影像组学在卵巢癌中的研究进展
发布时间:2026-10-06   |   来源:中国医学影像学杂志
关键词: 影像组学 卵巢癌 影像科

作者:徐梦莉,新疆医科大学附属肿瘤医院


卵巢癌是妇科癌症患者死亡的最主要原因。美国癌症协会预计2025 年美国将有20 890 例新增病例,12 730 例死亡病例。卵巢癌早期症状不明显,初次就诊时已为晚期,预后较差,早发现、早治疗至关重要。传统影像学在卵巢癌的诊断和疗效评估方面具有重要价值,影像组学可以进一步将影像中潜在的信息转化为高维图像特征并建立模型用于辅助诊断和评估。


近年来,影像组学在卵巢癌中的应用得到广泛关注。相关研究通过分析卵巢癌的医学影像,提取图像特征建立预测模型,提高卵巢癌的早期诊断准确度;同时,影像组学在卵巢癌疗效评估和预后预测方面也取得了一定成果。然而,目前影像组学在卵巢癌中的应用还存在一些问题:数据集规模较小,限制了模型的泛化能力;特征提取方法不够准确,影响了模型的诊断和预测能力;缺乏多中心、大样本验证,无法确定模型的可靠性。本文综述影像组学的流程以及在卵巢癌诊断、治疗和预后等方面的应用进展。


1. 影像组学流程


影像组学分析先从CT、MRI、PET 和超声等影像图像中勾画感兴趣区(ROI),然后使用软件从ROI中高通量提取各种影像特征,最后将获得的特征经降维后构建预测模型。


1.1 图像采集与预处理 


图像采集是影像组学的基础,不同机构的图像采集设备、扫描参数、重建算法的差异会影响结果的准确性和可重复性,为排除此影响,在进行影像组学分析前需要对图像进行预处理,包括重采样、标准化、归一化、去噪等。


1.2 图像分割 


影像组学经过图像分割获得具有特征性的ROI,而在图像分割方式上仍存在争议。由于手动分割主观性强且耗时,随着技术的发展,自动和半自动分割的优势逐步凸显。Hu 等通过深度学习(deep learning,DL)对卵巢的T2WI 图像进行自动分割,分割性能好且速度快。


1.3 特征提取 


特征提取是从原始数据中提取具有代表性的特征,将其转换为几组可解释性的抽象特征集。最常用的特征包括形状特征、一阶特征、二阶特征和高阶特征。由于特征提取受不同提取工具的影响,重复性和稳定性较差,可参考图像生物标志物标准化倡议手册进行。


1.4 特征选择和降维 


特征选择是从提取好的特征集中挑选一组最具统计学意义的特征子集代表整体样本的特点,以减少特征的数量,加快算法运行。特征选择常用的方法包括过滤式、包裹式和嵌入式。特征降维将高维特征向量空间映射到低维特征向量空间中,通过减少数据的维度,提高数据处理的效率和准确性,降低拟合风险。特征降维常用的方法是线性判别分析和主成分分析法。


1.5 模型建立 


同样的特征选择不同建模方法得到的结果不同。Zhang 等结合11 种特征选择方法和8 种分类器,构建了88 个预测模型,其中最大、最小曲线下面积(AUC)分别为0.98、0.63。因此,如何选择有效的特征和最佳建模方法一直是影像组学工作者探索的方向。


1.6 模型验证 


理想情况下,模型要经过内部和外部验证,并对性能进行比较。外部验证的模型比内部验证的模型更可靠,在没有外部验证集的情况下也可进行交叉验证。


2. 影像组学在卵巢癌中的应用


2.1 良恶性鉴别 


卵巢肿瘤的良恶性鉴别是决定治疗方案和判断预后的关键因素,多项研究利用影像组学方法对卵巢肿块良恶性进行分类。Zhang 等使用MRI 图像特征建立影像组学模型,该模型的准确度为90.6%,高于放射科医师的83.5%,在区分卵巢肿块方面有更好的性能,其中冠状T2WI(AUC 0.912 3)性能优于矢状位FS-T2WI(AUC 0.870 5)。


Liu 等基于T2WI的影像组学模型在区分交界性肿瘤和恶性肿瘤方面具有较好的性能,基于2D 和3D 矢状位FS-T2WI的影像组学模型在测试组中的准确度高于冠状位T2WI(分别为0.78、0.99,0.79、0.83);与Zhang等研究结果不一致,有待进一步研究证实。多项研究显示动态对比增强磁共振(dynamic contrast enhanced magnetic resonance imaging,DCEMRI)有助于区分肿瘤良恶性。


