張恩龍，李 媛

1北京大學(xué)國際醫(yī)院放射科，北京 102206

2北京大學(xué)第三醫(yī)院放射科，北京 100191

腦轉(zhuǎn)移瘤是成人最常見的顱內(nèi)腫瘤，在腫瘤轉(zhuǎn)移患者中的發(fā)生率約為20%～40%[1]。研究顯示，80%的腦轉(zhuǎn)移來源于肺癌、乳腺癌、腎癌、黑色素瘤和胃腸道腫瘤，其中，以肺癌和乳腺癌腦轉(zhuǎn)移在臨床中最常見[2]。腦轉(zhuǎn)移瘤作為全身腫瘤的繼發(fā)腫瘤，具有發(fā)病隱匿、進(jìn)展快、預(yù)后差的特點，因此其精準(zhǔn)診斷、明確原發(fā)部位及早期療效評價對臨床治療及預(yù)后評估非常重要。影像組學(xué)作為一種新興的圖像分析方法，可以從醫(yī)學(xué)影像中高通量提取定量特征來描述腫瘤特征和異質(zhì)性等生物學(xué)信息，進(jìn)而指導(dǎo)臨床實踐[3]。影像組學(xué)的研究方法通常包括圖像采集、圖像分割、特征提取和數(shù)據(jù)分析與建模，重點是進(jìn)行圖像的特征提取。近年來隨著影像組學(xué)的廣泛研究，腦轉(zhuǎn)移瘤的精準(zhǔn)檢測定位、與其他腦腫瘤的鑒別診斷、原發(fā)腫瘤的判別、療效評價及預(yù)后預(yù)測等方面取得很大的進(jìn)展，本文就腦轉(zhuǎn)移瘤影像組學(xué)的研究現(xiàn)狀和臨床應(yīng)用進(jìn)行了綜述。

