謝玉海， 周運鋒， 韓劍劍， 馬培旗

中國女性乳腺癌的發(fā)病人數(shù)和死亡人數(shù)均居世界首位，且呈逐年上升的趨勢[1]。張圣澤等[2]通過對326例女性乳腺癌患者的臨床資料進行分析，發(fā)現(xiàn)腋窩淋巴結(axillary lymph node,ALN)轉移不僅是影響患者5年總生存時間(overall survival,OS)的獨立危險因素，也是影響患者無病生存時間(disease free survival,DFS)的獨立預后因素。李聰?shù)萚3]研究也進一步表明ALN狀態(tài)是影響乳腺癌患者DFS和OS的獨立影響因素。ALN清掃術雖是診斷淋巴結是否轉移的金標準[4]，但其術后并發(fā)癥較多，如上肢淋巴水腫等[5]，嚴重影響患者的術后生活質(zhì)量。因此，術前準確評估ALN是否轉移對臨床診療方案的制定至關重要。臨床上常用的影像學檢查技術包括超聲、乳腺X線攝影和MRI，但傳統(tǒng)的影像學分析對乳腺癌腋窩淋巴結轉移情況無法精準評價[6-9]。影像組學作為一種新興技術，它通過提取肉眼無法觀察的高通量特征來預測惡性腫瘤的生物學行為，目前在乳腺癌中的應用已成為學術研究熱點。本文就影像組學在乳腺癌腋窩淋巴結轉移評估中的研究進展進行綜述。

影像組學的概述及流程

2010年美國學者Gillies等[10]最早提出影像組學(Radiomics)的概念，后經(jīng)荷蘭學者Lambin等[11]進一步總結完善，于2016年被Radiology正式命名。它是從醫(yī)學影像圖像中提取高通量特征參數(shù)并創(chuàng)建高維數(shù)據(jù)集，其研究流程主要包括標準化高質(zhì)量影像圖像的獲取、圖像分割、高通量影像特征的提取和降維、預測模型的建立。

超聲影像組學在乳腺癌腋窩淋巴結轉移評估中的應用

超聲具有價廉、便捷、無創(chuàng)等特點，是目前乳腺癌篩查最常用的檢查技術手段之一。Qiu等[12]通過對196例乳腺癌患者的超聲影像資料進行回顧性分析，發(fā)現(xiàn)影像組學構建的Logistic回歸模型對乳腺癌腋窩淋巴結轉移具有中等的預測能力，在訓練組和驗證組的診斷效能分別為0.778和0.725，且在篩選的最優(yōu)特征中以熵的權重系數(shù)最高；該研究結果表明基于超聲影像組學模型對乳腺癌ALN是否轉移的預測具有一定價值。也有學者研究表明，基于灰階超聲的影像組學模型在驗證組對乳腺癌ALN轉移的預測效能優(yōu)于放射科醫(yī)生的診斷能力[13]，其AUC、敏感度和特異度分別為0.680、68.0%、79.4%和0.630、52.0%、73.5%。Yu等[14]通過對426例早期浸潤性乳腺癌患者的超聲圖像利用手動分割方法，并采用最小絕對收縮和選擇算子算法，最終從96個特征中篩選出14個最優(yōu)特征構建影像組學標簽，該標簽在訓練組和驗證組預測腋窩淋巴結轉移的曲線下面積(area under curve,AUV)分別為0.780和0.710，該標簽聯(lián)合腫瘤大小、超聲診斷的ALN狀態(tài)組成的列線圖預測ALN轉移具有更高的診斷效能，在驗證組和訓練組中的AUC分別為0.840和0.810。Gao等[15]聯(lián)合超聲影像組學特征、年齡和病變大小構建的模型判斷T1/T2期浸潤性乳腺癌ALN狀態(tài)，結果表明該模型具有較好的預測效能，其在訓練組和驗證組的AUC分別為0.846和0.733。Zheng等[16]將腋窩淋巴結轉移情況分成三組，即N0、N+(1-2)和N+(≥3)三組，采用卷積神經(jīng)網(wǎng)絡(residual neural network,ResNet)方法提取乳腺癌常規(guī)超聲與剪切波彈性成像的特征構成的影像組學模型，對鑒別N0與N+、N+(1-2)與N+(≥3)均具有較高的診斷效能，其在訓練組、驗證組、獨立測試組的AUC分別為0.850、0.804、0.796和0.874、0.800、0.777，該作者還進一步分析了影像組學特征聯(lián)合臨床指標(包括患者年齡、腫塊大小、BI-RADS分級、腫瘤類型、ER、PR、her-2和Ki-67增殖指數(shù))構建的模型對淋巴結狀態(tài)的診斷效能，結果表明聯(lián)合模型在訓練組、驗證組和獨立測試組的診斷能力均高于單獨的影像組學模型，其AUC分別為0.936、0.904、0.902和0.956、0.925、0.905；該研究結果進一步證實了影像組學特征聯(lián)合臨床指標對預測乳腺癌ALN的診斷能力更高。Sun等[17]利用超聲乳腺癌圖像，分別對瘤體區(qū)、瘤周區(qū)、瘤體和瘤周聯(lián)合區(qū)建立了3個深度卷積神經(jīng)網(wǎng)絡和3個影像組學模型，通過比較發(fā)現(xiàn)對于深度卷積神經(jīng)網(wǎng)絡和影像組學模型，瘤體和瘤周聯(lián)合區(qū)預測ALN轉移具有較高的診斷效能，在訓練組和驗證組的AUC分別為0.957和0.912、0.940和0.886；與影像組學模型相比，各區(qū)的深度卷積神經(jīng)網(wǎng)絡對預測乳腺癌ALN轉移的效能更高。