Song 等研究表明根据DCE-MRI 提取的影像组学特征构建2 类和3 类分类预测模型在区分卵巢肿瘤良恶性方面效率较高;对于2 类分类任务,影像组学模型具有良好的鉴别能力,良性与交界性、良性与恶性和交界性与恶性的AUC 最高,分别为0.899、0.865 和0.893。3 类分类任务也表现出良好的鉴别性能,良性组、交界组和恶性组的AUC 分别为0.893、0.944 和0.891。因此,使用影像组学方法能够预测卵巢肿块的良恶性,但需要选择合适的成像方法构建出性能较好的模型,


2.2 卵巢癌分型 


病理学将上皮性卵巢癌(epithelialovarian cancer,EOC)分为Ⅰ型和Ⅱ型。基于MRI 的影像组学分析在鉴别EOC 亚型中发挥重要作用,FST2WI、扩散加权成像(DWI)和DCE 是其最常用的成像序列。Zhang 等选择4 种MRI 序列(T1WI、DWI、矢状位FS-T2WI 和冠状位T2WI)建立影像组学模型并验证其区分Ⅰ型和Ⅱ型EOC 的性能,模型的准确度为84%,AUC 为0.85,其中矢状面FS-T2WI是最适合EOC 分型鉴别的序列(AUC 0.829 2),优于T1WI(0.764 7)、DWI(0.740 7)和冠状T2WI(0.767 8)。


Jian 等建立4 个MRI 序列(FS-T2WI、DWI、表观扩散系数、DCE-T1WI)的影像组学模型区分Ⅰ型和Ⅱ型EOC。在内部和外部验证队列中,组合模型诊断效能优于所有单参数模型(AUC 分别为0.806 和0.847)。同时在Ⅰ型和Ⅱ型EOC 的分类中,矢状位FS-T2WI 也优于冠状位T2WI,与Zhang 等的研究一致。上述研究认为识别Ⅰ型和Ⅱ型EOC 最关键的区域是FS-T2WI 上囊性和实性成分之间的边界区域,或实性部分中较疏松的区域。如果以上识别分型的关键区域被证实,就可以确定术中切片取样的关键区域,减少取样误差。然而,这一结论的机制尚未明确,还需要未来开展大样本研究进行验证。


Qian 等建立基于DCE-T1WI、FS-T2WI、DWI影像组学模型以及3 种MRI 序列联合的影像组学模型分析其对EOC 分型的价值,结果显示,与单一序列相比,多序列特征组合产生了更好的预测模型(AUC0.84),与Jian 等的研究结果一致。未来应进一步探索对EOC 分型价值更高的序列特征组合建立模型。


2.3 预测淋巴结及腹膜转移 


在临床实践中,预测卵巢癌转移也是当前影像组学研究的热点。Ai 等验证基于CT 的影像组学特征联合临床因素预测卵巢癌患者的转移状态可行且准确,AUC 为0.86。结果表明,CA125 和年龄是与转移相关的临床因素,其较高表明转移的风险越高。Chen 等开发了结合影像组学特征和CT 淋巴结状态的列线图,在训练队列(AUC 0.821)和测试队列(AUC 0.843)中均表现出较好的预测能力,大幅度提高了诊断效率,可作为预测淋巴转移的新型、方便、无创方法。


CT 通常用于术前检查腹膜转移,但对<1 cm 转移灶的敏感性有限,特别是在肠表面或肠系膜等部位。MRI 可作为CT 的辅助方法进行腹膜转移检测,且脂肪抑制、造影成像和功能成像(如DWI)的检测敏感度高于CT。Yu 等从患者术前FS-T2WI、DWI 和DCE-MRI 图像中提取特征联合临床病理危险因素构建列线图,研究表明,列线图(AUC 0.902)比临床模型(0.858)和影像组学模型(0.846)具有更好的诊断效果。


Song 等开发并验证多序列影像组学模型和结合影像组学特征与临床预测因子的列线图也得到相同结论。在这些影像组学特征中,偏度直接来源于图像,对肿瘤ROI 的异质性敏感。此外,灰度共生矩阵、灰度运行长度矩阵和灰度依赖矩阵的特征已用于表征膀胱肿瘤和胶质母细胞瘤的异质性,对腹膜转移具有诊断意义。上述结果提示,影像组学特征可通过捕获有无腹膜转移卵巢癌间的肿瘤异质性差异,无创预测其腹膜转移状态。总之,影像组学特征可作为卵巢癌患者转移风险分层的生物标志物。影像组学列线图显示了临床预测因子预测转移的增量价值,但还需进一步行外部验证。


