作者：胡扬帆，耿佳，上海交通大学附属第六人民医院放射科；钟京谕，司莉萍，星月，姚伟武，上海交通大学医学院附属同仁医院影像科
影像检查是骨骼与
影像组学能够从图像中快速提取并分析大量的特征性数据，揭示图像中蕴藏的病理生理学信息，为精准医疗提供循证支持。笔者将影像组学在骨骼与软组织肿瘤中的研究现状作一综述，以展示其在骨骼与软组织肿瘤的定性诊断、治疗反应评价、患者预后预测等方面的临床应用潜能，讨论影像组学在这一领域研究中的前景与面临的挑战。
1.影像组学的基本概念
影像组学的概念最早由荷兰学者Lambin等在2012年提出，是指从CT、MRI、PET等影像中高通量地提取大量特征，应用算法将感兴趣区（ROI）的影像数据转化为具有高分辨率的可发掘的特征空间数据，将视觉影像信息转化为量化的深层次特征来研究，对海量影像数据进行更深层次的挖掘，为疾病的诊断、评估及预后提供更精准的信息。
影像组学的处理流程包括：（1）影像数据的获取。根据研究目的搜集相同或相似采集参数的数据集，保证数据集不会受到机型以及参数的影响；（2）图像分割与绘制，分割出目标区域确定ROI。图像分割方法主要有手动、半自动和自动三种，其中以手动分割最为常用，被认为是分割的金标准；（3）特征提取和量化。从图像中提取的影像学特征主要包括形态学特征、统计学特征、区域纹理特征、模型特征等，通过自行编程或特定软件如IBEX、MaZda和Pyradiomics等量化；（4）数据库建立与模型验证。影像组学最终的目的是应用并解决临床实际问题，将提取的影像组学特征与临床数据结合，建立并验证诊断、疗效评价、预后预测等模型，以指导临床决策，辅助医师诊断疾病和调整治疗方案。
2.影像组学在骨骼与软组织肿瘤中的研究现状
2.1协助肿瘤诊断
影像组学可辅助骨骼与软组织肿瘤鉴别诊断。Wang等研究了91例软组织肿瘤患者的MRI图像和临床特征，首次构建了区别其良恶性的影像组学诺模图，评估诊断准确性的受试者工作特征曲线（ROC）曲线下面积（AUC）达0.94。Fritz等回顾性分析了116例软骨肿瘤的MRI图像，并对MRI图像分别进行人工解读及纹理分析，发现联合使用两者判断软骨肿瘤良恶性以及区别良性与低级别
Li等通过影像组学的方法分析T1WI、T2WI及T1WI增强图像，建立了用于鉴别颅底
当前的影像组学的研究主要为疾病的二分类鉴别，不能满足临床应用的需求，该模型为今后识别三种及以上不同的骨骼与软组织肿瘤提供了思路，也将为骨骼与软组织肿瘤的诊疗模式带来革新。肿瘤的病理学分级对其治疗和预后具有重要意义。Corino等分析19名
Zhang等从T2WI抑脂图像中选择了5个定量成像特征构建影像组学模型，在术前区分低级别和高级别STS的AUC可达0.92，准确率达88%。Wang等进一步证明，基于T1WI和T2WI影像组学特征的机器学习方法区别低级别和高级别STS的AUC可提升至0.962，准确率为93.94%、灵敏度为96.15%、特异度为85.71%。由此可见，使用影像组学及早识别骨骼与软组织肿瘤的病理分级，有助于更好地对患者进行分层，从而为患者选择最好的治疗方法，为临床治疗和预后提供更多信息。
2.2评估治疗反应
影像组学能早期发现骨骼与软组织肿瘤治疗过程中与病情相关的影像变化，可用于评估疗效，选择临床最佳治疗方案。Tian等基于CT图像的纹理分析评估STS新辅助贝伐单抗联合放疗疗效，发现正像素平均值是患者病理反应的最佳预测因子，其变化与手术病理标本的肿瘤坏死显著相关，预测结果优于肿瘤大小、密度和灌注模式。
Yi等比较了8例骨巨细胞瘤治疗前后的CT影像组学特征，包括肿瘤大小、纹理和直方图测量，结果显示狄诺塞麦治疗后，骨巨细胞瘤直方图和纹理特征显著变化。Lin等通过定量191例高级别骨肉瘤患者新辅助化疗前后CT图像上的肿瘤区域，单独使用基于CT的Delta-radiomics方法建立影像组学特征模型预测化疗反应，在训练组和验证组的AUC分别为0.868和0.823；结合临床因素建立诺模图后，预测效果得到明显改善，训练组和验证组的AUC可达0.871和0.843。
Crombé等同样使用Delta-radiomics方法，证实了基于T2WI的影像组学方法可以改善对新辅助化疗后高级别STS患者早期治疗反应的评估，交叉验证准确率为88.1%、灵敏度为94.1%、特异度为66.3%。这些研究表明，影像组学评估骨骼与软组织肿瘤治疗反应有助于把握肿瘤的异质性，了解治疗是否有效，有助于及时调整临床治疗方案。
2.3预测患者预后