數(shù)字乳腺X線攝影影像組學在乳腺癌腋窩淋巴結轉移評估中的應用

數(shù)字乳腺X線攝影因具有較高的分辨率且操作便捷等優(yōu)點，是乳腺癌最常用的檢查方法之一。譚紅娜等[18]分別從乳腺X線內(nèi)外斜位(MLO)、頭尾位(CC)圖像上提取影像組學特征，利用最小絕對收縮與選擇算法(least absolute shrinkage and selection operator，LASSO)從MLO、CC和MLO聯(lián)合CC圖像中分別提取與ALN轉移相關的高維特征9個、3個和7個，并結合臨床特征分別構建單獨MLO、CC、MLO聯(lián)合CC、臨床特征、臨床特征聯(lián)合MLO和CC圖像的高維特征5個模型，使用10折交叉驗證模型對ALN轉移的預測能力，結果表明在驗證組中，MLO聯(lián)合CC圖像的模型預測效能最高，其AUC為0.740，均高于其他4種模型；該研究結果證實乳腺X線影像組學特征可用于術前ALN轉移的預測。張玉嬌等[19]研究結果表明單獨從乳腺X線CC位提取的組學特征模型對ALN轉移的預測也具有較高的效能，其AUC、敏感度、特異度在訓練組和驗證組分別為0.760、72.41%、70.83%和0.742、62.96%、77.42%，組學特征聯(lián)合腫瘤大小可將訓練組和驗證組的診斷效能分別提高到0.808和0.811。Yang等[20]利用MatlabR2016b軟件，采用半自動分割方式，從乳腺X線圖像中提取瘤體299個特征，通過LASSO回歸算法選取10個最優(yōu)特征構建支持向量機(support vector machines,SVM)模型，該模型預測ALN轉移的AUC在訓練組和驗證組分別為0.895和0.875。Tan等[21]研究表明由基于乳腺X線攝影的影像組學特征聯(lián)合分子亞型、PR狀態(tài)組成的組合模型對ALN轉移的預測效能優(yōu)于影像組學模型，組合模型在驗證組和訓練組的AUC分別為0.883和0.863。

