明文龍，袁少勛，謝建明，劉宏德，顧萬君，孫嘯

東南大學(xué)生物科學(xué)與醫(yī)學(xué)工程學(xué)院，生物電子學(xué)國家重點實驗室，江蘇南京 210096；

近年來，我國乳腺癌發(fā)病率不斷升高，并呈年輕化趨勢[1]，對乳腺癌的早期預(yù)防、精確診療和預(yù)后分析能力迫切需要提高。分子生物學(xué)與免疫學(xué)的快速發(fā)展為乳腺癌早期診斷、分型、預(yù)防警示及預(yù)后判斷奠定了基礎(chǔ)。最初，乳腺癌按照基因表達(dá)譜差異分為4類分子亞型，但這種分型方式受到基因分析的成本、設(shè)備和技術(shù)要求等的限制，很難對每一位患者進(jìn)行分類[2]。因此，臨床上通常借助免疫組化法替代基因分析，但免疫組化法預(yù)測乳腺癌預(yù)后的魯棒性較差，且其分類結(jié)果與基因分析結(jié)果的一致性也較差[3]。因此，需要一種新的分類方法，以實現(xiàn)乳腺癌的精準(zhǔn)分類[4]。

醫(yī)學(xué)影像診斷方面，以MRI、CT和PET為代表的醫(yī)學(xué)成像技術(shù)具有非侵入性、高分辨率、時空連續(xù)性等特點，對展現(xiàn)腫瘤表型的差異具有獨特優(yōu)勢[5]，促進(jìn)了影像組學(xué)的迅猛發(fā)展；而影像組學(xué)方法可以通過從高通量的醫(yī)學(xué)影像數(shù)據(jù)中發(fā)掘大量具有高度代表性的定量影像特征，尋找影像特征與疾病之間的關(guān)系。因此，通過研究挖掘基因組特征與影像特征之間的聯(lián)系，進(jìn)而利用影像特征反映基因活動，實現(xiàn)疾病相關(guān)基因活動的非侵入式診斷的影像基因組學(xué)得以發(fā)展，并成為影像組學(xué)的熱點之一[6-8]。乳腺癌的影像基因組學(xué)研究旨在從以基因數(shù)據(jù)為代表的生物大數(shù)據(jù)和以影像數(shù)據(jù)為代表的醫(yī)學(xué)大數(shù)據(jù)中提取出有價值的信息，進(jìn)而轉(zhuǎn)化成醫(yī)學(xué)知識，并最終指導(dǎo)乳腺癌的診斷和防治[9]。因此，本文擬從乳腺癌的基因特征、影像特征及兩者關(guān)聯(lián)分析的方法方面綜述目前乳腺癌影像基因組學(xué)的研究進(jìn)展，為后續(xù)研究提供參考。

1 乳腺癌的基因組特征

乳腺癌的基因組特征可分為3個層次：易感基因突變和單核苷酸多態(tài)性（single nucleotide polymorphism，SNP）特征、表達(dá)譜特征和分子亞型特征。在基因?qū)哟紊希壳耙寻l(fā)現(xiàn)的乳腺癌易感基因超過 70個，包括 BRCA1/2、TP53等[10]。BRCA1/2在DNA同源重組修復(fù)中發(fā)揮重要作用，其致病性突變通常位于外顯子區(qū)和可變剪切區(qū)，當(dāng)其發(fā)生有害突變時，同源重組修復(fù)出現(xiàn)錯誤，導(dǎo)致腫瘤更易發(fā)生。除易感基因外，最新研究結(jié)果證實至少55個SNP也與乳腺癌密切相關(guān)[11]，比如位于TP53編碼區(qū)的rs1800371發(fā)生錯義突變，導(dǎo)致p53蛋白質(zhì)發(fā)生突變，從而顯著增加了乳腺癌的發(fā)生風(fēng)險[12]；位于非編碼區(qū)的 SNP，如Ahmed等[13]于 2009年發(fā)現(xiàn)的 SLC4A7基因的rs4973768也與乳腺癌患病風(fēng)險增加有關(guān)。在基因表達(dá)方面，乳腺癌具有不同的基因和蛋白表達(dá)譜特征。Perou等[14]首次利用cDNA微陣列數(shù)據(jù)對乳腺癌基因表達(dá)譜進(jìn)行差異分析，發(fā)現(xiàn)乳腺癌在基因表達(dá)水平上的差異。隨著測序技術(shù)的發(fā)展，RNA-Seq數(shù)據(jù)逐步代替微陣列數(shù)據(jù)用于差異分析，但蛋白表達(dá)譜才能真正反映乳腺癌在表達(dá)水平上的特征，因此也有研究利用反相蛋白陣列（reverse phase protein arrays，RPPA）數(shù)據(jù)獲得乳腺癌在蛋白質(zhì)表達(dá)水平上的特征。在臨床上對乳腺癌進(jìn)行分子亞型的分類具有重要作用，因為不同亞型從基因突變和SNP特征，到表達(dá)譜特征，再到最后的病理學(xué)表現(xiàn)、治療方案等臨床特征，均具有其獨特的模式。如luminal-A型和B型更容易發(fā)生成骨轉(zhuǎn)移癌，基底細(xì)胞樣型更傾向于引起肺和大腦病變；術(shù)前化療對于HER-2高表達(dá)型具有更好的治療效果，而luminal-A型和B型一般采用術(shù)后放療。乳腺癌的基因檢測和分析在臨床上具有重要的參考價值，但這種方式大都是侵入式的，而影像技術(shù)作為一種優(yōu)良的非侵入式診斷方式，正逐漸在“精準(zhǔn)醫(yī)學(xué)”時代體現(xiàn)出重要作用。