2.4 复发风险评估及生存期预测 


影像组学特征可作为卵巢癌的成像生物学标志物反映其复发风险及生存期。Wei 等的多中心研究基于术前增强CT 的影像组学特征结合临床指标构建影像组学列线图,预测晚期高级别浆液性卵巢癌(high-grade serous ovarian cancer,HGSOC)患者18 个月及3 年复发风险的准确度分别为84.1%及88.9%。


Rizzo 等评估单独从肿瘤中提取的CT 影像组学特征或结合临床数据提取的CT 影像组学特征与卵巢癌手术时残留肿瘤的相关性及是否能预测12 个月内疾病进展的风险,发现与肿块大小、随机性和均匀性相关的特征与卵巢癌手术时残留肿瘤有关。在多变量分析中,12 个月内疾病进展风险与肿瘤大小相关的特征F2shape/Max3DDiameter有关,在临床模型中加入这种影像组学特征可使12 个月内疾病进展的预测率增加14%(AUC 分别为0.73和0.87)。


这也证实了影像组学特征在预测卵巢癌复发风险方面具有良好的准确度,以及影像组学在卵巢癌复发风险预测中的重要性。此外,基于不同序列的MRI 影像组学对卵巢癌复发风险评估及生存期预测的性能不同。Wang 等认为与T1WI、DWI 和DCE-T1WI 序列相比,T2WI 影像组学特征预后预测的能力更佳。Zhang 等发现T1WI 影像组学特征比T2WI、FS-T2WI、表观扩散系数序列的判别性能更强。联合多序列(DCE-T1WI、T2WI)的影像组学模型的预测性能比单序列模型更好。


病理学研究表明,HGSOC 肿瘤周围也可能包含与肿瘤生物学特征相关的重要信息,对预测恶性肿瘤复发同样具有价值。Wu 等通过结合基于瘤内区域、瘤周区域、瘤内和瘤周区域中的选定特征构建影像组学模型,在训练和验证队列中,瘤内和瘤周区域显示预测HGSOC 复发的有效能力(AUC 0.899),瘤周区域可以提供与癌症复发相关的补充信息(AUC0.762),但最佳瘤周区域的界定标准尚待研究。总之,将与肿瘤相关的多方向、多学科、多模态数据融合,能更好地了解肿瘤特征、提高诊断和预测的准确性,全面了解患者病情。


3. DL 在卵巢癌中的应用


DL 是机器学习的一个分支,通过模拟具有丰富层次结构的人类神经系统,建立与之相似的深度分层模型,使机器能够像人一样具有分析学习的能力。DL最常用于建模的算法是卷积神经网络。DL 可以实现全自动、端到端的图像特征提取,无需精准的ROI 分割,减少图像预处理、手动分割、特征提取的影响。将DL 与影像组学联合应用有助于进一步提高分类和预测结果的准确性。


近年来,基于DL 的影像组学在卵巢癌研究中具有一定的应用价值。在鉴别诊断方面,Gao 等开发一种深度卷积神经网络(DCNN)模型,通过自动评估超声图像诊断卵巢癌,结果显示DCNN 模型在检测卵巢癌方面比放射科医师更准确,与放射科医师单独评估相比,DCNN辅助诊断后的诊断准确度和敏感度更高(82.7%比70.4%,87.6%比78.3%)。然而,卵巢恶性肿瘤包括不同组织学亚型和独特的基因组特征。


此外,乳腺癌易感基因状态是管理卵巢癌的重要特征,也是罹患卵巢癌的主要风险因素,探索DL 在卵巢癌亚型分类与乳腺癌易感基因状态特征方面的能力是未来研究的重要方向之一。在预测转移方面,Wei 等构建了DL、影像组学和临床模型,并建立三者的综合模型,评估医师在有无模型帮助下的诊断表现,结果显示在模型帮助下,所有医师的诊断敏感度均明显提高,尤其是对于经验不足的医师(初级放射医师1,0.639 到0.820;初级放射医师2,0.689 到0.803)。结果表明,将DL与影像组学联合应用能够更加精确地预测肿瘤转移,从而辅助临床医师进行诊断。


在复发风险评估及生存期预测方面,Wang 等和Liu 等分别开发了基于CT 和MRI 图像的DL 方法预测HGSOC 复发,结果显示其预测效能高于临床模型。因此,DL 可以提供与HGSOC 复发相关的预后生物标志物,较临床特征更具预测性。


来源:徐梦莉.影像组学在卵巢癌中的研究进展[J].中国医学影像学杂志,2025,33(08):892-896.DOI:CNKI:SUN:ZYYZ.0.2025-08-016.


(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。)
0
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