馬麗 張繼 楊丹

腮腺是人體唾液腺中形態(tài)最大的一對(duì)，其生長(zhǎng)的腫瘤類(lèi)型較多，常見(jiàn)的有多形性腺瘤（Pleomorphic adenoma，PA）、腺淋巴瘤（Adenolymphoma，AL）、基底細(xì)胞腺瘤、黏液表皮樣癌、腺樣囊性癌、涎腺導(dǎo)管癌等。手術(shù)治療是腮腺腫瘤的常規(guī)治療方法，腫瘤所在部位、性質(zhì)對(duì)手術(shù)方案選擇及預(yù)后影響較大，因此腫瘤的術(shù)前定性診斷尤為重要。由于細(xì)針穿刺活檢易產(chǎn)生瘤細(xì)胞種植，且細(xì)胞學(xué)檢查有時(shí)難以區(qū)分一些良惡性病變[1，2]，影像學(xué)檢查成為了術(shù)前診斷的重要手段。傳統(tǒng)的醫(yī)學(xué)影像診斷從圖像上獲取的信息有限，并且由于腮腺腫瘤的病理分型復(fù)雜、部分腫瘤影像學(xué)表現(xiàn)不典型或互有重疊，容易造成誤診[3]。近年來(lái)隨著人工智能技術(shù)的發(fā)展，影像組學(xué)作為一種將人工智能與臨床及影像資料結(jié)合的方法，越來(lái)越多地被應(yīng)用于腮腺腫瘤的鑒別診斷和預(yù)后方面?，F(xiàn)將影像組學(xué)的相關(guān)概念及其在腮腺腫瘤中的應(yīng)用進(jìn)展綜述如下。

1 影像組學(xué)的基本概念

影像組學(xué)旨在開(kāi)發(fā)決策工具，即通過(guò)計(jì)算機(jī)定量提取大量肉眼無(wú)法獲得的信息，進(jìn)行數(shù)據(jù)分析、處理和建立模型，為臨床決策提供支持?？煞譃橐韵? 個(gè)操作流程：①數(shù)據(jù)采集：根據(jù)研究目的收集影像學(xué)資料并進(jìn)行預(yù)處理，如增強(qiáng)對(duì)比度、去噪、裁剪等，使圖像具有一致性；②圖像分割：即從圖像中獲得感興趣區(qū)域，可分為手動(dòng)分割、半自動(dòng)人機(jī)交互和全自動(dòng)圖像分割3 類(lèi)。目前結(jié)合深度學(xué)習(xí)技術(shù)的圖像分割算法已逐漸應(yīng)用于該領(lǐng)域，包括基于全卷積神經(jīng)網(wǎng)絡(luò)、基于U-Net 網(wǎng)絡(luò)及其變體和基于特定設(shè)計(jì)思想的分割算法，如多任務(wù)學(xué)習(xí)、多模態(tài)融合、多階段級(jí)聯(lián)和特征增強(qiáng)的算法等[4]。③紋理特征提?。捍朔椒ㄖ饕薪y(tǒng)計(jì)法、頻譜法、模型法和結(jié)構(gòu)法。統(tǒng)計(jì)法通過(guò)統(tǒng)計(jì)圖像的空間頻率、邊界頻率以及空間灰度依賴(lài)關(guān)系等分析紋理，目前應(yīng)用最為廣泛，包括灰度直方圖、灰度共生矩陣、灰度運(yùn)行長(zhǎng)度矩陣和灰度區(qū)域尺寸矩陣、邊緣頻率法、自相關(guān)函數(shù)法等；頻譜法主要利用頻率特性來(lái)分析紋理特征，主要包括傅里葉變換法、Gabor 濾波法和小波變換法；模型法是運(yùn)用統(tǒng)計(jì)、信號(hào)分析等理論中的方法進(jìn)行分析獲得紋理特征，主要包括馬爾科夫隨機(jī)場(chǎng)模型、分形模型；結(jié)構(gòu)法目前應(yīng)用較少[5～7]。使用上述方法提取的特征可分為一階、二階及高階統(tǒng)計(jì)量，分別反映圖像的形狀、體素的強(qiáng)度和相互空間作用等信息。④特征篩選和降維：使用不同方法得到的紋理特征有成百上千個(gè)，存在許多與研究無(wú)關(guān)或微弱相關(guān)度的特征，且部分特征間的重復(fù)過(guò)高，容易導(dǎo)致模型的過(guò)擬合，因此必須對(duì)特征進(jìn)行篩選、減少特征維度。常用的有單因素方差分析、Wilcoxon 秩和檢驗(yàn)、Spearman 秩相關(guān)分析等統(tǒng)計(jì)學(xué)方法，F(xiàn)isher 系數(shù)（Fisher's coefficient）、分類(lèi)誤差概率與平均相關(guān)系數(shù)（Probability of classification and average correlation coemcient，POE ＋ACC）、互信息（Mutual information，MI）等數(shù)據(jù)降維方法，回歸模型、支持向量機(jī)（Support vector machine，SVM）、K 最近鄰（K-nearest neighbor，KNN）、隨機(jī)森林（Random forest，RF）等多種機(jī)器學(xué)習(xí)方法；⑤建立模型：利用篩選出的特征和臨床指標(biāo)建立模型，判斷疾病的性質(zhì)、分型、分期及預(yù)后。目前常用的判別分析和模型建立方法有原始數(shù)據(jù)分析（Original data analysis，RDA）、主成分分析（Principal component analysis，PCA）、線性判別分析（Linear discriminant analysis，LDA）和非線性判別分析（Non-linear discriminant analysis，NDA）、邏輯回歸（Logistic regression method，LR）、套索算法（Least absolute shrinkage and selection operator，LASSO）、SVM、KNN、RF、決策樹(shù)、貝葉斯算法、卷積神經(jīng)網(wǎng)絡(luò)等。