2 乳腺癌的影像特征

臨床上乳腺癌的影像學(xué)診斷主要包括動態(tài)對比增強(qiáng) MRI（dynamic contrast-enhanced MRI，DCEMRI）、乳腺 X 線攝影、超聲、DWI-MRI[15]、CT和PET，目前在影像基因組學(xué)研究中最常用的是 DCEMRI和乳腺 X線攝影，也有少量研究是基于超聲和PET 數(shù)據(jù)[16-17]。

自2012年Yamamoto等[18]首次開展了乳腺癌影像基因組學(xué)的研究以來，DCE-MRI數(shù)據(jù)以其高分辨率、時空連續(xù)性等特點，廣泛應(yīng)用于相關(guān)研究。影像特征的提取分為定性和定量影像特征提取，定性影像特征的獲得主要通過具有豐富臨床經(jīng)驗的影像科醫(yī)師，按照“乳腺影像報告和數(shù)據(jù)系統(tǒng)”（breast imaging reporting and data system，BI-RADS）的要求，選取具體的指標(biāo)作為影像特征，對這些指標(biāo)進(jìn)行0/1打分，Yamamoto等[18]和 Liu等[11]的研究采用這種方法。然而，使用定性影像特征會損失大量的腫瘤病變信息，并且具有一定的主觀性，不利于后續(xù)分析，故更多的研究工作是在定量影像特征的基礎(chǔ)上建立的。定量影像特征的提取方式主要分為半自動和自動提取，前者是通過至少2位經(jīng)驗豐富的影像科醫(yī)師確定影像中的感興趣區(qū)（ROI），通常為疑似的腫瘤病變部位，然后針對ROI的體素或像素，計算出相應(yīng)的定量影像特征值，這種方式由于需要手動的圖像分割，故稱為半自動特征提取[4,19-21]。自動特征提取即借助計算機(jī)實現(xiàn)圖像識別、分割和特征計算，Yamamoto等[22]的研究基于計算機(jī)視覺算法，針對DCE-MRI動態(tài)增強(qiáng)對比成像過程中的時空連續(xù)性，實現(xiàn)了對病灶部位的自動分割及特征的定量提取[22]。此外，由于目前缺少統(tǒng)一的標(biāo)準(zhǔn)，在影像特征的選擇上，不同的研究團(tuán)隊選擇的影像特征也有所區(qū)別，表1總結(jié)了Zhu等[19]的研究工作，將常用的DCE-MRI影像特征分成6類。

