影像组学与深度学习方法在骨肿瘤诊断、疗效及预后预测中的应用进展
发布时间:2026-11-04   |   来源:医学影像学杂志
关键词: 影像组学 骨肿瘤 影像科

作者:温馨,山东省滨州市第二人民医院放射科;于德新,山东大学齐鲁医院放射科


骨肿瘤根据起源分为原发性和继发性(转移性),其发病率相对较低。骨肿瘤的影像学表现存在同病异影、异影同病的问题,这增加了其诊断难度。在精准医学时代,影像学仍然是骨肿瘤诊断的基础。由于基于形态学的传统影像学诊断模式难以满足个性化医疗的需求,所以,能够从医学图像信息中进行深入挖掘得到更多影像学特征的影像组学及深度学习方法开始被广泛应用于疾病的诊断中。


影像组学是指从CT、PET或MRI等医学影像图像中高通量地提取并分析大量高级、定量的影像学特征,通过使用计算机算法分析这些特征,最终用于疾病的诊疗。深度学习是机器学习的一种,深度学习方法不受预先选择特征的约束,能够独立学习多级的低阶特征,通过非线性转换为高阶特征,自动提取原始图像中最相关的特征用于分析或分类信息。


卷积神经网络(convolutional neural network, CNN)是一种基于深度学习的神经网络模型,其结构一般由卷积层、池化层、全连接层和激活层组成,非常适合用于图像分类和对象识别的任务。目前,深度学习中的CNN模型已经被用于医学图像分析任务中。随着医学图像和人工智能算法的发展,影像组学及深度学习越来越多地用于骨肿瘤的个性化诊断和精准化治疗中。现就影像组学与深度学习方法在骨肿瘤诊断、疗效及预后预测中的应用进展进行综述,为其在临床工作中的实际应用提供参考。


1. 影像组学及深度学习方法在骨肿瘤诊断中的应用


目前,影像学检查是骨肿瘤重要的诊断手段。但在实际临床工作中,部分骨肿瘤常难以通过影像图像进行鉴别诊断。穿刺活检仍是骨肿瘤分级诊断的金标准,但穿刺活检为有创性检查,其取材受限,导致部分骨肿瘤不能被准确诊断。基于以上,影像组学及深度学习方法相继应用于骨肿瘤鉴别诊断及骨肿瘤的分级、分型诊断中。


1. 1 影像组学及深度学习方法在骨肿瘤鉴别诊断中的应用


影像组学及深度学习方法可以较好地鉴别良恶性骨肿瘤,特别是影像学表现相似的肿瘤。HONG等提取177 例骨岛及成骨性转移瘤患者的脊柱CT图像特征,应用最小冗余最大相关性选择法筛选出10个组学特征构建随机森林(random forest, RF)模型,经过10倍交叉验证的RF模型的AUC为0. 89(灵敏度为85%、特异度为82%、准确度为84%),结果表明该影像组学模型可较好地鉴别骨岛和成骨性转移瘤。


NIE等分析111例发生在中轴骨的脊索瘤及骨巨细胞瘤患者的CT图像,采用LASSO模型进行特征选择,构建影像组学模型,计算影像组学得分;并基于独立临床预测因素联合影像组学得分构建综合模型,结果显示测试集的AUC为0. 86,这表明构建的综合模型有助于鉴别脊索瘤及骨巨细胞瘤。


YAMAZAWA等对57例颅底脊索瘤和软骨肉瘤患者的增强MRI影像进行半自动分割并进行组学特征提取,建立逻辑回归(logistic regression,LR)和支持向量机(support vector machine,SVM)鉴别模型,结果发现LR模型的AUC为0. 93 ± 0. 06,能够更佳地鉴别上述两种疾病。另外,YIN 等提取185例经病理证实的骨盆和骶骨骨肉瘤(osteosarcoma,OS)及尤文肉瘤(ewing sarcoma, ES)患者的CT图像特征,构建并比较了9个基于影像组学的机器学习模型[包括LR、RF、SVM、贝叶斯、决策树(decision tree, DT)、k- 最近邻(k-nearest neighbors, KNN)、Adaboost、极端梯度提升(extreme gradient boosting,XGBoost)和梯度推进决策树(gradient goosting decision tree, GBDT)算法]、1 个基于影像组学的CNN模型,1个三维(3D)CNN模型及1个nnU-Net模型,最终在所有模型中,nnU-Net模型的表现最好,其在验证集中的AUC为0. 835。