2 影像組學(xué)在腮腺腫瘤診療中的應(yīng)用

2.1 CT 影像組學(xué)在鑒別腮腺腫瘤中的作用目前已有不少研究將紋理分析技術(shù)應(yīng)用于腮腺腫瘤的鑒別中。任思桐[8]發(fā)現(xiàn)，在CT 平掃圖像上進(jìn)行紋理分析可以鑒別腮腺良惡性腫瘤、PA 和AL、AL 和基底細(xì)胞腺瘤，受試者工作特征曲線下面積（Area under curve，AUC）值均大于0.8。趙厚亮等[9]分析了CT 增強(qiáng)動(dòng)脈期圖像，發(fā)現(xiàn)利用平均值參數(shù)鑒別PA 和AL 的靈敏度、特異度、準(zhǔn)確度可達(dá)89.3%、93.7%、91.4%，使用多參數(shù)聯(lián)合分析時(shí)AUC 均大于0.9。Zhang 等[10]同樣使用CT 動(dòng)脈期圖像進(jìn)行紋理分析鑒別PA 和惡性上皮腫瘤，結(jié)果顯示能量與均值聯(lián)合的AUC 達(dá)0.88。另有學(xué)者發(fā)現(xiàn)，增強(qiáng)CT靜脈期總熵是鑒別良惡性腮腺腫瘤的最佳CT 紋理參數(shù)，AUC 0.88，靈敏度72.7%，特異度為100%[11]。也有研究表明，CT 增強(qiáng)掃描早期粗濾均值和延遲期中濾熵對(duì)PA 和AL 的診斷性能與使用傳統(tǒng)動(dòng)態(tài)增強(qiáng)掃描強(qiáng)化模式鑒別相似，AUC 分別為0.944、0.901[12]。以上研究均證實(shí)了利用CT 紋理分析預(yù)測(cè)腮腺腫瘤組織學(xué)的可行性。然而各增強(qiáng)掃描研究中有鑒別意義的紋理參數(shù)各不相同，分析原因可能與掃描層厚和增強(qiáng)掃描時(shí)間不同有關(guān)。

在紋理分析的基礎(chǔ)上建立影像組學(xué)模型對(duì)腮腺腫瘤進(jìn)行分類(lèi)已成為當(dāng)前的研究熱點(diǎn)。有學(xué)者發(fā)現(xiàn)，從CT 增強(qiáng)圖像上提取多個(gè)紋理參數(shù)建立的LR 模型能夠準(zhǔn)確對(duì)黏液表皮樣癌進(jìn)行分級(jí)[13]。Zheng 等[14]從CT 平掃圖像提取特征并將臨床因素和放射組學(xué)評(píng)分相結(jié)合制作列線圖來(lái)預(yù)測(cè)腮腺良性淋巴上皮病變和黏膜相關(guān)淋巴組織淋巴瘤，結(jié)果顯示列線圖的準(zhǔn)確性?xún)?yōu)于單獨(dú)臨床因素和放射組學(xué)評(píng)分模型。余先超等[15，16]對(duì)CT 平掃和增強(qiáng)圖像使用RDA、PCA、LDA 和NDA 四種判別方法結(jié)合Fisher 系數(shù)、POE+ACC 和MI 三種數(shù)據(jù)降維方法對(duì)PA 和AL 建立影像組學(xué)模型，結(jié)果顯示MI 降維方法在平掃中比其他兩種方法更好，而Fisher 方法在增強(qiáng)圖像更優(yōu)，平掃和增強(qiáng)圖像上PCA 和RDA 的錯(cuò)誤率更低，使用MI/RDA、MI/PCA 和Fisher/RDA、Fisher/PCA 方法能夠更好地鑒別這兩種腫瘤。從這些研究可知，基于CT 的影像組學(xué)分析在腮腺腫瘤的鑒別診斷方面具有巨大潛力和較高的應(yīng)用價(jià)值。