表1 常用DCE-MRI影像特征

盡管常用的乳腺 X線攝影和超聲的影像特征與DCE-MRI基本一致，主要包括大小、形態(tài)學(xué)和增強(qiáng)紋理特征，但DCE-MRI的特征值多數(shù)是基于體素計算的，而乳腺X線攝影檢查和超聲的影像特征值均是基于像素的。與DCE-MRI相比，乳腺X線攝影通常還包含其他影像特征，如腫塊最大直徑、乳腺密度、鈣化大小類型、周圍結(jié)構(gòu)扭曲等，超聲圖像也包含超聲方向、回聲類型、后段聲學(xué)特征等影像特征[16-17,23]。然而，乳腺 X線攝影檢查和超聲圖像均缺少動力學(xué)曲線評估、增強(qiáng)方差動力學(xué)和薄壁組織增強(qiáng)相關(guān)的特征，而這3類特征均是DCE-MRI獨特的影像學(xué)特征[16-17,19]。

3 乳腺癌的影像基因組學(xué)研究方法

影像基因組學(xué)是在基因組大數(shù)據(jù)與醫(yī)學(xué)影像大數(shù)據(jù)融合發(fā)展趨勢下形成的。針對人類重大疾病，通過影像基因組學(xué)研究挖掘基因組特征與影像特征之間的聯(lián)系，進(jìn)而利用影像特征反映基因活動，實現(xiàn)疾病相關(guān)基因活動的非侵入式診斷。目前，針對乳腺癌基因特征和影像特征的關(guān)聯(lián)分析研究是多層次的，主要包括基因序列水平、基因表達(dá)水平和分子亞型水平，圖 1展示了癌癥影像檔案（the cancer imaging archive，TCIA）數(shù)據(jù)庫收錄的1例乳腺癌患者DCEMRI影像切片[24]，通過影像特征提取，在這3個不同的基因水平上進(jìn)行關(guān)聯(lián)分析。

圖1 女，白種人，53歲，右乳浸潤性導(dǎo)管癌。矢狀位T1增強(qiáng)后MRI影像切片。DCE-MRI檢查可見右側(cè)乳房內(nèi)外上象限有明顯的腫瘤病灶（箭）。通過特征提取和計算，可獲得該腫瘤的體積（7700.99 mm3）、腫瘤最大3D直徑（45.39 mm）、偏度（-0.25）、峰度（2.86）等定量影像特征，結(jié)合該患者相應(yīng)的基因組數(shù)據(jù)（SNP位點、基因表達(dá)量等）進(jìn)行系統(tǒng)全面的融合分析

3.1 基因序列水平上的關(guān)聯(lián)分析 基因序列水平上的關(guān)聯(lián)分析指通過建立乳腺癌易感基因和 SNP位點信息與影像特征之間的聯(lián)系，從而發(fā)掘乳腺癌基因特征與影像表型間的相關(guān)性。

Yamamoto等[18]對來源于腫瘤表達(dá)項目 expO數(shù)據(jù)庫的353例乳腺癌患者，在全基因組范圍內(nèi)獲得高差異性表達(dá)基因，人工評估了26個定性MRI影像特征，然后利用斯皮爾曼等級相關(guān)系數(shù)建立基因與影像特征之間的關(guān)聯(lián)，并進(jìn)行基因集富集分析（gene set enrichment analysis，GSEA），結(jié)果顯示，21個影像特征與71%的基因存在全基因組范圍內(nèi)的關(guān)聯(lián)；12個影像特征和乳腺癌基因集存在顯著關(guān)聯(lián)，11個影像特征與預(yù)后基因集存在關(guān)聯(lián)。該研究初步嘗試了在易感基因和影像特征之間建立聯(lián)系，隨后部分研究人員利用體細(xì)胞基因突變和SNP信息進(jìn)行了類似的研究。Zhu等[19]利用癌癥基因組圖譜和TCIA中 91例乳腺癌患者的基因組信息和 MRI數(shù)據(jù)進(jìn)行了綜合全面的關(guān)聯(lián)分析研究。該研究中的MRI定量影像特征是基于ROI方式獲得的，研究使用的體細(xì)胞突變數(shù)據(jù)來源于外顯子組測序結(jié)果，在選取乳腺癌患者中最常見的體細(xì)胞突變后，引入患者年齡和腫瘤病理學(xué)分級作為調(diào)整參數(shù)，構(gòu)建了以下的一般線性回歸模型用于關(guān)聯(lián)分析。

