作者：罗与，白岩，王梅云，郑州大学人民医院(河南省人民医院)

淋巴瘤是原发于淋巴结或淋巴组织的恶性肿瘤，大致可分为非霍奇金淋巴瘤(non-hodgkin lymphoma， NHL)和霍奇金淋巴瘤(hodgkin lymphoma， HL)两种类型，其中NHL约占90%，包含许多临床亚型，表现出高度的临床、病理和预后异质性，给诊断和治疗带来严峻挑战。异质性是恶性肿瘤的重要特征之一，与恶性生物学行为有关，能反映肿瘤的发生发展、治疗反应和临床结局。

影像组学通过高通量的方法从医学图像中提取和分析大量定量信息，与临床数据相结合，以构建预后评估和治疗选择的预测模型，从而指导个体化诊疗方案的制定。目前关于NHL影像组学的研究主要集中在与其他恶性肿瘤的鉴别诊断及预后评估两方面。本文对基于CT、MRI以及PET/CT成像的影像组学在NHL的应用现状和研究进展做一综述。

1. 影像组学概述

2012年，荷兰学者Lambin首次提出影像组学的概念，是指从医学图像中提取大量的定量特征，并挖掘对临床有用的诊断和预后信息。作为一种支持临床决策和精准医疗的方法，影像组学在肿瘤学领域获得了极大的关注。影像组学的处理流程主要包括以下5个步骤：(1)数据的获取；(2)感兴趣区域的分割；(3)特征的提取和量化；(4)特征选择；(5)构建模型，进行分类或预测。影像组学特征(如强度、形状、纹理和小波)提供了有关癌症表型和肿瘤微环境的信息，与临床资料以及基因组数据不同且互补。

2. 影像组学在NHL中的应用现状及进展

2.1 鉴别诊断NHL与其他肿瘤

淋巴瘤虽然好发于淋巴结，但由于体内淋巴系统的分布，该疾病能原发于全身任何组织或器官而缺乏典型的临床表现，与其他恶性肿瘤的鉴别诊断在治疗及预后方面尤为重要。活检不能获取整体情况，提供的信息有限，而影像组学可以通过提取相关成像信息全面评估肿瘤特性。

原发性中枢神经系统淋巴瘤(primary central nervous system lymphoma， PCNSL)和胶质母细胞瘤(glioblastomas， GBM)是两种常见的原发性恶性脑肿瘤。两者的治疗策略不同，活检是诊断的金标准，但可能出现脑出血等严重并发症，因此无创鉴别诊断尤为重要。临床常规影像检查难以区分两者，近年来影像组学在此方面取得了较大进展。

Kim等通过提取多序列MRI影像组学特征对PCNSL和GBM进行区分，结果发现基于逻辑回归(logistic regression method， LR)的分类方法曲线下面积(area under the cure， AUC)为0.979，灵敏度为0.938，特异度为0.944。Xia等回顾性纳入129例GBM和111例PCNSL患者的增强T1WI(CE-T1WI)、液体衰减反转恢复(FLAIR)、扩散加权成像(DWI)和表观扩散系数(ADC)图像并提取特征建立单序列和多序列影像组学模型。

在单序列组学模型中，基于CE-T1WI的模型实现了最高的AUC，基于ADC的模型次之。将放射科医师的诊断与CE-T1WI和ADC结合建立综合模型，AUC为0.975，诊断性能最佳。然而，Kang等的研究发现基于递归特征消除(recursive feature elimination， RFE)和随机森林(random forest， RF)的ADC组学模型在鉴别PCNSL和GBM中表现出稳健性，AUC为0.944，优于常规MRI序列，并与组合模型和人类阅读器相似。两者研究结果的差异可能是CE-T1WI组学特征更容易受到扫描参数如肿瘤边缘、钆对比剂和信噪比的影响。