2.2 MRI 影像組學(xué)在鑒別腮腺腫瘤中的作用MRI紋理分析同樣可以反映腫瘤內(nèi)部的異質(zhì)性。Nardi等[17]發(fā)現(xiàn)，在ADC 圖像上獲得的紋理參數(shù)對(duì)腮腺上皮性惡性腫瘤和淋巴瘤診斷的準(zhǔn)確度可達(dá)93%。雷曉雯等[18]同樣發(fā)現(xiàn)，ADC 圖像上獲得的多個(gè)紋理參數(shù)有助于PA 和AL 的鑒別診斷，其中第10 百分位數(shù)對(duì)應(yīng)的鑒別診斷效能最高，AUC 為0.913。也有學(xué)者從T2WI 圖像上獲取紋理參數(shù)，發(fā)現(xiàn)PA的第1 百分位數(shù)及第10 百分位數(shù)均高于惡性腫瘤，第10 百分位數(shù)最具鑒別診斷效能，AUC 為0.70[19]。

不少學(xué)者利用多模態(tài)MRI 影像組學(xué)模型鑒別PA 和AL，Michela 等[20]的研究表明，從T2WI圖像提取特征后使用SVM 模型鑒別PA 和AL，其靈敏度、特異度和準(zhǔn)確度分別高達(dá)0.8695、0.9062和0.8909。吳艷等[21]同樣基于T2WI 圖像提取影像組學(xué)特征后利用RF 模型對(duì)二者進(jìn)行分類(lèi)，其模型也表現(xiàn)出良好的效能，在訓(xùn)練組中的AUC 為0.93±0.05，在驗(yàn)證組中為0.74。Song 等[22]通過(guò)LR 和SVM 方法對(duì)T1WI、T2WI 和T1-2WI 結(jié)合的圖像分別建立放射組學(xué)模型來(lái)鑒別PA 和AL，結(jié)果顯示T1-2WI 結(jié)合構(gòu)建的兩種模型效果最好，訓(xùn)練組和驗(yàn)證組的AUC 均大于0.9。彭媛媛等[23]對(duì)T1WI 增強(qiáng)圖像采用Fisher 系數(shù)法聯(lián)合MI 和最小分類(lèi)誤差與最小相關(guān)系數(shù)法進(jìn)行數(shù)據(jù)降維后RDA、PCA、LDA 和NDA 四種判別方法，對(duì)比發(fā)現(xiàn)NDA鑒別PA 與AL 的錯(cuò)判率最低，優(yōu)于主觀閱片和其他分類(lèi)方法。以上研究證明，基于多模態(tài)MRI 圖像建立不同影像組學(xué)模型可以實(shí)現(xiàn)對(duì)PA 和AL 的鑒別診斷。

影像組學(xué)模型對(duì)鑒別腮腺良惡性腫瘤同樣具有較高的價(jià)值。Fruehwald 等[24]在STIR、T1WI 平掃和增強(qiáng)圖像上分別提取放射組學(xué)特征建立模型，發(fā)現(xiàn)三種序列對(duì)良惡性病變的鑒別均優(yōu)于對(duì)PA 和AL 的鑒別。Shao 等[25]從DWI 圖像中提取特征后建立LR、SVM 和KNN 三種分類(lèi)模型鑒別PA、AL和惡性唾液腺腫瘤，結(jié)果發(fā)現(xiàn)，無(wú)論在訓(xùn)練組還是測(cè)試組，三種模型對(duì)惡性唾液腺腫瘤的診斷均具有最高的AUC 值。