ERDEM等对88例内生软骨瘤和软骨肉瘤患者的T1序列和脂肪抑制质子密度序列的MRI图像进行研究并构建深度学习及影像组学模型,最终使用基于快速相关性的过滤器选择了4个特征构建的模型表现最佳,其AUC分别为0. 990、0. 979。PAN 等利用 103 例内生软骨瘤和软骨肉瘤患者的轴位 MRI 影像特征,通过构建临床-影像组学列线图对两者进行鉴别,发现基于 T2脂肪抑制序列列线图的鉴别诊断能力最优,其AUC可达0. 967。以上研究表明通过最佳特征提取及选择合适的模型可以区分骨肿瘤类型。


在临床工作中,部分发生骨转移的患者原发病来源不明,常需要进行更多的影像学检查及病理活检来确定原发灶。LANG等回顾性分析了61例起源于肺癌脊柱转移和非肺癌脊柱转移的动态增强MRI图像,分别使用ROI热点分析、影像组学分类模型、CNN以及卷积长期短期记忆网络(convolutional long short term memory,CLSTM)来区分肺癌与非肺癌脊柱转移瘤。结果发现基于ROI热点分析的准确度为0. 79,影像组学模型鉴别的准确度为0. 71,CNN分类的准确度为0. 71,而CLSTM的准确度可达0. 81,该研究表明深度学习方法预测效能大于影像组学模型。


DUAN等研究了173例脊柱转移患者动态增强扫描的MRI图像,包括68例原发肺癌、105例原发于其他类型的癌症,建立深度学习及RAD两类模型,应用最小绝对值收敛和LASSO回归提取影像组学参数,经过套索特征筛选后,分别建立SVM和XGBoost学习模型,并采用ResNet101网络模型来预测原发灶来源,结果显示深度学习模型优于RAD模型,AUC分别为0. 94(深度学习)和0. 93(RAD)。以上研究表明影像组学及深度学习能够帮助临床医师判断转移瘤来源,为临床治疗提供可靠依据。


1.2 影像组学及深度学习方法在骨肿瘤分级、分型诊断中的应用 


骨肿瘤的分级、分型决定临床医师的最终诊疗方案。近年,一些研究评估了影像组学及深度学习方法在骨肿瘤分级与分型诊断中的效能。LI等研究102例软骨肉瘤患者(44例为低度恶性,58例为高度恶性)的临床特征,从T1加权图像中提取影像组学特征以构建放射组学模型,并计算放射组学评分。通过整合影像组学特征和有无骨髓水肿的临床放射学特征,构建了基于MRI的组合影像组学列线图,其训练集和验证集的AUC 分别为0. 78 和0. 77,提示影像组学模型在一定程度上能够帮助临床医师对骨肿瘤进行分级。


GITTO等对158例非典型软骨肿瘤及Ⅱ级软骨肉瘤的MRI图像中的T1序列图像进行特征提取,采用LASSO降维法构建组学模型,其训练集的AUC为0. 88,外部验证集的AUC为0. 94,表明影像组学模型可用于骨肿瘤的分型诊断。以上研究表明影像组学及深度学习方法在准确预测骨肿瘤的分级中具有非常大的潜力,但目前临床上此类研究仍较少。


2. 影像组学及深度学习方法在骨肿瘤预后及疗效预测中的应用


大部分恶性骨肿瘤患者治疗后存在复发及转移风险,而复发及转移患者的治疗更为困难,将大大增加患者病死率,故治疗前及早准确地预测患者的治疗效果,有利于治疗方案的选择及预后改善。近年来,影像组学及深度学习方法判断骨肿瘤疗效及预后的相关研究越来越多。


2. 1 影像组学及深度学习方法在骨肿瘤疗效预测中的应用


目前新辅助化疗仍是骨肿瘤患者重要及主要治疗方式。影像组学及深度学习方法在评估及预测新辅助化疗效果方面已有多项研究报道。LUO 等收集了102例诊断为四肢高级别骨肉瘤患者,从X线摄影和多参数MRI(T1加权、T2加权和对比增强T1加权)图像中进行组学特征提取,使用最小冗余最大相关性和最小绝对收缩和选择算子回归的两阶段过程来选择最优特征,然后应用LR模型建立基于临床、X线摄影和多参数MRI图像以及这些数据集组合的模型对新辅助化疗疗效进行评价,结果发现使用临床、X线摄影影像组学、MRI影像组学组合模型的评估效能最佳,AUC为0. 80。


WHITE等提取了105例骨肉瘤患者治疗前T2WI的影像组学特征,对新辅助化疗后疗效进行评价;最终提取了11个最佳组学特征构建影像组学模型,发现预测模型训练集的AUC 为 0. 708 ± 0. 046,表明基于MRI的影像组学模型对预测骨肉瘤新辅助化疗的疗效有一定价值。ZHONG 等选择 144 例骨肉瘤患者新辅助化疗前的 T2WI 图像,利用基于nnU-Net的深度学习算法全自动获得骨肉瘤图像,并提取影像组学特征,纳入 21个临床参数,分别构建临床、影像组学和临床-影像组学联合模型,结果发现临床-影像组学联合模型的AUC 为0. 793,预测准确度为 79. 1%,优于单纯临床和单纯影像组学模型。由此可见,影像组学及深度学习方法在预测骨肿瘤疗效方面具有很大价值。


