上海代写论文网专业提供代写毕业论文、代写本科论文服务
您现在的位置:首页 > 医学论文 > 医学影像论文 >
肺结节CT影像组学的临床应用
发布时间:2021-09-09

  摘    要: 随着肺部CT检查的普遍应用,偶然发现了大量的肺结节,这为其诊断和治疗带来了很大挑战。肺结节的诊断方法主要依赖于传统的CT特征,如结节大小、边缘特征、形态特征及周围特征等。然而这些传统CT特征数量较少,且判断结果易受医师主观判断的影响。影像组学可以定量提取更多的结节特征,具有更好的重复性,因此可以更有效的预测肺结节的良恶性。本文阐述了影像组学的基本过程,并概述了影像组学特征分析用于肺结节诊断方面的优势及其在肺结节管理方面的临床应用价值,包括其在预测恶性肿瘤及区分其组织学亚型等方面的应用前景。影像组学作为一种低成本、无创的方法有潜力为肺结节的早期诊断和个性化治疗提供可参考依据。

  关键词 :     肺结节;影像组学; CT;

  Abstract: With the widespread application of CT lung screening, a large number of pulmonary nodules have been discovered incidentally, which poses great challenges for diagnosis and treatment.The diagnosis of pulmonary nodules relies mainly on traditional CT features.However, the number of these traditional CT features is small, and the results are susceptible to the subjective judgment of the doctor.Radiomics can quantitatively extract greater numbers of nodule features with much better reproducibility, so it can predict whether the nodules are benign and malignan more effectively.This paper summarizes the basic process of radiomics, and outlines the advantages of radiomics feature analysis in the diagnosis of pulmonary nodules and its clinical value in pulmonary nodule management, including its prospect in predicting malignancy and histological subtyping.As a low cost and non-invasive method, radiomics has the potential to provide reference for early diagnosis and personalized treatment of pulmonary nodules.

  Keyword: pulmonary nodules; radiomics; CT;

  2012年LAMBIN等首次提出影像组学的概念[1],即从影像图像中获得大量的影像特征。影像组学的目的是通过对大量影像特征进行分析,获得最有价值的影像特征,利用这些特征预测肺结节和肿瘤的生物学行为[2]。目前,偶发肺结节常根据指南[3,4,5]来处理,因为肺癌发生的风险随结节大小呈指数增长[6,7,8,9,10],所以结节处理原则主要是根据结节的大小及传统特征制定的。然而许多用于判断结节良恶性的影像学特征具有主观性,因此指南具有局限性。相比之下,影像组学能够提取更多定量特征从而避免主观性,提高诊断的准确性。

  1 、影像组学的基本步骤

  影像组学的基本步骤包括图像采集、图像分割、特征提取、特征选择、模型建立及模型测试。

  1.1、 图像采集

  影像组学的第一步为图像采集。由于图像常来源于不同的医院或数据中心,其扫描协议及重建参数之间存在的差异可能对图像特征产生影响。因此,对图像进行标准化处理从而提高所提取特征的稳定性这一步骤至关重要。研究表明使用高性能计算工具对图像进行处理,可代替人工处理,减少研究人员工作量[11]。

  1.2 、图像分割

  获得图像后的下一步是对感兴趣区域(region of interest, ROI)进行分割。目前较准确的分割方法是由放射科医师对图像进行手动分割,但该方法需要耗费人力物力,因而未被广泛应用于大型数据分割。理想的分割方法应具备四个基本特征:自动化、准确性、重复性和一致性。近年来,基于CT图像的自动和半自动分割方法得到广泛应用,但目前还没有一种通用的分割方法适于所有图像,故开发统一的分割算法非常重要。
 

肺结节CT影像组学的临床应用
 

  1.3、 特征提取

  影像组学最初的定义为从影像图像中提取高通量影像特征。包括语义特征和非语义特征。语义特征定义为由放射科医师提出的用于定性描述病变的经验特征。这些特征可用于影像学诊断和临床应用,但不能用有效的数学表达来描述。例如,LIU等人[12]认为,CT图像的语义特征与肺癌换阵的表皮生长因子受体(epidermal growth factor receptor, EGFR)状态相关。非语义特征为可以用数学表达定量描述的成像特征。第一类为包含描述肿瘤形状的特征,如体积、表面积、致密性等;第二类为包含大量由感兴趣区每个体素强度构建的一阶、二阶和高阶特征;此外,小波特征也较为常用。

  1.4 、特征选择(降维)

  肿瘤表型被解码成可提取的特征向量后,人工智能或统计学算法就可以用于分析影像组学特征与相关临床信息或生物/基因特征之间的关系。在样本数量较少而特征数量较多的情况下,需要应用特征选择算法[13]寻找适合用于构建预测模型的特征,避免过度拟合。

  1.5、 模型建立

  影像组学的目标是建立基于影像组学特征的预测模型。常用建模方法有监督分类法、半监督分类法和无监督聚类法,常根据临床信息的完整度选择建模方法。监督分类法是一种需要临床信息来训练模型的学习方法,许多监督分类方法在影像组学实验中表现出良好的性能,如支持向量机(support vector machine, SVM)[14]、LASSO-Logistic回归[15]和随机森林(random forest, RF)[16]等。当临床信息不足以训练监督模型时,也可采用探索性无监督聚类法。实验证明无监督聚类法可用于发现一种特定疾病的亚型[17,18];也可选择半监督分类法,利用大量未标记数据挖掘肿瘤信息,利用少量标记数据建立特征和临床标签的关系。

