作者：冯贺新，张丽娜，张维升，大连医科大学附属第一医院放射科

软组织肿瘤（soft tissue tumors，STTs）是临床上相对少见的一类肿瘤性疾病，由于其组织学成分和生物学行为复杂，影像诊断特异性较低，影像诊断定性存在一定的困难。MRI因具有多平面成像和最佳的软组织分辨率等优势，成为软组织成像的首选方法。

然而，传统影像学仅局限于解剖学的辨认和病变信号特征的识别，对于STTs的临床应用价值仍然有限。影像组学基于医学图像，包含肉眼检查无法揭示的生物学及预测性信息，通过对感兴趣区（ROI）分割、高通量提取非可视化的影像信息与模型建立，可对传统成像工具和图像主观评估无法捕捉和量化的影像数据信息进行更深层次的挖掘、预测和分析。

近年来，影像组学的应用范围已经涵盖多个系统，如神经、乳腺、胸腹部及盆腔；而对于骨肌系统尤其STTs的研究相对较少。本文就基于MRI的影像组学在STTs组织来源、组织学分级分期、预后和疗效的最新应用进展进行综述。

1.影像组学的概念

影像组学作为一种定量分析方法，首先从常规医学图像中定义肿瘤ROI，即肿瘤分割；然后通过软件程序从ROI中高通量提取各种影像特征。目前可用的影像组学特征主要包括强度、形态学、纹理、小波等。随着影像组学特征的不断发展和完善，可提取特征的数量正在迅速增长，为临床应用提供了重要影像组学特征。通过内部和外部验证测试所选影像组学特征的性能，对于在临床研究中推广至关重要。

2.影像组学在软组织肿瘤应用中的生物物理学基础

影像组学作为基于医学图像的非侵入性定量分析技术，通过提取、分析和解释定量成像参数，反映肿瘤的显微特征。肿瘤异质性即病变内部成分复杂性。与组织学成分相对简单的良性肿瘤或低级别恶性肿瘤相比，恶性肿瘤更具异质性，并与肿瘤的恶性生物学行为密切相关。影像组学的应用使得肿瘤异质性可以被量化评估，并提供有价值的信息。

3.基于MRI的影像组学在不同软组织来源定性诊断中的应用

根据肿瘤的生物学行为不同，STTs分为良性、中间性和恶性。STTs良恶性的判断对于临床治疗方法的选择及预后有重要影响。应用影像组学对STTs的良恶性进行鉴别是近年研究热点。基于MRI常规序列的影像组学可为STTs定性诊断提供诸多有价值的信息。基于T1WI和脂肪抑制质子密度加权像（fat suppression-proton density weighted image，FS-PDWI）图像上对比度、相关性、逆差矩、差方差和差熵的分析发现，常规MRI的纹理分析技术有助于鉴别STTs的良恶性。其中T1WI上的差熵及FSPDWI上的差方差和差熵是判断STTs良恶性的独立预测因素。

Wang等对STTs病灶的脂肪抑制快速自旋回波T2WI序列图像进行特征提取，并构建放射组学列线图，认为其诊断性能优于放射组学特征和临床模型。研究对12种机器学习方法进行训练，建立分类模型预测病变性质，结果令人满意，从而认为基于放射组学的机器学习列线图对软组织肿块的良恶性鉴别具有较高的准确性。

Juntu等研究认为支持向量机（support vector machine，SVM）分类器的性能优于神经网络和4.5决策树；SVM的分类准确度优于放射科医师。应用基于平扫T1WI的纹理分析特征训练的机器学习分类器检测恶性肿瘤具有潜在价值。基于MRI功能成像的影像组学在STTs定性诊断的应用价值亦见报道。

应用表观扩散系数（ADC）直方图鉴别良性周围神经源性肿瘤（benign peripheral neurogenic tumors，BPNTs）和软组织肉瘤（soft tissue sarcomas，STSs），结果显示STSs的平均ADC值和所有百分位参数均显著低于BPNTs；而STSs的变异系数和偏度均显著高于BPNTs。

4.基于MRI的影像组学在同一软组织来源肿瘤诊断中的应用

由于同源STTs的主要组织学成分类似，传统影像学常难以鉴别；而利用影像组学从病灶中提取的大量非可视化影像数据使同源而不同质STTs的鉴别成为可能。Vos等提取了脂肪瘤和高分化脂肪肉瘤病灶的信号强度、形状和纹理特征，并应用多种机器学习方法进行分类。结果显示，基于T1WI的影像组学模型结合T2WI的常规影像学特征后构成的模型诊断效能最佳，明显优于主观诊断的准确性，从而认为影像组学与常规影像学结合有助于提高良、恶性脂肪源性STTs的诊断效能。

基于随机森林分类器的组学研究发现，与T1WI信号强度和肿瘤体积特征相比，影像组学特征鉴别诊断效能最佳，优于传统影像学。目前已有学者应用基于扩散加权成像（DWI）的纹理分析对含黏液STTs空间异质性进行量化分析，发现恶性黏液样STTs较良性具有更高的峰度、能量、相关性和同质性，更低的对比度和方差，其中对比度的诊断效能最高。

阎伟伟等通过ADC图灰度直方图参数鉴别腹膜后去分化及高分化脂肪肉瘤，发现两组体积、ADC均值、ADC中位值、95% ADC值、偏斜度、峰度值均有显著差异，其中峰度、偏度、体积的诊断效能最佳。

5.基于MRI的影像组学在软组织肉瘤组织学分级分期中的应用

STSs较良性、中间型病变预后差，不同分期的STSs复发和转移风险存在差异。有研究通过构建基于对比剂增强脂肪饱和T1WI（FS-CE-T1WI）、脂肪饱和T2WI（FS-T2WI）和FS-CE-T1WI与FS-T2WI联合的3组影像组学模型提取低级别和高级别STSs的影像组学特征，结果显示联合模型对于肿瘤级别划分效果最佳。