2. 2 影像组学及深度学习方法在骨肿瘤预后预测中的应用


目前,部分国内外研究证明影像组学与深度学习方法能够更准确地预测肿瘤患者预后情况及判断肿瘤早期复发和转移。ZHAO等研究了112例骨肉瘤的扩散加权MRI图像,筛选了4个临床特征与8个影像组学特征,构建了临床特征模型和临床与影像组学特征相结合的组合特征模型预测总生存期(overall survival,OS),结果显示与临床特征模型相比,组合特征模型在OS评估方面的性能更好(AUC:0. 764 vs 0. 813)。列线图可计算每位患者结局时间发生概率,其作为一种回归方程的可视化方法,已被应用于骨肿瘤预后预测。


ZHOU等纳入136例骨肉瘤患者,利用多参数融合对比学习算法来共享使用未标记数据分割模型的预训练权重,构建了一个多参数融合网络,其融合了多参数MRI(CE-T1WI,T2WI)的互补特征,最后通过分割掩模和临床特征(体积、肿瘤扩散)构建融合列线图预测患者的预后,其融合列线图AUC为0. 806。LIU 等研究104例尤文肉瘤患者的术前CT 图像,将肿瘤区域和瘤周3 mm的区域作为感兴趣区域,提取组学特征建立组学模型预测尤文肉瘤患者术后 1 年内是否复发,其将术前CT 平扫及增强图像分为预CT、CT 增强(CTE)、预CT+3 mm、CTE+3 mm、预CT 和CTE 组合(ComB)以及预CT+3 mm和CTE+3 mm组合(ComB+3 mm)六种类型进行建模分析,每类图像特征分别构建SVM、LR和高斯过程(GP)3种组学模型。


最终结果显示基于ComB+3 mm组合构建的GP预测模型效果最优,训练集中AUC为0. 880。LUO等在78例骨肉瘤患者的MRI图像[T1加权图像(T1WI)、T2加权图像(T2WI)和对比增强T1 加权图像(CE-T1WI)]中提取组学特征。并统计患者临床特征,构建LR及SVM组学模型来预测患者是否发生肺转移,其临床和LR-影像组学结合模型的预测能力最佳,AUC 为0. 96,结果表明临床及影像组学结合模型能明显提高临床医师判断肿瘤是否转移的能力。


LIU等选择143例组织病理学诊断为尤文肉瘤患者的CT和CT增强图像,并提取影像组学特征。建立了三类影像组学模型(CT、CTE和ComB模型)和三类临床-影像组学结合模型(CT-临床、CT-临床和ComB-临床模型)预测尤文肉瘤患者被诊断后2年内是否发生肺转移,通过分别使用GP、LR 和PLS-DA 分类器,得到ComB模型在验证集中具有最高的AUC。以上研究表明影像组学及深度学习方法能够帮助临床医师对肿瘤预后进行预测,有助于骨肿瘤患者的个性化诊疗。


影像组学与深度学习方法在骨肿瘤研究方面还存在一些不足:1)骨肿瘤的发病率相对较低,故大部分研究纳入的样本量较少,且多数研究为单中心研究,未进行外部验证,因此模型的真实预测能力仍被质疑;2)不同研究中采用的设备及扫描参数不同,且图像的标准化统一不同,构建的模型不统一,这使得研究的可重复性较低;3)部分研究未建立临床-影像组学联合模型,且采用单一的机器模型对骨肿瘤进行分析研究;4)目前多为回顾性研究,未来需要更多的前瞻性研究及动物实验对肿瘤组织病理、免疫组化及基因分析等多方面进行探究。


综上所述,影像组学与深度学习方法在骨肿瘤鉴别诊断、分级分型、疗效及预后预测方面均有一定的价值。但大部分研究尚存在一定局限性,今后需进行多中心、大样本、标准化的图像数据提取来建立临床-机器联合模型,以提高疾病的诊断及预测效能。


来源:温馨,于德新.影像组学与深度学习方法在骨肿瘤诊断、疗效及预后预测中的应用进展[J].医学影像学杂志,2025,35(06):154-157.DOI:10.20258/j.cnki.1006-9011.2025.06.033.


(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。)
3
收藏
添加表情
全部评论
我要投稿
发表评论
扫码分享

微信扫码分享

回到顶部