影像組學在核醫學影像中的應用

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了影像組學在核醫學影像中的應用范文，希望能給你帶來靈感和參考，敬請閱讀。

1影像組學與核醫學中影像

1.1影像組學的處理流程

影像組學的處理流程可分為5部分：①圖像獲取；②確定感興趣區；③圖像分割，采用人工方法或者計算機輔助；④特征的提取和量化；⑤數據分析，根據數據建立分類模型進行預測。

1.2核醫學中的影像組學發展

影像組學在本世紀初開始逐漸運用于核醫學領域，主要對正電子發射計算機斷層掃描儀(positronemissioncomputedtomography，PET)圖像中腫瘤內異質性進行研究[5-6]。其動機是在臨床實踐或一些研究中，最大標準化攝取值(standardizeduptakevalue，SUVmax)、平均標準攝取值(SUVmean)或代謝活躍的腫瘤體積(metabolicallyactivetumorvolume，MATV)等指標不能完全描述腫瘤的性質[7]。其中一些特征，如形狀和攝取異質性，可能反映不同腫瘤類型與其侵襲性、轉移潛能、對特定治療的反應程度以及預后有關[8-9]。與常規指標相比，量化這些特征可提供更高的臨床價值，尤其是在分層及識別治療反應較差的患者中。既往分析認為，CT或MRI圖像比PET圖像更具有優越性，這是因為PET圖像的信噪比和空間分辨率較低，空間采樣也較差。此外，為利于臨床醫生視覺評估，重建的PET圖像常被平滑，圖像中可用信息被進一步減少。隨著PET-CT系統、飛行時間(timeofflight，TOF)技術的發展，對目前臨床金標準迭代算法的一些修正，過去的10年中PET圖像的保真度及定量精確度均有大幅改善[10]。

2影像組學在核醫學中的臨床應用

2.118F-FDGPET-CT影像特征分析

目前，影像組學在核醫學領域研究中大多數研究對象是18F-FDGPET-CT中的PET影像部分。要發揮影像組學的臨床價值需要大量的患者隊列和嚴格的統計分析方法，而部分研究只納入了20～70例患者。Soussan等[11]對54例局部晚期乳腺癌患者的初始18F-FDGPET-CT圖像進行回顧性研究，認為對于三陰性乳腺癌，結合高灰度游程(high-gray-levelrunemphasis，HGRE)與SUVmax可以獲得更高的受試者操作特征(receiveroperatingcharacteristic，ROC)曲線下面積(areaundercurve，AUC)，AUC=0.83，而單獨運用SUVmax的AUC=0.77。Yip等[12]對54例食管癌患者放化療前后的PET-CT圖像進行研究，認為隨時間變化的熵和游程長度矩陣(run-lengthmatrix，RLM)，可以比標準化攝取值(standardizeduptakevalue，SUV)更好的評估病理反應和患者生存的聯系。Bundschuh等[13]對27例直腸癌患者行新輔助化療前、開始后2周及化療完成后4周分別行18F-FDGPET-CT檢查，并對圖像進行分析，認為變異系數(coefficientofvariation，COV)對于治療早期的靈敏度68%、特異度88%以及治療后靈敏度79%、特異度88%的組織病理學反應評估有統計學差異。Mu等[14]對42例不同分期宮頸癌患者的18F-FDGPET-CT圖像進行研究，通過自動分類的支持向量機(supportvectormachine，SVM)分類器，得出運行率(runpercentage，RP)是最有判別力的指標，精確度達到88.1%，AUC=0.88，認為腫瘤異質性與腫瘤分期有很好的相關性。近年來，有研究納入較多患者(80～200例，甚至200例以上)18F-FDGPET-CT圖像進行研究。Cheng等[15]對88例T3和(或)T4分期的口咽鱗狀細胞癌患者腫瘤區域異質性進行研究，認為區域大小不均勻性(zone-sizenonuniformity，ZSNU)是進展的T分期口腔鱗狀細胞癌患者預后的獨立預測因子，并且可以改善預后分層。Xu等[16]應用紋理分析和模式分類對103例骨與軟組織病變患者的18F-FDGPET-CT圖像進行研究，認為該方法可提高對病變良惡性的鑒別能力，尤其是采用PET(熵和粗度)和CT(熵和相關性)紋理參數結合的時候效能最高，靈敏度為86.44%，特異度為77.27%，準確率為82.52%。Wu等[17]對101例早期非小細胞肺癌患者進行研究，得出最佳的預測模型包括兩個圖像特征，即瘤內異質性SUVmax，在獨立驗證隊列中，該模型的一致性指數為0.71，高于SUVmax(0.67)和腫瘤體積指數(0.64)，當結合病變組織學類型后預后能力進一步提高，有助于醫生為早期非小細胞肺癌(non-smallcelllungcancer，NSCLC)患者量身定制合適的治療方案。Gao等[18]研究了132例肺癌患者，認為基于SVM的算法對于淋巴結轉移診斷具有潛力，由CT、PET和PET-CT構建的模型曲線下面積分別為0.689、0.579和0.685；而淋巴結最大的短徑，SUVmax的曲線下面積分別為0.684和0.652。另有學者對于116例Ⅰ～Ⅲ期NSCLC患者、195例Ⅲ期NSCLC患者及201例局部晚期NSCLC癌患者的PET圖像進行了研究，認為PET熵和CT區域百分比與臨床分期和功能容積值的互補性最高，共生矩陣中的疾病堅固度、原發腫瘤的能量與患者預后有關，SUVmean與總生存率的預測有關[19-21]。Hyun等[22]對137例胰腺導管腺癌患者進行了研究，得出結論：PET紋理分析得出的瘤內異質性信息是患者生存的獨立預測因子(相對于腫瘤分期及血清CA19-9水平)。此外，一階熵作為衡量腫瘤代謝異質性的指標，是一種比傳統PET參數更好的定量顯像生物標志物。Lartizien等[23]對188例淋巴瘤患者的PET圖像進行了分析，提出了一種基于不同濾波方法相結合的原始特征提取方法，對高代謝區域淋巴瘤組織及炎性或生理性攝取的鑒別有著很好的性能。這些研究中部分研究使用了更可靠的統計分析方法，其中有一些使用機器學習方法，如神經網絡[24]，支持向量機[16,18,23]或最小絕對收縮和選擇算子(leastabsoluteshrinkageandselectionoperator，LASSO)[17,21]。有學者對于PET和PET-CT組件中低劑量CT圖像衍生特征進行了研究，Win等[25]發現腫瘤分期和PET-CT組件中CT衍生的紋理異質性歸一化熵、中和(或)粗尺度是NSCLC患者生存的最佳預測因子。要注意PET-CT組件的低劑量CT獲得的圖像與高分辨率CT或診斷CT圖像是有差異的，在分析時要加以區別。部分研究認為，結合PET-CT圖像中PET及CT的圖像特征，可以得出敏感性、特異性及準確性更高的結果[16,18-19,23]。