除了影像組學(xué)特征外，也有不少研究將臨床因素納入MRI 影像組學(xué)模型。Sarioglu 等[26]發(fā)現(xiàn)，在傳統(tǒng)MRI 表現(xiàn)中加入紋理參數(shù)有助于PA、AL 和黏液表皮樣癌的鑒別診斷。有學(xué)者從T1WI 和T2WI圖像提取特征鑒別腮腺良惡性腫瘤，發(fā)現(xiàn)采用臨床因素和放射組學(xué)評(píng)分相結(jié)合制作的列線圖在訓(xùn)練組和驗(yàn)證組的AUC 值均優(yōu)于單獨(dú)的臨床因素模型和放射組學(xué)評(píng)分[27]。Liu 等[28]的研究也證實(shí)結(jié)合臨床因素和T1WI、T2WI 圖像上提取的2D 和3D紋理特征建立的LR 模型對(duì)腮腺良惡性腫瘤的鑒別優(yōu)于單獨(dú)臨床因素模型、臨床因素和2D 或3D 紋理特征模型。此外，有研究在建立LDA 和SVM 模型時(shí)考慮了良惡性腫瘤的血流灌注信息，將由動(dòng)態(tài)對(duì)比增強(qiáng)圖像獲得的半定量分析、藥代動(dòng)力學(xué)、五參數(shù)S 型模型的參數(shù)和T2WI、ADC 圖像的紋理參數(shù)相結(jié)合，結(jié)果顯示兩種分類(lèi)器的準(zhǔn)確率均為100%[29]。國(guó)外有研究證實(shí)，MRI 放射組學(xué)模型提高了非專(zhuān)科放射科醫(yī)生在PA 和AL 鑒別診斷方面的診斷性能，實(shí)現(xiàn)了與亞專(zhuān)科放射科醫(yī)生相似的診斷性能[30]。

2.3 影像組學(xué)在腮腺腫瘤手術(shù)及預(yù)后方面的作用腮腺惡性腫瘤的分期和組織學(xué)風(fēng)險(xiǎn)是臨床預(yù)測(cè)患者生存和疾病復(fù)發(fā)的主要因素，但不同患者間的療效和預(yù)后差異較大，因此預(yù)后分層對(duì)個(gè)體化管理非常重要。Cheng 等[31]在85 例高危涎腺癌患者的18F-FDG PET/CT 圖像上提取紋理并建立的Cox 回歸模型可以提供風(fēng)險(xiǎn)分層信息，更好地預(yù)測(cè)患者預(yù)后。此外，應(yīng)用18F-FDG PET/CT 放射組學(xué)對(duì)小涎腺癌的總生存期和無(wú)復(fù)發(fā)生存期建立的Cox 回歸模型比AJCC 分期、WHO 分類(lèi)和目前可用的列線圖具有更高的預(yù)測(cè)能力[32]。在預(yù)測(cè)腮腺良性腫瘤手術(shù)后的面神經(jīng)麻痹方面，Chiesa 等[33]發(fā)現(xiàn)KNN模型的特異性、陰性預(yù)測(cè)值、F 評(píng)分和AUC 值均大于0.9。另外，周培鋒等[34]利用多重線性回歸模型預(yù)測(cè)PA 的術(shù)后送病理直徑，得出模型的AUC 為0.737，能有效指導(dǎo)術(shù)中切除腫瘤范圍。這些研究表明，影像組學(xué)有望成為改進(jìn)腮腺腫瘤治療決策的低成本新型工具。

3 影像組學(xué)存在的問(wèn)題

盡管影像組學(xué)的應(yīng)用越來(lái)越廣泛，但仍面臨著諸多問(wèn)題：①影像組學(xué)模型的建立大多局限于影像學(xué)特征，與免疫組化和基因組學(xué)等多學(xué)科結(jié)合的相對(duì)較少；②目前大部分的研究樣本量較小，導(dǎo)致模型的可重復(fù)性低；③影像組學(xué)的特征眾多，尤其是由頻譜法和模型法得到的特征，其臨床意義難以解釋?zhuān)虎懿煌O(shè)備在圖像采集方法和重建協(xié)議上有很大差異，缺乏統(tǒng)一的行業(yè)標(biāo)準(zhǔn)、質(zhì)量控制和數(shù)據(jù)共享機(jī)制，在進(jìn)行多模態(tài)及多中心數(shù)據(jù)分析時(shí)可能導(dǎo)致結(jié)果的偏倚；⑤當(dāng)前大部分研究使用手動(dòng)分割或半自動(dòng)分割方式，其耗時(shí)久、效率低，且可重復(fù)性低，嚴(yán)重限制了影像組學(xué)在臨床的應(yīng)用。

4 展望

影像組學(xué)作為一個(gè)新興的交叉學(xué)科領(lǐng)域具有巨大潛力。其在腮腺腫瘤的診斷、預(yù)后分析及診療方案的選擇上已取得初步進(jìn)展，而大數(shù)據(jù)的共享、定量成像的標(biāo)準(zhǔn)化、自動(dòng)化圖像分割以及與多學(xué)科的結(jié)合將成為未來(lái)影像組學(xué)發(fā)展的重要方向。相信通過(guò)國(guó)內(nèi)外研究者和放射科醫(yī)生的共同努力，影像組學(xué)將會(huì)在精準(zhǔn)化和個(gè)體化醫(yī)療中發(fā)揮更大作用。