腦轉(zhuǎn)移瘤精準(zhǔn)檢測和分割

確定腦腫瘤病灶數(shù)量、病變范圍及描述與疾病進(jìn)展或治療相關(guān)的腫瘤體積變化是放射科醫(yī)師的工作重點，對腫瘤治療方案的選擇有重要意義。圖像分割是影像組學(xué)實際應(yīng)用的關(guān)鍵一步，同時也是最具挑戰(zhàn)和爭議的部分，其對結(jié)果的魯棒性起著重要作用。影像組學(xué)主要提取形狀、灰度、紋理等圖像特征，采用支持向量機(jī)(support-vector machine，SVM)、隨機(jī)森林、XGBoost等傳統(tǒng)統(tǒng)計(模式識別)模型進(jìn)行分類和預(yù)測。深度學(xué)習(xí)則直接使用卷積網(wǎng)絡(luò)(convolution neural network，CNN)來提取特征，結(jié)合全連接層等完成分類和預(yù)測。深度學(xué)習(xí)能夠大幅提高分類或預(yù)測模型的準(zhǔn)確性，但相比影像組學(xué)，深度學(xué)習(xí)方法需要更多的訓(xùn)練數(shù)據(jù)。將影像組學(xué)與深度學(xué)習(xí)兩者結(jié)合具有更廣闊的應(yīng)用前景，是目前影像學(xué)發(fā)展的熱點。圖像分割的方法主要有手動分割、半自動分割及自動分割。不同的分割方法對腫瘤感興趣區(qū)域(region of interest，ROI)存在一定影響，勢必會影響到影像組學(xué)特征。手動分割法被應(yīng)用于大多數(shù)影像學(xué)研究中，其優(yōu)勢在于準(zhǔn)確度高且對不規(guī)則的腫瘤邊界勾畫精細(xì)，但傳統(tǒng)人工檢測和手動分割耗時費力，并且在不同水平的醫(yī)師之間存在一定差異，可重復(fù)性低。自動或半自動分割法則表現(xiàn)出較高的可重復(fù)性和時效性，其中半自動分割法為目前影像組學(xué)圖像分割的主要方法。自動分割法可以實現(xiàn)排除人為因素，更好地達(dá)到自動化、可重復(fù)且效率高的效果。實現(xiàn)ROI的自動分割法將是未來影像組學(xué)圖像分割的一個重要研究方向。用CNN來分割ROI，是實現(xiàn)影像組學(xué)分析自動化的一個具體且直接的需求。有研究同時采用了基于特征的隨機(jī)森林分割模型和基于CNN的無特征分割模型來分割ROI，并將二者的分割輸出相融合。在特征分割中融合采用了多種特征，在無特征分割中綜合采用了Deep CNN、U-Net和FCN 3種網(wǎng)絡(luò)模型。這項工作提出了一種基于深度學(xué)習(xí)的影像組學(xué)全自動化的膠質(zhì)母細(xì)胞瘤分割和生存預(yù)測的新框架。引入了幾種基于深度學(xué)習(xí)和影像組學(xué)的分割算法及語義標(biāo)簽融合算法，來獲得足夠的分割性能。該方法用于膠質(zhì)母細(xì)胞瘤患者生存預(yù)測的訓(xùn)練和驗證準(zhǔn)確性是目前文獻(xiàn)報道中最高的[4]。利用深度學(xué)習(xí)對腦轉(zhuǎn)移瘤病灶分割進(jìn)行亞組分析的研究報道較少。最新研究利用基于CNN的深度學(xué)習(xí)方法在多序列MR圖像上實現(xiàn)了腦轉(zhuǎn)移瘤的自動檢測和分割，研究回顧了156例不同原發(fā)腫瘤的腦轉(zhuǎn)移瘤患者治療前T1WI及增強(qiáng)T1WI的圖像，使用基于GoogLeNet架構(gòu)的2.5D網(wǎng)絡(luò)進(jìn)行CNN訓(xùn)練，并評價其對轉(zhuǎn)移灶較少(1～3個)、多發(fā)(4～10個)和很多發(fā)(>10個)的鑒別能力，結(jié)果顯示基于多序列MRI深度學(xué)習(xí)方法能較準(zhǔn)確地自動檢測和分割腦轉(zhuǎn)移灶，所有患者的ROC曲線下面積(area under curve，AUC)均值為0.98±0.04，亞組間的AUC分別為0.99±0.01、0.97±0.05和0.97±0.03[5]。另有學(xué)者應(yīng)用CNN在基于MR圖像自動檢測和分割腦轉(zhuǎn)移瘤的基礎(chǔ)上，嘗試區(qū)分轉(zhuǎn)移組織中的活性部分與壞死部分，同樣證實了深度學(xué)習(xí)在腫瘤精準(zhǔn)檢測和分割領(lǐng)域的巨大價值[6]。

綜上，不同的分割方法對腫瘤ROI存在一定影響，從而影響影像組學(xué)特征。因此，隨著人工智能技術(shù)的不斷進(jìn)步，在醫(yī)學(xué)圖像上自動檢測和分割器官或腫瘤病灶必將成為當(dāng)今醫(yī)學(xué)領(lǐng)域的主要研究課題。

腦轉(zhuǎn)移瘤精準(zhǔn)診斷

腦轉(zhuǎn)移瘤與其他顱內(nèi)腫瘤鑒別腦轉(zhuǎn)移瘤和膠質(zhì)母細(xì)胞瘤(glioblastoma，GBM)是成人常見的惡性腦腫瘤，對兩者的準(zhǔn)確鑒別意義重大，因為兩者的疾病分期、手術(shù)計劃和治療決策完全不同[7]。GBM很少累及中樞神經(jīng)系統(tǒng)以外的組織，通常不需要進(jìn)行系統(tǒng)檢查，而對于懷疑是腦轉(zhuǎn)移瘤但尚未發(fā)現(xiàn)原發(fā)腫瘤的患者，查明原發(fā)腫瘤并進(jìn)行腫瘤分期評估十分重要。GBM和單發(fā)轉(zhuǎn)移瘤有時在常規(guī)MRI上的表現(xiàn)相似，都可表現(xiàn)為T1WI不均勻稍低信號，T2WI稍高或高信號，且常合并瘤周水腫，特別是在表現(xiàn)不典型時，利用常規(guī)影像學(xué)進(jìn)行鑒別往往比較困難，在原發(fā)腫瘤病史不明確的情況下，很有可能會誤診。