Kong等对基线PET/CT的三组图像进行影像组学分析，标准化摄取值(standardized uptake value， SUV)图采用对侧正常皮层活动校准的SUV图和用正常脑平均活动校准的SUV图，最终发现13个比SUVmax更稳定的组学特征可用来区分PCNSL和GBM。孙振国等提取CE-T1WI图像的纹理特征来鉴别原发性脑淋巴瘤和高级别胶质瘤，ROC曲线分析显示肿瘤异质性参数的鉴别性能最佳，AUC为0.948，敏感度和特异度分别为0.867和0.944；在后期的另一项研究中提取了DWI图像的纹理特征，同样证实异质性参数的鉴别性能最高，证明了纹理分析具有一定的临床诊断价值。

眼附属器淋巴瘤(ocular adnexal lymphoma， OAL)占NHL的1%～2%，放疗是其一线治疗；特发性眼眶炎症(idiopathic orbital inflammation， IOI)是一种肿瘤样炎性疾病，主要是激素治疗。

由于位置的特殊性，两者鉴别诊断较为困难，因此，迫切需要寻找非侵入性的诊断方法来区分恶性OAL和良性IOI。MRI是精确评估眼眶、视神经和周围区域的首选成像方式，Hou等回顾性纳入28例OAL和28例IOI患者的T1WI、T2WI和CE-T1WI图像，提取基于特征袋(bag of features-based， BOF)的组学特征，应用支持向量机(support vector machine， SVM)进行分类，结果显示CE-T1WI诊断性能最佳，与经验丰富的放射科医师无显著差异。

Guo等从MRI图像中使用最小绝对收缩和选择算法(least absolute shrinkage and selection operator， LASSO)和线性组合选择出5个组学特征并建立模型，结果发现在训练集和测试集中的AUC值分别为0.74和0.73。以上研究表明影像组学特征在眼眶疾病的鉴别诊断中具有较好的应用价值。

鳞状细胞癌 (squamous cell carcinoma， SCC) 是鼻咽和口咽部最常见的原发性恶性肿瘤，其次是淋巴瘤，正确区分两种恶性肿瘤对其分期和制定治疗计划至关重要。然而仅基于常规MRI检查来区分这两种肿瘤类型是非常困难的，Wang等从74例SCC和80例鼻窦淋巴瘤患者的T2WI和CE-T1WI图像中提取包括一阶、形状和纹理特征在内的1029个组学特征，使用方差阈值和LASSO算法选择5个特征构建分类模型，AUC为0.850，优于3名具有5年以上诊断经验的放射科医师的诊断结果，AUC分别为0.761、0.772、0.799，表明影像组学可能会提高对鼻窦淋巴瘤和SCC的鉴别能力。

Bae等使用弹性网络正则化广义线性模型构建了基于T2WI和CE-T1WI的组学分类器鉴别口咽部SCC和淋巴瘤，AUC为0.750，优于2名放射科医师，AUC分别为0.613和0.663。Dong等从增强CT图像中提取特征，构建组学模型并计算放射组学(Rad)分数，使用多变量逻辑回归将独立临床因素和Rad评分整合构建影像组学列线图。ROC曲线分析显示影像组学列线图的AUC在训练集和验证集中均显著高于临床模型，决策曲线分析表明在大多数合理阈值概率范围内，影像组学列线图比临床模型具有更高的总体效益。

唾液腺肿瘤包含多种良性和恶性亚型，多形性腺瘤是所有唾液腺肿瘤中最常见的肿瘤，常规的影像学检查很大程度上依赖于放射科医师的经验，其诊断准确性有限，影像组学可以从医学图像中获取比肉眼更全面的信息。Song等通过LASSO回归和Spearman分析从140例腮腺多形性腺瘤和112例腮腺腺淋巴瘤的T1WI、T2WI以及T1-2WI图像中提取最佳特征，采用LR和SVM两种方法构建鉴别模型，结果显示T1-2WI特征模型更稳健且优于临床模型，证明影像组学在区分唾液腺肿瘤方面具有预测价值，可用于临床的术前辅助诊断。

刘文华等提取了39例腮腺混合瘤与32例腮腺腺淋巴瘤CT图像的纹理特征，其中纹理参数偏度和峰度以及肿瘤长径有统计学意义，三者结合产生最佳的AUC值为0.74，敏感度为0.684，特异度为0.795，证实了基于CT的纹理特征在鉴别诊断腮腺混合瘤与腺淋巴瘤的可行性和价值。

