特征，可導(dǎo)致殘疾、死亡和生活質(zhì)量下降。Takuro等[39]從 帕金森病進(jìn)展標(biāo)志物主動(dòng)性數(shù)據(jù)庫(kù)分析了413例正常對(duì)照組和PD組的，隨機(jī)的將數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)集和兩個(gè)測(cè)試數(shù)據(jù)集，分別來(lái)自不同的SPECT廠商?？偣灿?jì)算了930個(gè)放射組特征，包括感興趣的尾狀核、殼核和蒼白球體積的強(qiáng)度和結(jié)構(gòu)特征，采用LSSSO進(jìn)行特征選擇，采用放射組特征和/或半定量指標(biāo)構(gòu)建四種分類模型；結(jié)果發(fā)現(xiàn)SURputamen的分類性能高于其他半定量指標(biāo)。與每個(gè)測(cè)試數(shù)據(jù)集中的SURputamen相比，放射組特征導(dǎo)致的AUC略有增加；結(jié)合SURputamen和放射組學(xué)特征，所有分類模型的auc均略高于單獨(dú)SURputamen，結(jié)果表明，目前所提取的的放射組學(xué)特征將有助于PD的診斷。根據(jù)臨床癥狀，PD可分為震顫顯性(TD)亞型和姿勢(shì)不穩(wěn)步態(tài)困難亞型。與TD亞型相比，PIGD亞型對(duì)步態(tài)抑制、焦慮、癡呆等神經(jīng)系統(tǒng)功能的損害更大。在治療方面，PIGD亞型對(duì)腦深部刺激和左旋多巴反應(yīng)較差 。因此，正確識(shí)別PIGD和TD亞型對(duì)制定治療方案和預(yù)測(cè)預(yù)后具有重要意義。Sun等[40]前期從帕金森病進(jìn)展性標(biāo)記物主動(dòng)性公共數(shù)據(jù)庫(kù)中收集了42例體位不穩(wěn)步態(tài)困難(PIGD)患者、92例震顫顯性(TD)患者和96例健康對(duì)照。對(duì)于每個(gè)受試者，從148個(gè)皮層和14個(gè)皮層下大腦區(qū)域提取了4850個(gè)放射特征。采用方差閾值法、最小絕對(duì)收縮法和選擇算子選擇最優(yōu)特征。建立了基于支持向量機(jī)、Logistic回歸和多層感知器的分類模型，以評(píng)估最優(yōu)特征對(duì)兩個(gè)亞型的識(shí)別性能。結(jié)果發(fā)現(xiàn)支持向量機(jī)(Support Vector Machine)對(duì)兩種亞型的鑒別效果最佳，曲線下平均面積為0.833，結(jié)果表明腦MR圖像的放射組學(xué)分析可以區(qū)分TD、PIGD和對(duì)照組，在臨床實(shí)踐中具有很大的潛在價(jià)值。

4.3 在癲癇中的應(yīng)用癲癇(epilepsy)是大腦神經(jīng)元突發(fā)性的異常放電，導(dǎo)致短暫的大腦功能障礙的一種慢性疾病。Zhang Y[41]等回顧性的研究了117例未破裂的腦動(dòng)靜脈畸形(bAVM)的患者，篩選出兩個(gè)大腦區(qū)域和四個(gè)放射性組特征作為癲癇的預(yù)測(cè)因子，最后發(fā)現(xiàn)癲癇易感性bAVM患者在T2加權(quán)成像上具有不同的位置和放射組學(xué)特征。Cheong[42]等采用36例海馬硬化(HS)患者資料和50例健康對(duì)照建立放射組學(xué)模型。將患病海馬和海馬外區(qū)域的1618個(gè)放射組特征與健康對(duì)照和未患病側(cè)的特征進(jìn)行了比較。采用單變量t檢驗(yàn)和彈性凈懲罰的逐步選擇方法，分別在海馬區(qū)(H+)和海馬外區(qū)(H-)選擇識(shí)別顳葉癲癇的顯著預(yù)測(cè)因子，從患者患側(cè)選取48個(gè)H+顯像和99個(gè)H-顯像，分別制作海馬模型和海馬外模型。結(jié)果發(fā)現(xiàn)海馬外模型(AUC=0.92)對(duì)患者患側(cè)的診斷能力高于海馬模型(AUC=0.69)。該研究表明放射組學(xué)顯示顳葉癲癇患者患側(cè)海馬外異常，可能有助于鑒別MRI陰性顳葉癲癇。

5 展 望

影像組學(xué)是目前的研究熱點(diǎn)之一，能挖掘出隱藏在醫(yī)學(xué)影像中龐大的數(shù)字信息，可以為神經(jīng)系統(tǒng)非腫瘤性病變的診斷、治療及預(yù)后提供強(qiáng)有力參考依據(jù)，基于圖像的影像組學(xué)模型模型已逐步應(yīng)用于神經(jīng)系統(tǒng)非腫瘤性病變的圖像量化、通知工具、診斷與鑒別診斷、治療預(yù)后等多個(gè)環(huán)節(jié)，具有很大的應(yīng)用潛力；通過(guò)影像組學(xué)增加了對(duì)圖像的深度解析，大大的節(jié)約了醫(yī)師的時(shí)間，提高了工作效率。

但是，影像組學(xué)在神經(jīng)系統(tǒng)非腫瘤性病變領(lǐng)域的應(yīng)用中仍面臨著很多問(wèn)題。第一，目前大多數(shù)開(kāi)發(fā)出來(lái)的模型需要較大的樣本量計(jì)算，但對(duì)于發(fā)病率低的疾?。喝缒X血管病等就存在數(shù)據(jù)分布不均衡的問(wèn)題，如何搭建高標(biāo)準(zhǔn)的數(shù)據(jù)庫(kù)是影像組學(xué)應(yīng)用的關(guān)鍵要素；第二，目前開(kāi)發(fā)的許多影像組學(xué)都缺乏標(biāo)準(zhǔn)化的評(píng)價(jià)體系，許多疾病也缺乏標(biāo)準(zhǔn)的公開(kāi)數(shù)據(jù)庫(kù)進(jìn)行參考，很難對(duì)模型進(jìn)行客觀的評(píng)價(jià)，不利于模型的轉(zhuǎn)換、落地、推廣。第三，許多構(gòu)建的模型都是根據(jù)結(jié)果來(lái)反向進(jìn)行訓(xùn)練和推測(cè)，僅僅給出診斷結(jié)果，但對(duì)于推理過(guò)程的可解釋性還不夠深入，導(dǎo)致許多臨床醫(yī)師接受度低，限制了其在臨床工作中廣泛推廣；第四，構(gòu)建的模型大多都停留在理論水平，未形成較為完整的影像-臨床科室協(xié)作模式，如何將模型應(yīng)用到真實(shí)臨床工作仍然是目前需要解決的問(wèn)題。

綜上所述，雖然影像組學(xué)仍然有它的局限性，如回顧性分析、臨床認(rèn)可程度、數(shù)據(jù)源參數(shù)、可重復(fù)性等；但隨著影像組學(xué)的逐漸發(fā)展，在以患者為中心解決問(wèn)題的基礎(chǔ)上逐漸解決上述局限性，影像組學(xué)可以為神經(jīng)系統(tǒng)非腫瘤性病變提供非常廣闊的應(yīng)用前景。