國內(nèi)外應(yīng)用影像組學(xué)進(jìn)行兩者鑒別的研究較多[8- 13]。Tateishi等[9]回顧性分析了73例GBM和53例轉(zhuǎn)移瘤的常規(guī)MR圖像，包括T2WI、ADC圖和增強(qiáng)T1WI，并提出了SVM的機(jī)器學(xué)習(xí)方法預(yù)測模型，并將機(jī)器學(xué)習(xí)的診斷性能與3位放射科醫(yī)師的判斷進(jìn)行比較，結(jié)果顯示根據(jù)MRI紋理參數(shù)區(qū)分GBM和轉(zhuǎn)移瘤時，其分類性能與放射科醫(yī)生相當(dāng)。也有研究討論了用于兩者鑒別的影像組學(xué)最佳機(jī)器學(xué)習(xí)分類器，結(jié)果顯示SVM聯(lián)合LASSO分類器具有最高的預(yù)測性能，其分類準(zhǔn)確性(0.83)、敏感性(0.80)和特異性(0.87)均優(yōu)于放射科醫(yī)師[11]。另外有研究使用基于增強(qiáng)T1WI的影像組學(xué)并應(yīng)用多種機(jī)器學(xué)習(xí)算法來鑒別GBM和不同來源的轉(zhuǎn)移瘤，結(jié)果顯示應(yīng)用SVM分類器獲得了最佳的GBM與轉(zhuǎn)移瘤鑒別結(jié)果，準(zhǔn)確度為0.85，靈敏度為0.86，特異性為0.85，AUC高達(dá)0.96，而GBM和轉(zhuǎn)移瘤亞型之間的分類可能需要其他MR序列進(jìn)一步提高診斷準(zhǔn)確率[10]。

除了針對腫瘤本身的研究外，也有研究者關(guān)注瘤周水腫情況。轉(zhuǎn)移瘤及GBM均可有瘤周水腫，但GBM是浸潤性病變可侵襲周圍組織，而轉(zhuǎn)移瘤為非浸潤性病變，這可能導(dǎo)致兩種腫瘤周圍水腫區(qū)存在生物學(xué)差異，如細(xì)胞類型、水腫類型、血管生成情況等[14]。因此，如果能利用瘤周水腫區(qū)的生物學(xué)差異來提高兩者鑒別診斷的準(zhǔn)確性，將有助于指導(dǎo)下一步臨床治療。Skogen等[15]采用基于擴(kuò)散張量成像(diffusion tensor imaging，DTI)的紋理分析對GBM和轉(zhuǎn)移瘤的腫瘤組織和瘤周水腫的異質(zhì)性進(jìn)行定量分析評價，結(jié)果顯示GBM與轉(zhuǎn)移瘤的腫瘤實體組織部分的異質(zhì)性差異無統(tǒng)計學(xué)意義，而GBM瘤周水腫區(qū)的異質(zhì)性明顯高于轉(zhuǎn)移瘤。同樣有學(xué)者在提取瘤周水腫區(qū)的影像組學(xué)特征基礎(chǔ)上探討了機(jī)器學(xué)習(xí)方法對兩者的鑒別診斷價值，該研究根據(jù)選取的特征和訓(xùn)練數(shù)據(jù)集，構(gòu)建了5個基本分類器，包括決策樹(decision tree，DT)、SVM、神經(jīng)網(wǎng)絡(luò)(neural network，NN)、樸素貝葉斯(naive Bayes，NB)和k-近鄰(k-nearest neighbour，KNN)分類器，這5種分類器都屬于監(jiān)督學(xué)習(xí)范疇，但采用不同的算法，每種分類器都有各自的優(yōu)點和局限性。結(jié)果顯示5種分類器單獨應(yīng)用時的準(zhǔn)確率、敏感度和特異度有較大差異，而聯(lián)合使用時可獲得最佳診斷效能[8]。