乳腺癌是全球女性癌症相关死亡的主要原因，而乳腺淋巴瘤是一种罕见的结外淋巴瘤，两者的临床和影像学表现相似，常常导致误诊。OU等提取了44例乳腺结节患者PET/CT图像的纹理特征，通过LASSO和线性判别分析(linear discriminant analysis， LDA)构建模型，ROC曲线分析显示结合临床信息、SUV和基于PET/CT的影像学特征可以准确区分乳腺癌和乳腺淋巴瘤。

此外，在他们的另一项研究中，将PET和CT图像所提取的组学特征分为6组，选择各组中最佳的参数分别构建PET、CT、PET和CT以及SUVmax模型，其中PET模型的敏感度最高，SUVmax的特异度最高，PET和CT组合模型的准确率最高，表明PET/CT的SUV指标和影像组学参数有助于区分乳腺癌和乳腺淋巴瘤。

肺黏膜相关淋巴组织淋巴瘤(mucosa-associated lymphoid tissue-derived lymphoma， MALT)是原发性肺淋巴瘤最常见的类型，由于其非特异性的症状和影像学表现，难以与肺癌和肺炎鉴别，容易导致误诊。林斌等从CT图像中选择7个特征构建组学模型，并通过SVM进行分类学习来鉴别诊断MALT与肺腺癌，AUC为0.75，表明影像组学与机器学习结合有潜力成为鉴别两种类型肿瘤的有效方法。原发性胃淋巴瘤的预后优于胃癌，然而临床上无创鉴别胃恶性肿瘤仍是一大难题。

Ma等的研究显示，结合基于CT的组学特征、主观CT表现、性别以及年龄的组合模型具有良好的鉴别性能，AUC为0.903。肝内胆管癌是肝脏常见的原发性恶性肿瘤；原发性肝淋巴瘤很少见，但继发性肝淋巴瘤很常见。Xu等将基于CECT的纹理分析与机器学习相结合构建模型以鉴别这两种恶性疾病，发现采用RF和LDA分析构建的诊断模型性能最佳，AUC为0.997。

肾淋巴瘤在临床上通常怀疑是肾细胞癌或其他疾病而导致误诊，影像学等非侵入性方法鉴别肾脏肿块是临床管理的关键。Zhu等的研究显示从PET/CT中提取的12个纹理特征和2个直方图特征，AUC值均>0.7，不同的组合模型有更高的AUC值。然而，因样本量有限，无法将纳入的患者划分为训练集和验证集，未来需扩大样本量进一步探索PET/CT放射组学在鉴别肾恶性肿瘤中的应用价值。以上的研究表明影像组学有潜力作为一种更客观的方法以辅助临床诊断。

2.2 预测NHL的治疗反应

由于NHL的异质性，经标准化治疗后仍存在复发或难治性疾病的风险。影像组学可以提取瘤内异质性特征，从而指导临床风险分层和治疗方案的制定。目前已有少数研究尝试通过影像组学来预测NHL的治疗反应。Tatsumi等提取45例滤泡性淋巴瘤患者治疗前和治疗后PET/CT的组学特征进行分析，结果发现纹理特征有潜力预测治疗反应，但不能预测治疗后的复发，其原因可能是滤泡性淋巴瘤属于惰性淋巴瘤，FDG摄取较低。

Parvez等对侵袭性NHL的研究显示纹理特征均无法预测一线治疗反应，但有少数特征与治疗结束时残留肿块的存在有关。Coskun等提取弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma， DLBCL)患者的基线以及化疗后PET/CT图像中的纹理特征来评估治疗反应，通过递归特征消除选择特征构建预测模型，其准确度、精确度和AUC值分别为0.87、0.86和0.81。

与此研究相似，Sun等发现纹理特征结合肠道受累这一临床危险因素能提高原发性胃肠道DLBCL患者治疗前的PET/CT对于中期治疗反应的预测价值，其AUC为0.915。越来越多的研究证实了影像组学在辅助临床决策中的潜在价值，未来应在更大的队列中进行前瞻性验证。