2.2非18F-FDGPET-CT、PET-MR及免疫組化指標研究

Pyka等[26]對113例高級別膠質瘤患者治療前的18F-FETPET-CT圖像進行研究，認為治療前18F-FETPET-CT圖像中的吸收異質性對腫瘤進展和患者生存率的預測是有價值的，強調腫瘤內異質性在高級別膠質細胞瘤生物學中的重要性，可能有助于將來個體化治療計劃的制定。Vallieres等[27]的研究提取18F-FDG-PET和MRI的影像信息聯合預測了四肢軟組織肉瘤的肺轉移，認為融合的18F-FDGPET-MRI圖像可以提供更好的預測信息。Antunes等[28]對兩例腎細胞癌患者進行了18F-氟胸苷(fluorothymidine，FLT)PET-MRI檢查(分別在治療前及治療中期)，認為18F-FLTPET-MRI的影像組學特征，即SUV值、表觀彌散系數(apparentdiffusioncoefficient，ADC)值和T2加權差平均值，可以評估患者對細胞抑制劑治療的早期結構和功能反應，但這一結論的可靠性是有限的，因為研究只納入了兩名患者。同時，對PET派生特征和其他相關信息的組合加以考慮，如最近一項研究中，Wang等[29]對113例晚期口咽鱗狀細胞癌患者治療前18F-FDGPET-CT圖像和關鍵的免疫組化指標表皮生長因子受體(epidermalgrowthfactorreceptor，EGFR)和p16中提取的區域大小不均勻性信息進行分析，發現相關信息可以提高患者的預后分層。

3展望

影像組學作為一種新興的研究方法，通過從不同模態中提取高通量的影像特征并對其進行分析，對不同腫瘤類型的患者管理，如預后、評估治療反應、預測遠處轉移、個體化治療等提供有效的量化指標。這種非侵入性檢查工具，可提高臨床工作效率，為臨床醫生和患者帶來更多收益。影像組學的應用不局限于腫瘤領域，其他疾病領域也可運用。目前影像組學在核醫學影像方面應用起步較晚，相關研究較少，研究納入患者數量也較有限，但已有的研究證明影像組學在核醫學影像中的應用是未來的發展方向之一，且方法不止限于18F-FDGPET-CT，還可融合PET-MR圖像，或運用一些新型藥物進行檢查及分析，并可結合臨床分期及一些免疫組化指標，為臨床提供更多更可靠的信息。

作者：霍力 李方