應(yīng)用瘤周水腫的生物學(xué)差異不僅可鑒別轉(zhuǎn)移瘤和GBM，也有部分研究將其應(yīng)用于轉(zhuǎn)移瘤與其他腦原發(fā)腫瘤的鑒別診斷，如國內(nèi)學(xué)者就對瘤周水腫區(qū)MRI紋理分析在中樞神經(jīng)系統(tǒng)淋巴瘤(central nervous system lymphoma，CNSL)和轉(zhuǎn)移瘤、GBM和轉(zhuǎn)移瘤鑒別診斷中的潛在應(yīng)用價值進(jìn)行了探討[16- 17]。王敏紅等[16]回顧性分析了40例GBM和40例轉(zhuǎn)移瘤患者M(jìn)R圖像，在T1WI、T2WI、FLAIR及增強(qiáng)T1WI共4個序列上腫瘤瘤周水腫最明顯的層面勾畫ROI，并提取其紋理特征，比較兩者直方圖參數(shù)的差異，結(jié)果表明FLAIR序列偏度值(SkewFLAIR)及FLAIR序列峰度值(KurtFLAIR)對兩者有鑒別診斷價值，診斷模型的敏感度為77.5%，特異度為94.3%，AUC為0.85。沙壯等[17]采用相似的研究方法分析了21例CNSL和15例顱內(nèi)單發(fā)轉(zhuǎn)移瘤，結(jié)果發(fā)現(xiàn)異質(zhì)性、偏度、峰度及熵值在兩者間的差異均具有統(tǒng)計學(xué)意義，其中峰度參數(shù)鑒別兩者的效能較高，將異質(zhì)性、偏度、峰度及熵值紋理參數(shù)聯(lián)合后，其鑒別效能有所提高，其中異質(zhì)性聯(lián)合峰度參數(shù)鑒別效能最佳，AUC達(dá)0.943。

因此，應(yīng)用影像組學(xué)的先進(jìn)技術(shù)，通過對腫瘤區(qū)及瘤周水腫區(qū)的深入分析，可以實現(xiàn)轉(zhuǎn)移瘤與多種腦腫瘤的準(zhǔn)確鑒別，尤其對瘤周水腫的紋理分析可為鑒別診斷提供可靠且可量化的客觀依據(jù)，但也有一些局限性，如獲得的有鑒別診斷價值的參數(shù)較少，無法全面分析瘤周水腫的全部特征，同時腦轉(zhuǎn)移瘤的病理類型比較少，可能會產(chǎn)生偏倚。

腦轉(zhuǎn)移瘤原發(fā)腫瘤的判別研究不同原發(fā)腫瘤的腦轉(zhuǎn)移發(fā)生率不同，如肺癌為41%～56%，乳腺癌為13%～30%，惡性黑色素瘤為6%～11%，胃腸道腫瘤為6%～9%，其他或未知腫瘤為4%～20%[18]。腦轉(zhuǎn)移患者可分為以下3類：(1)原發(fā)腫瘤診斷后分期診斷出的腦轉(zhuǎn)移瘤；(2)原發(fā)腫瘤診斷前診斷出的腦轉(zhuǎn)移瘤；(3)腦轉(zhuǎn)移瘤和原發(fā)腫瘤同時被診斷[19]。對于后兩類，快速有效地識別原發(fā)腫瘤對于患者的預(yù)后和治療方案的選擇至關(guān)重要。