MRI影像組學在乳腺癌腋窩淋巴結轉移評估中的應用

MRI具有多方位、多參數(shù)成像以及軟組織分辨率高等優(yōu)點，在乳腺中的應用越來越廣泛。國內(nèi)學者單嫣娜等[22]研究結果表明基于淋巴結MRI影像組學特征構建的Logistic回歸模型能術前無創(chuàng)地對乳腺癌ALN轉移的風險作出有效評估，其AUC、敏感度、特異度和準確度分別為0.953、89.3%、92.6%和92.6%，單個組學特征中以表容積的預測效能最高，AUC為0.931。Han等[23]從411例乳腺癌患者的術前磁共振動態(tài)對比增強(dynamic contrast-enhanced MRI,DCE-MRI)掃描第1期圖像中提取了808個瘤體的影像組學特征，通過構建Logistic回歸模型評估所提取的最優(yōu)影像組學特征與乳腺癌ALN轉移的關系，結果顯示其在訓練組和驗證組預測ALN轉移的AUC、敏感度和特異度分別為0.760、89.0%、57.0%和0.780、78.0%、72.0%；該研究表明基于瘤體DCE-MRI的影像組學特征對術前預測ALN轉移具有較高的診斷效能。Mao等[24]利用LASSO算法最終從MRI多期增強圖像中的強化峰值期篩選3個非零系數(shù)構建的模型預測ALN轉移具有中等診斷效能，在驗證組和訓練組的AUC分別為0.780和0.790，該影像組學特征聯(lián)合MRI診斷的ALN狀態(tài)構建的模型對預測ALN轉移具有更高的診斷效能，在驗證組和訓練組的AUC分別為0.920和0.900。邢滔等[25]研究表明，基于STIR T2WI、DWI和DCE-MRI的紋理參數(shù)模型對預測乳腺癌ALN轉移的AUC、敏感度和特異度分別為0.902、91.3%和78.6%，其中熵對乳腺癌ALN轉移的預測效能最優(yōu)，這與夏旭東等[26]的研究結果一致。Yu等[27]進行了一項多中心研究，通過回顧性分析四家醫(yī)院共1214例早期乳腺癌患者的MRI影像資料(包括增強T1WI、T2WI和擴散加權成像ADC圖)，按照7:3隨機分為訓練組和驗證組，根據(jù)LASSO和隨機森林算法，采用Logistic回歸和支持向量機(SVM)模型，構建LASSO-Logistic回歸模型、LASSO-SVM模型、隨機森林Logistic回歸模型和隨機森林-SVM模型，該研究結果表明在預測早期乳腺癌ALN轉移方面，LASSO-Logistic回歸模型的預測能力最強，其在訓練組和驗證組中的AUC分別為0.88和0.850。而Yu等[28]的一項多中心研究卻表明，利用隨機森林算法提取由ALN和瘤體的MRI影像組學特征構成的SVM模型對乳腺癌ALN轉移的評估具有較高的效能，其AUC在訓練組、外部驗證組和前瞻性回顧性驗證組分別為0.880、0.807和0.870，但模型的診斷能力略低于由影像組學特征、臨床和病理特征、分子亞型組成的模型。因此，盡管目前基于MRI影像組學特征構建的模型對預測乳腺癌ALN轉移的研究還存在一些缺陷，但是為臨床術前無創(chuàng)評估ALN是否轉移提供更多參考。

基于MRI的影像組學特征預測乳腺癌ALN轉移的效能高于超聲和數(shù)字乳腺X線攝影，這可能是由于MRI具有較高的軟組織分辨率，其組學特征更能反映乳腺癌的異質(zhì)性。在高通量的影像組學特征中，以紋理特征，尤其是熵對乳腺癌ALN轉移的判斷能力最強。多項研究表明，影像組學特征聯(lián)合臨床病理構建的組合模型對乳腺癌ALN轉移的預測能力高于單一模型(表1)。

表1 納入分析的文獻匯總表

影像組學的發(fā)展前景及展望

目前，影像組學對術前判斷乳腺癌ALN轉移雖有一定價值，但研究尚處于起步階段，且多為單中心、單模態(tài)研究以及圖像分割也存在一定的人為因素干擾，預測的準確性有待進一步提升。因此，未來影像組學的發(fā)展以多中心、多模態(tài)及自動分割為新方向。