其中，xi表示患者i的影像特征值，mi表示患者i有無突變的值（0或1），ai表示患者i的年齡，g2,i和g3,i代表患者i的腫瘤病理學(xué)分級，ε為偏差。結(jié)果顯示，某些突變頻率較高的基因與影像特征存在顯著關(guān)聯(lián)，如該研究顯示GATA3基因突變與腫瘤大小、形態(tài)不規(guī)則性以及總熵特征呈負(fù)相關(guān)，由于腫瘤大小、不規(guī)則性等特征通常是反映腫瘤惡性程度和侵襲力的標(biāo)志，因此可以推斷 GATA3基因突變可能不是腫瘤惡化發(fā)展的驅(qū)動突變。

Liu等[11]的研究納入336例患者和375例對照，首次進(jìn)行了乳腺癌SNP特征和影像特征的關(guān)聯(lián)分析，使用55個SNP和49個乳腺X線攝影影像特征，這些影像特征是依據(jù) BI-RADS獲得的定性評估結(jié)果。該研究通過在給定狀態(tài)下，計算SNP和乳腺X線攝影檢查影像特征的條件互信息。

其中，X表示一個離散的SNP特征值，Y表示一個離散的影像特征值，Z代表乳腺癌的狀態(tài)值。研究者利用自助采樣法，按照有無風(fēng)險等位基因?qū)NP特征進(jìn)行二值化處理進(jìn)行分析，結(jié)果表明，有11組SNP-影像特征對與乳腺癌發(fā)生風(fēng)險存在顯著關(guān)系，其中 6對與風(fēng)險增加有關(guān)，5對與風(fēng)險降低有關(guān)。

3.2 基因表達(dá)水平上的關(guān)聯(lián)分析 基因表達(dá)水平上的關(guān)聯(lián)分析是基于基因和蛋白表達(dá)譜數(shù)據(jù)，建立表達(dá)差異特征與影像特征之間的相關(guān)性，從而發(fā)現(xiàn)乳腺癌在轉(zhuǎn)錄翻譯水平上的活動特征與影像表型之間的關(guān)系。乳腺癌相關(guān)基因通路、預(yù)后風(fēng)險評估與影像特征的關(guān)聯(lián)分析均是目前的研究熱點。

基因通路能夠反映乳腺癌在發(fā)生及發(fā)展過程中基因活動和轉(zhuǎn)錄活動的變化規(guī)律。Zhu等[19]從京都基因與基因組百科全書（Kyoto encyclopedia of genes and genomes，KEGG）中獲取乳腺癌相關(guān)的基因通路，利用GSEA尋找與38個影像特征相關(guān)的基因通路。部分結(jié)果顯示，很多KEGG通路與影像特征均存在顯著關(guān)聯(lián)，尤其與病灶體積、有效直徑、表面積和最大線性尺寸呈顯著正相關(guān)，與邊緣銳度、徑向梯度直方圖方差呈顯著負(fù)相關(guān)。同時，該研究還使用 P53、鈣黏素等142種蛋白質(zhì)的RPPA數(shù)據(jù)，借助線性回歸模型，分析蛋白質(zhì)表達(dá)特征與影像特征的相關(guān)性，結(jié)果表明蛋白質(zhì)表達(dá)特征僅與腫瘤的大小和形態(tài)學(xué)特征存在一定的相關(guān)性。

預(yù)后風(fēng)險分析對于術(shù)后治療方案的選擇和生存評估具有重要指導(dǎo)意義。乳腺癌21基因Oncotype DX檢測技術(shù)可通過檢測和分析 21個與乳腺癌密切相關(guān)的基因的RNA表達(dá)量，實現(xiàn)10年內(nèi)復(fù)發(fā)風(fēng)險評分。Ashraf等[25]借助Oncotype DX對56例患者進(jìn)行風(fēng)險評分，并與MRI影像特征進(jìn)行關(guān)聯(lián)分析。研究者通過對影像特征的無監(jiān)督聚類分析，將其分為4個影像表型，然后建立一個多元線性回歸模型，用于分析影像特征與復(fù)發(fā)風(fēng)險的相關(guān)性。結(jié)果表明，MRI影像特征與乳腺癌復(fù)發(fā)風(fēng)險評分之間存在中等程度的相關(guān)性；再將影像表型分類結(jié)果作為附加變量加入分類器中后，ROC曲線下面積從0.77增加到0.82。該研究是最早嘗試了在影像特征和乳腺癌復(fù)發(fā)風(fēng)險評分之間建立聯(lián)系，隨后 Li等[21]和 Wan等[26]于 2016年進(jìn)行了更加深入的研究，擬將影像診斷與臨床分子診斷結(jié)果相結(jié)合，以期對乳腺癌的臨床診療和預(yù)后提供更加全面的指導(dǎo)。