影像组学为骨骼与软组织肿瘤患者临床治疗中复发转移监测的难题提供了新的思路。Wei等从80例脊索瘤患者的MRI图像中提取了620个三维影像组学特征，从T2WI图像中选择了5个与4年复发率关系最密切的特征，构建并验证了影像组学模型。结果显示，验证集中的AUC达0.86，准确率为85%，首次将基于MRI图像定量分析的影像组学方法用于脊索瘤复发的预测。
Tagliafico等对11例四肢STS患者的T1WI、T2WI抑脂和T1WI增强图像进行影像组学分析，实现了对STS患者局部复发的监测，结果显示AUC介于0.71～0.96。Yin等基于103例盆腔软骨肉瘤患者的三维多模态MRI和临床特征预测肿瘤复发，发现由多序列组合影像组学特征和临床数据组成的影像组学诺模图效果最佳，AUC达0.891，准确率达85.7%。
Cho等用纹理分析的方法分析了16名骨肉瘤儿童42个经病理证实的
Hayano等证明从20例STS患者的CT图像中提取的纹理特征，与接受贝伐单抗联合放疗新辅助治疗后STS的血管生成和总生存期显著相关。Wu等结合CT图像影像组学特征和临床信息开发诺模图，预测高级别骨肉瘤患者生存的效果优于临床模型，训练组AUC分别为0.86和0.79，验证组AUC分别为0.84和0.73，为临床制定个性化治疗方案提供了可能。
Wei等开发的影像组学诺模图证明了影像组学特征是颅底脊索瘤个体差异的一个很强的预后生物标志物。有学者则基于MRI图像进行研究，同样使用影像组学结合临床特征综合分析总生存期，提高了STS及骨肉瘤患者总生存期的预测能力，都优于单独使用传统的临床特征模型。可见影像组学特征信息能有效填补单一传统预后因素模型在肿瘤异质性信息方面的不足，提供更有价值的预后信息，改善患者的个体化治疗选择。
3.骨骼与软组织肿瘤影像组学的前景
3.1虚拟
由于新陈代谢、基因表达等区域性差异，大多数肿瘤具有时间和空间的异质性，通过活检获得的肿瘤组织随机样本可能无法精确地反映肿瘤内生物变化的全貌，且存在刺激诱发肿瘤扩散的可能，限制了有创活检的使用。Meyer等分析了29例STS患者的MRI图像和病理增殖指数Ki-67的关系，发现当Ki-67阳性率阈值为10%时，基于T1WI纹理特征预测Ki-67表达水平的AUC为0.90，当Ki-67阳性率阈值为20%时，基于T2WI纹理特征预测Ki-67表达水平的AUC为0.77，可见基于影像组学的虚拟活检，可无创、实时、定量、重复地获取肿瘤组织时间与空间异质性的信息，具有指导肿瘤治疗及疗效监测的巨大潜能。
3.2影像基因组学
影像基因组学是将影像组学与基因组学联系起来，探索影像学特征与基因组之间的关系。传统的基因分析常通过有创的活检进行肿瘤样本的采集，不仅有创、耗时较长而且价格昂贵，而影像基因组学只需通过无创的常规影像学检查，就能够了解基因表达谱，可作为评估肿瘤的一种新手段。
Vos等利用来自MRI的影像学特征实现了对高分化
4.骨骼与软组织肿瘤影像组学面临的挑战
影像组学在骨骼与软组织肿瘤的诊断、疗效监测及预后判断的研究上已取得初步进展，为临床诊疗提供了一定参考，但仍面临着诸多困难：
（1）图像采集不规范。影像组学分析对数据的一致性要求很高，但以往的研究以回顾性居多，不同厂商的成像参数、图像处理、重建算法上有很大的不同。虽然这些差异并不影响日常诊断，但影像组学研究对这些差异很敏感，在回顾性研究队列中很难控制。这将会影响研究结果的真实性，限制其在临床上推广应用；
（2）图像分割方法不标准。图像分割是影像组学中最重要、最具挑战和最有争议的部分，分割的结果直接影响后续数据的处理效率以及结果的鲁棒性。手动分割被认为精度最高，但耗时费力、可重复性低、不同医师间异质性明显，难以用于大规模研究；
（3）样本量小。影像组学研究需要大样本数据库，但目前骨骼与软组织肿瘤的影像组学研究大多是小样本研究。样本量不足会降低模型预测的准确率，增加过度拟合的风险。
综上所述，影像组学能够充分挖掘和分析骨骼与软组织肿瘤特异性影像特征，为临床提供诊断和监测疾病的非侵入性工具。虽然目前这项技术仍面临诸多挑战，但相信未来的影像组学有望克服这些困难，与其他组学数据相结合，发挥其快速、无创、定量和可重复等优点，推进骨骼与软组织肿瘤的准确诊断、个体化和精准化治疗。
来源：胡扬帆,钟京谕,司莉萍,耿佳,星月,姚伟武.骨骼与软组织肿瘤影像组学研究进展[J].临床放射学杂志,2021,40(04):818-821.
(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。)