有研究表明，MRI紋理分析可以通過識別不同原發(fā)腫瘤腦轉(zhuǎn)移瘤間的生物學(xué)差異來判別原發(fā)腫瘤，研究者分析了32例肺癌和26例乳腺癌腦轉(zhuǎn)移患者增強(qiáng)T1WI的2D和3D紋理特征，能夠準(zhǔn)確區(qū)分兩種腫瘤類型結(jié)構(gòu)差異[20]。此外也有研究證實，3D紋理分析可以更準(zhǔn)確地捕獲組織異質(zhì)性，3D紋理特征比傳統(tǒng)的2D紋理特征更適合進(jìn)行肺癌腦轉(zhuǎn)移瘤分別與乳腺癌及黑色素瘤腦轉(zhuǎn)移瘤的鑒別診斷，AUC最高可分別達(dá)到0.963±0.054和0.936±0.070[21]。Yin等[22]分析了腦結(jié)構(gòu)與腦轉(zhuǎn)移發(fā)生之間的關(guān)系，并提出了基于MRI數(shù)據(jù)能夠在6個月或1年內(nèi)可靠預(yù)測非小細(xì)胞肺癌患者發(fā)生腦轉(zhuǎn)移時間的模型。Kniep等[23]分析了乳腺癌(143例)、小細(xì)胞肺癌(151例)、非小細(xì)胞肺癌(225例)、胃腸道癌(50例)和黑色素瘤(89例)患者T1WI、增強(qiáng)T1WI、FLAIR圖像的影像組學(xué)特征，采用隨機(jī)森林機(jī)器學(xué)習(xí)算法對定量圖像特征和基本臨床數(shù)據(jù)進(jìn)行評價，結(jié)果顯示機(jī)器學(xué)習(xí)的預(yù)測性能優(yōu)于放射醫(yī)師的診斷結(jié)果，對預(yù)測腦轉(zhuǎn)移瘤的類型具有較高的判別準(zhǔn)確率。也有研究探討肺癌腦轉(zhuǎn)移的不同亞型間鑒別的可行性，結(jié)果發(fā)現(xiàn)基于紋理的病灶分類對不同亞型肺癌的腦轉(zhuǎn)移瘤具有高度特異性，小細(xì)胞肺癌、鱗癌、腺癌和大細(xì)胞肺癌的誤分類率分別為3.1%、4.3%、5.8%和8.1%，表明紋理參數(shù)反映了腫瘤的組織病理學(xué)結(jié)構(gòu)，可作為臨床準(zhǔn)確診斷的輔助工具[24]。

綜上，機(jī)器學(xué)習(xí)可以通過捕獲不同原發(fā)腫瘤腦轉(zhuǎn)移瘤的內(nèi)在異質(zhì)性，客觀、定量地反映生物學(xué)特征，初步實現(xiàn)對原發(fā)腫瘤的判別，其預(yù)測性也能優(yōu)于放射醫(yī)師，能減少放射醫(yī)師的診斷工作量，具有潛在的應(yīng)用前景。由于目前多數(shù)研究只納入了腦轉(zhuǎn)移瘤最常見的原發(fā)腫瘤，而其他來源的腦轉(zhuǎn)移瘤(如來自腎癌、結(jié)直腸癌及其他少見腫瘤)未納入研究，未來還需進(jìn)一步擴(kuò)大研究范圍，細(xì)化樣本分類，將所有可能的原發(fā)腫瘤都納入研究，建立可靠的預(yù)測模型。