2.3 预测NHL的预后

准确的预后指标对识别进展或复发的高危患者至关重要，然而目前常用的如国际预后指数(international prognostic index， IPI)等预后评分系统对高危患者的识别是有限的。18F-FDG PET/CT在淋巴瘤患者的管理中起着不可或缺的作用，是进行分期、疗效评价和预后预测的最佳检查方法。目前已有多项研究基于PET/CT图像的影像组学在NHL预后方面进行了探索。

DLBCL是最常见的NHL，Lue等的研究显示IPI评分和影像组学特征是无进展生存期(progression-free survival， PFS)和总生存期(overall survival， OS)的预后指标，结合两个风险因素所构建的模型能进行预后分层。Aide等和Eertink等证实了基于PET/CT的影像组学特征可以预测DLBCL的预后，此外，结合临床信息的模型能显著提高预测性能。

Mayerhofere等构建基于PET/CT的SUVmean和影像组学特征的综合模型在预测套细胞淋巴瘤患者2年PFS的AUC为0.70～0.73，准确率为0.706～0.868。鼻型结外自然杀伤NK/T细胞淋巴瘤 (nasal type extranodal natural killer/T-cell lymphoma， ENKTL)是一种侵袭性疾病，主要与EB病毒感染密切相关，预后较差，Ko等研究证实基线PET图像的纹理特征是PFS的独立预测因素，可改善预后分层。

Wang等基于PET建立的组学模型与基于代谢的模型相比，为ENKTL提供的预后信息有限，但在预测PFS和OS方面显示出显著的分层能力，可能与样本量、重组参数、提取影像组学特征的公式和软件等因素有关，需进行多中心的外部验证。原发性肾淋巴瘤(primary renal lymphoma， PRL)和肾上腺淋巴瘤(primary adrenal lymphoma， PAL)均是罕见且预后较差的恶性肿瘤。

Wang等的研究显示纹理特征优于SUVmax、SUVmean、MTV和TLG等常见半定量参数和临床预测指标，纹理分析有望作为一种无创策略来预测PRL和PAL患者的总生存率。

2.4 骨髓受累的诊断

骨髓受累是临床风险分层的重要因素，弥漫性骨髓受累的患者往往预后较差。因FDG摄取增高类似于骨髓活化造血或感染，在PET/CT上诊断弥漫性骨髓受累极具挑战。目前只有极少数研究探索了基于18F-FDG PET/CT影像组学在确定骨髓受累方面的价值。

Aide等研究显示一阶骨骼纹理特征是识别DLBCL患者骨髓受累的最佳预测因素，AUC为0.820，值得注意的是，对于骨髓活检和PET视觉评估均为阴性的患者，骨骼异质性对风险分层具有更好的判别力，可能识别被忽视的骨髓受累。在另一项套细胞淋巴瘤的回顾性研究中，Mayerhoefer等通过机器学习从骨盆中提取SUV半定量参数和纹理特征的组合有助于预测骨髓受累，AUC为0.82～0.83，在此基础上结合白细胞计数和乳酸脱氢酶效能进一步提高，AUC为0.87。

3. 挑战与展望

影像组学与临床图像的视觉评估不同，可以根据定量指标对病变进行客观且全面的评估，作为一门新兴技术，其应用前景广阔。然而在临床实践中仍面临诸多挑战：(1)在图像采集过程中，不同机构和设备成像参数的差异会造成图像的噪声、对比度和空间分辨率不同，从而影响影像组学特征的提取和模型的构建；(2)目前大多是单中心和回顾性研究，样本量有限且缺乏外部验证；(3)分割感兴趣区域是特征提取的关键步骤，手工勾画费时费力，稳定性差且可重复性低。

准确诊断和预测预后及治疗反应是淋巴瘤临床实践和研究的热点。影像组学可以提取大量定量特征并结合多模态影像和临床资料，捕捉瘤内和瘤间的异质性，为个体化治疗提供有价值的信息。随着靶向治疗的兴起，未来影像组学可以与肿瘤表型和基因相联系，辅助临床决策。

来源：罗与,白岩,王梅云.影像组学在非霍奇金淋巴瘤诊断、疗效及预后评估中的研究进展[J].临床放射学杂志,2024,43(04):658-661.

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)