3.3 分子亞型水平上的關(guān)聯(lián)分析 分子亞型是基于分子診斷的分類結(jié)果，體現(xiàn)出一定的臨床差異性，但當(dāng)涉及的患者樣本空間較大時，對所有樣本進(jìn)行基因分析的成本較高，有些研究者會采用免疫組化法獲得乳腺癌分子亞型的分類結(jié)果[27-28]。分子亞型水平上的關(guān)聯(lián)分析指對不同的乳腺癌分子亞型與影像診斷特征進(jìn)行關(guān)聯(lián)分析，挖掘并建立不同分子亞型和影像特征之間的相關(guān)性。結(jié)果可對臨床上乳腺癌的綜合診斷、治療和預(yù)后風(fēng)險分析等均具有較強(qiáng)的參考價值。Mazurowski等[4]利用半自動化方式從48例患者中提取出23個MRI影像特征，通過基因表達(dá)分析獲得4類分子亞型。該研究的關(guān)聯(lián)分析分為兩部分：第一部分是分別對4種分子亞型進(jìn)行多元邏輯回歸分析，影像特征作為自變量，分子亞型是因變量，其目的在于獲取與影像特征存在潛在關(guān)聯(lián)的乳腺癌分子亞型，第二部分工作則是分析特定的分子亞型與每一個影像特征之間具體的關(guān)聯(lián)性。研究者選取了患者年齡、絕經(jīng)期狀態(tài)以及MRI的方向作為模型潛在的混雜變量，用于分析影像特征與特定分子亞型間的關(guān)聯(lián)性，最后用Bonferroni對多重假設(shè)檢驗進(jìn)行校正，結(jié)果表明luminal-B型乳腺癌與動態(tài)造影劑增強(qiáng)特征存在關(guān)聯(lián)（P=0.0015），即病灶增強(qiáng)比和背景組織增強(qiáng)比的比值越高，越可能是luminal-B型。

4 展望

近年來，影像基因組學(xué)在腦失調(diào)性疾病和癌癥的研究中逐漸興起，乳腺癌的影像基因組學(xué)研究始于2012年：從一開始通過統(tǒng)計學(xué)分析的方法在全基因組范圍內(nèi)尋找基因組特征與影像特征之間的聯(lián)系，篩選潛在的候選特征，到現(xiàn)在越來越多的研究去驗證影像特征與特定基因特征間的關(guān)系。作為乳腺癌影像基因組學(xué)研究的主要任務(wù)，建立乳腺癌特定分子亞型與影像特征的關(guān)聯(lián)，一方面有助于尋找能夠替代或輔助免疫組化實現(xiàn)對乳腺癌分子亞型進(jìn)行分類的影像特征，另一方面發(fā)掘特定分子亞型與影像特征的關(guān)聯(lián)，能夠?qū)崿F(xiàn)以非侵入的方式獲得基因及其轉(zhuǎn)錄、翻譯活動的相關(guān)信息，對臨床上實現(xiàn)綜合準(zhǔn)確的非侵入式乳腺癌診斷具有重要作用。乳腺癌影像基因組學(xué)發(fā)展迅速，但也面臨著諸多挑戰(zhàn)，其中最主要的挑戰(zhàn)是符合納入標(biāo)準(zhǔn)的患者樣本量較少。此外，腫瘤病灶的全自動識別與分割難度較大，目前多數(shù)研究仍是基于ROI的方式提取特征，并且存在缺少統(tǒng)一規(guī)范的特征選擇標(biāo)準(zhǔn)的問題[29-30]。盡管如此，隨著大數(shù)據(jù)時代的到來、深度學(xué)習(xí)的發(fā)展以及精準(zhǔn)醫(yī)療的需求，乳腺癌影像基因組學(xué)在可預(yù)見的未來具有廣闊的發(fā)展空間和重要的臨床應(yīng)用潛力。