腦轉(zhuǎn)移瘤療效評價及預(yù)后預(yù)測

腦轉(zhuǎn)移瘤復(fù)發(fā)進(jìn)展與放射損傷的鑒別立體定向放射治療(stereotactic radiation therapy，SRT)是腦轉(zhuǎn)移瘤的有效治療方式之一，但有相當(dāng)一部分病例在治療后會發(fā)生進(jìn)展，局部失敗率可達(dá)27%～33%[25]。對局部進(jìn)展的判斷不能單純以腫瘤體積增大為標(biāo)準(zhǔn)，因為兩者不總是一致[26]。SRT可能導(dǎo)致局部輻射劑量超過正常腦組織的耐受水平，出現(xiàn)放射損傷，發(fā)生率為5%～34%[27]。放射損傷主要包括炎癥、血管損傷和壞死等一系列病理學(xué)改變[28]，其中，放射性壞死的發(fā)生率高達(dá)26%[27]。區(qū)分真正進(jìn)展與放射性壞死的金標(biāo)準(zhǔn)當(dāng)前仍需要病理學(xué)診斷，常規(guī)MRI常常無法準(zhǔn)確鑒別二者[29]。因此，有學(xué)者對MRI的影像組學(xué)特征是否可以預(yù)測真性進(jìn)展進(jìn)行了探討，作者采用治療前基于增強(qiáng)T1WI和FLAIR圖像并應(yīng)用混合支持向量機(jī)模型IsoSVM進(jìn)行真性進(jìn)展的預(yù)測分類，結(jié)果顯示出65.38%的靈敏度和86.67%的特異度，而放射醫(yī)師的預(yù)測靈敏度為97%，特異度為19%，提示模型可顯著提高人工預(yù)測的特異度[30]。也有類似的研究同樣提示影像組學(xué)可作為傳統(tǒng)放射檢查的輔助手段[31]。在鑒別轉(zhuǎn)移瘤復(fù)發(fā)和放射性壞死的影像組學(xué)研究中，Larroza等[32]建立基于增強(qiáng)T1WI紋理特征和SVM的分類模型，并獲得較高的分類準(zhǔn)確率(AUC>0.9)。也有類似研究于常規(guī)MRI(T1WI、T2WI、FLAIR)圖像提取影像組學(xué)特征，結(jié)果同樣顯示影像組學(xué)可提供輔助診斷信息[33]。最近有研究表明，通過靜態(tài)和動態(tài)氨基酸類示蹤劑PET掃描獲得的成像參數(shù)，可提高放射損傷與復(fù)發(fā)鑒別診斷的準(zhǔn)確度，其準(zhǔn)確率高達(dá)80%～90%[34]。其中，動態(tài)O-(2-18F-氟代乙基)-L-酪氨酸(18F-FET)PET圖像采集、數(shù)據(jù)重建和分析耗時較長，花費較高，尚未在臨床應(yīng)用。Lohmann等[35]首次報道了基于CE-MRI和靜態(tài)FET PET圖像的PET/MRI聯(lián)合影像組學(xué)在腦轉(zhuǎn)移患者復(fù)發(fā)和放射損傷鑒別診斷中的有效性，結(jié)果顯示兩種技術(shù)聯(lián)合的鑒別診斷準(zhǔn)確率高達(dá)89%，而單獨應(yīng)用兩種技術(shù)準(zhǔn)確率則稍低(CE-MRI為82%，F(xiàn)ET PET為83%)，該方法可避免動態(tài)FET PET采集的繁瑣過程。

腦轉(zhuǎn)移瘤療效及預(yù)后預(yù)測對腦轉(zhuǎn)移瘤治療反應(yīng)的評價通常遵循《神經(jīng)腫瘤學(xué)反應(yīng)評價》制定的標(biāo)準(zhǔn)，即基于增強(qiáng)T1WI測量病變的范圍[36]。然而，SRT治療后的腫瘤體積變化可能需要幾個月的時間才能在后續(xù)的影像學(xué)檢查圖像中顯現(xiàn)出來。此外，早期病灶體積的變化并不總是與腫瘤的長期局部控制相關(guān)[37]。因此，對SRT早期療效的評價至關(guān)重要，可以幫助治療方案及時調(diào)整，以期改善治療效果。Karami等[37]采用基于常規(guī)MRI的影像組學(xué)尋找可預(yù)測SRT腦轉(zhuǎn)移患者局部失敗的定量生物標(biāo)記物，結(jié)果表明最佳的定量生物標(biāo)記物主要由反映腫瘤周圍區(qū)域異質(zhì)性的特征組成，原因是這些區(qū)域可能也含有少量腫瘤細(xì)胞，但常規(guī)MRI不能很好顯示出來。這也與以往相關(guān)研究結(jié)果一致，該研究顯示腫瘤邊緣微觀結(jié)構(gòu)的異質(zhì)性與腫瘤對治療的反應(yīng)具有良好的相關(guān)性[38]。以往針對療效評價的大多數(shù)研究都集中在腫瘤本身，但這項研究的結(jié)果表明應(yīng)該對包括整個病灶及其周圍區(qū)域進(jìn)行全面評估以挖掘更多生物學(xué)信息，從腫瘤邊緣及周圍水腫區(qū)提取的特征比單純從腫瘤本身提取的特征顯示出更佳的預(yù)測能力。此外有研究嘗試在影像學(xué)的基礎(chǔ)上結(jié)合臨床數(shù)據(jù)來預(yù)測放療在局部腫瘤控制方面的有效性，研究回顧性分析了161例非小細(xì)胞肺癌腦轉(zhuǎn)移患者(共576個轉(zhuǎn)移灶)的臨床數(shù)據(jù)和治療前MRI，手動分割并提取影像組學(xué)特征，采用一致聚類進(jìn)行特征選擇，結(jié)果顯示增強(qiáng)T1WI的影像組學(xué)特征—“zone percentage”是局部腫瘤控制的獨立預(yù)后因素[39]。另一項研究評價了基于CT圖像并使用CNN模型預(yù)測轉(zhuǎn)移瘤SRT的早期療效，研究者將完全或部分有反應(yīng)者定為有反應(yīng)者，病情穩(wěn)定或進(jìn)展定為無反應(yīng)者，數(shù)據(jù)集被隨機(jī)分配到訓(xùn)練組、驗證組和評估組，這種隨機(jī)分配被重復(fù)50次，以創(chuàng)建50個獨立的數(shù)據(jù)集組合。隨機(jī)分配滿足以下條件：首先，將50個組合劃分為5組，每組10個不同的數(shù)據(jù)集組合，每組被分配相同的評估數(shù)據(jù)集，但不同的訓(xùn)練和驗證數(shù)據(jù)集。其次，在5組中，有反應(yīng)者與無反應(yīng)者數(shù)據(jù)集的比例保持一致。該研究一共建立了10個CNN模型。結(jié)果顯示110個轉(zhuǎn)移灶中的57個歸為有反應(yīng)病灶，53個歸類為無反應(yīng)病灶，通過基于CNN模型學(xué)習(xí)病灶的CT圖像特征，每個CNN模型的50個數(shù)據(jù)集的AUC范圍為0.602～0.826，而集合模型的AUC(對同一組中10個單獨模型的預(yù)測結(jié)果進(jìn)行平均)的范圍為0.761～0.856。表明基于CNN模型能夠從小型數(shù)據(jù)集中預(yù)測腦轉(zhuǎn)移瘤的SRT療效，進(jìn)而有助于預(yù)測患者預(yù)后[40]。