多项研究分别从FS-T2WI、T1WI中提取定量成像特征，并采用多种机器学习分类方法（包括五重交叉验证策略训练随机森林、k最邻近、SVM、联合使用递归式特征消除和少数样本合成过采样技术的随机森林分类算法）对低级别和高级别STSs进行分类研究，可以在术前有效预测STSs组织病理学分级，为应用影像组学预测STSs分级时选取合适的机器学习方法提供了方向。

基于ADC图提取影像组学特征鉴别中、高级别STSs的研究发现，中等级别STSs比高级别STSs具有更高的ADC值以及更小的分散性，与信号变异性有关的一阶特征值在高级别STSs中高，与熵和相异度相关的灰度共生矩阵特征值在高级别STSs中高，FOS特征的分类性能最佳。此外，Xiang等研究认为基于MRI的影像组学可定量评估瘤体异质性；用对侧或邻近健侧肌肉的平均信号强度（signal intensity，SI）标准化后的T1WI和T2WI可区分不同组织学分级的STSs 。

FS-CE-T1WI 通过计算增强比（enhancement ration，ER）图标准化为（SIpost－SIpre）/SIpre×100（SIpre和SIpost分别表示增强前后各像素的SI）后，再手动分割ROI，进而提取均值、振型、标准差、峰度和偏度等特征。结果发现，增强比图中的偏度和峰度在不同分级间差异显著。

6.基于MRI的影像组学在判断软组织肉瘤预后中的应用

STSs的准确判断对于临床治疗方案的选择至关重要，包括是否需要扩大切除及术后放化疗方案的选择。近年影像组学判断STSs预后的应用逐渐增多。有系列研究通过提取病灶区域三维影像组学特征，在预过滤特征上使用最小绝对收缩和选择算子惩罚的Cox回归分析，生成基于3个加权影像组学特征（FOS_偏斜度、GLRLM_LRHGE和SHAPE_Volume）的评分，认为影像组学联合常规放射学模型的预测效果最好。

进一步研究提取预后数据的最佳方法，在DCE-MRI的11个阶段（共88 s）提取放射组学特征（radiomics-features，RFs），计算自采集基线以来RFs的相对变化（relative changes in RFs，rRFs），对注射后rRFs随时间变化的曲线进行积分（intergrated-rRFs，irRFs），发现rRFs模型的预测效果最佳，从而认为STSs的初始DCE-MRI包含预后信息。通过建立rRFs模型可较好地预测STSs预后。另有学者以大样本量STSs构建临床、影像组学及临床和影像组学的COX模型，用以观察RFs与总体生存独立的相关性，认为在考虑年龄和肿瘤分级时，从图像中提取的影像组学特征与总生存率（overall survival，OS）独立相关；并且使用基于临床和放射组学特征的模型3年OS的总体预测性在一个独立的队列中重复，可见临床和影像组学结合是预测OS的最佳模型。

在应用影像组学对肢体STSs患者切除后区域的分析发现，RFs不仅可以区分病理与正常组织，而且不同RFs与肿瘤大小、分级相关，提示影像组学可以对STSs切除后区域进行预后监测，而且还可以预测复发病灶特征。此外，Meyer等对RFs与肿瘤增殖指数Ki-67进行相关性研究，认为平扫T1WI的45dgr_RLNonUni与T2WI的S（4，0）SumAverg两个特征与肿瘤增殖指数Ki-67的相关性最佳。通过纹理分析提取的特征可以间接预测肿瘤增殖能力及预后。

7.基于MRI的影像组学在评估软组织肉瘤疗效中的应用

STSs治疗效果优劣是影响患者预后的直接因素。如在治疗过程中监测的治疗效果不满意，治疗方案的改良具有重要意义。将影像组学应用于STSs的治疗效果评估不但可以实现无创监测，而且对病灶情况的分析更加全面。Gao等应用纵向DWI的RFs特征预测STSs术前低分割放疗的疗效，分别使用平均ADC或ΔADC作为基准的SVM或不同时间点的特征（结合或不结合增量RFs）的SVM预测放疗效果，结果发现在使用所有时间点的特征结合相应的增量RFs的SVM对治疗反应的预测最佳，相对于基线的增量RFs可以优化治疗中期或治疗后效果评分的预测。

Blackledge等通过对STSs在放疗后2~4周的随访影像学检查中，应用8种机器学习方法将多参数MRI图像的所有像素划分为5种组织亚型（细胞肿瘤、脂肪、坏死、囊性组织间隔和出血），从5种具有较高交叉验证中位数准确率的机器学习方法中选择训练和等级预测时间相对较短的朴素贝叶斯。当其与马尔可夫随机场先验模型相结合时，该方法成功实现了对放射治疗后独立STSs亚型变化的可视化和量化，并进行了异质性反应的评估。

8.总结

综上所述，基于MRI的影像组学可以将STTs异质性进行广泛量化，在STTs的鉴别诊断、STSs分级分期、疗效评估以及预后监测等方面已发挥作用。然而，目前影像组学的科研方法尚无严格固定的标准和规范，影像组学流程在特定情况下缺乏可重复性或再现性，而这正是将科研转化为临床实践的关键。因此，对于一些实验结果的准确性，国内外学者仍持保留态度；但是相信随着样本量的扩充及影像组学的不断完善，MRI影像组学在STTs中的临床应用价值将会逐步体现并得到认可。

来源：冯贺新,张丽娜,张维升.基于MRI的影像组学在软组织肿瘤中的研究进展[J].中国医学影像学杂志,2021,29(06):640-644.

(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。)