以上諸多關(guān)于放療后療效評價和預(yù)后預(yù)測的研究從各個方面反映影像組學(xué)特征通過提示腫瘤的生物學(xué)特征及微環(huán)境的異質(zhì)性，可作為療效評價和預(yù)測預(yù)后的有效生物標(biāo)志物，但是還存在一定的局限性，最重要的是從這些研究中識別的生物標(biāo)志物缺乏可重復(fù)性，未來還需要進(jìn)一步深入探討。

結(jié) 語

綜上，目前影像組學(xué)在腦轉(zhuǎn)移瘤應(yīng)用中的具體方向主要包括圖像檢測分割、精準(zhǔn)診斷及鑒別診斷、療效評價及預(yù)后預(yù)測?；谛螒B(tài)學(xué)成像和功能成像的影像組學(xué)技術(shù)的多數(shù)研究都被證實可以初步進(jìn)行腦轉(zhuǎn)移瘤的診斷與鑒別診斷、療效評價以及預(yù)后預(yù)測，可以挖掘傳統(tǒng)影像無法提供的生物學(xué)信息，因此，影像組學(xué)在協(xié)助腦轉(zhuǎn)移瘤患者的個體化治療決策方面具有廣闊的應(yīng)用前景。但是，目前關(guān)于影像組學(xué)的研究總體上還存在諸多局限性，如研究流程規(guī)范不完善，質(zhì)量控制體系不嚴(yán)格等。而在腦轉(zhuǎn)移瘤的應(yīng)用研究方面，同樣需要進(jìn)一步探索。在未來，如何多中心的擴(kuò)大研究樣本量，增加不同病理類型的腦轉(zhuǎn)移瘤，還需要進(jìn)行影像學(xué)—病理的大樣本研究，以增加結(jié)果可靠性。此外，如何統(tǒng)一數(shù)據(jù)采集標(biāo)準(zhǔn)、如何選擇可靠的ROI及如何精確而規(guī)范地進(jìn)行病灶分割和特征提取，均需要不斷形成標(biāo)準(zhǔn)化操作流程。相信隨著關(guān)鍵科學(xué)問題和技術(shù)的不斷探索與進(jìn)步，工作流程不斷標(biāo)準(zhǔn)化，影像組學(xué)必將在整個醫(yī)學(xué)領(lǐng)域得到廣泛應(yīng)用。