  1.6 、模型测试

  建模后需对模型进行验证以显示其临床应用价值。验证的关键是训练和测试应该完全独立,且两个步骤之间不应该发生信息泄露[19]。在判别分析中,受试者工作特征曲线(receiver operating characteristic curve, ROC)常用于反映模型性能,该模型的曲线下面积(area under curve, AUC)、敏感性和特异性也可用于评估模型是否能预测临床结果。最近LAMBIN等提出了影像组学质量评分(radiomics quality score, RQS)作为影像组学研究的评价标椎[20]。

  在典型的影像组学研究中,图像采集和肿瘤分割是由经验丰富的影像技术人员和放射学专家操作的,往往是最难操作最耗时的部分,相比之下,特征提取、预测模型构建和模型验证则可以采用自动化方法,更省时省力。

  2 、肺结节CT影像组学的临床应用

  2.1、 肺结节大小的评价

  与医师手动测量方法相比,体积测量软件可更准确地定量评估肺结节的大小。通过计算肺结节的体积倍增时间(volume double time, VDT)可以有效地评估肺结节的稳定性和生长速度。尼尔森肺筛查试验数据表明,根据VDT可以估计肿瘤的恶性可能性。这种基本形式的影像组学肺结节评估方法已被纳入英国胸科协会(British Thoracic Society, BTS)对肺结节的初步评估和监测指南[21]。

  2.2、 肺结节良恶性的鉴别

  基于肺CT中检出的肺结节,已有许多研究证明影像组学可以提高判断其良恶性的准确度,从而为制定临床治疗方案提供依据。

  CHEN等人[22]从75个肺结节(42个恶性结节及33个良性结节)的非增强CT图像中提取了750个影像组学特征,采用非参数Wilcoxon秩和检验,选取良恶性肺结节间有差异的影像组学特征(P<0.05),应用逐步正向选择法进一步评价影像组学特征与病变之间的相关性,并采用留一交叉验证法分析每个特征的精确度。选取最有效的4个影像组学特征,采用支持向量机作为分类器建立预测模型并对结节进行分类,准确度为84%,证明CT影像组学在分析肺结节良恶性方面有较好的判别能力。

  有学者[23]对来自美国国家肺筛查试验(National Lung Screening Trial, NLST)的479名参与者的肺结节(包括肺癌结节和良性结节)CT图像进行三维分割,从中提取219个定量影像组学特征。在去除冗余特征和不可重复特征后,采用具有最优AUC的分类器进行穷举搜索,找出一组判别图像的特征,并用这些特征在测试集中进行验证。最终确定几个最有效预测模型,使用大小和形状特征的预测模型AUC最高为0.80,使用非尺寸特征的AUC最高为0.85,综合各类特征,AUC最高为0.83。以上实验证明,与常规影像学方法相比,影像组学利用高通量组学特征对肺结节进行分析,避免了医师阅片的主观性和局限性,提高了肺结节定性诊断的准确性。

  许多肺腺癌结节及良性肉芽肿结节CT影像学表现较相似,用传统影像学特征很难鉴别,为明确诊断带来了难题。根据实验研究表明影像组学可用于鉴别肺腺癌和肉芽肿。

  BEIG等[24]回顾性分析了290例肺结节(包含肺腺癌及良性肉芽肿)的CT图像,从结节内及结节周围区域提取特征,包括形状特征、小波特征和纹理特征,将训练组145例患者所提取的特征去除冗杂后用于训练机器学习分类器,将测试组分类器判别结果与卷积神经网络(convolutional neural networks, CNN)和两名放射科医生的诊断结果进行对比,结果显示测试组结节内影像组学特征的AUC为0.75,结合结节周围区域影像组学特征AUC提高到0.80,CNN和两名放射科医生的AUC分别为0.76、0.61和0.60。证明肺结节内及其周围CT影像组学特征可以用于鉴别肺腺癌和良性肉芽肿。

  OROOJI等[25]在一项回顾性研究中将195例肺结节分为训练集(包含70例肺腺癌和69例肉芽肿)和测试集(包含34例肺腺癌和22例肉芽肿),在训练集中提取654个纹理特征和24个形状特征。进行特征选择识别出最具信息性的特征,对这些特征的稳定性和重复性进行评估。利用在训练集中识别出的最优特征构建三个不同的分类器,并在测试集上对这些分类器进行验证,得到最佳分类器(支持向量机)的AUC为0.778。证明影像组学特征可用于区分肉芽肿和肺腺癌。

  肺结节的良恶性预测在肺结节患者治疗方案评估中起关键作用,通过以上研究可以证明,影像组学在肺结节良恶性的鉴别方面有良好的诊断价值,应用影像组学可以帮助临床医师早期发现恶性肺结节,从而早期制定治疗计划。

  2.3、 亚实性肺结节侵袭性的评价

  准确鉴别肺腺癌侵袭性对治疗方式的制定及预后的评价有重要作用,而肺穿刺活检常因病变位置及取样条件等因素影响无法准确判断整个病变的侵袭性,传统CT特征更是难以鉴别亚实性结节的浸润性。而有实验证明CT影像组学通过对大量特征进行分析不仅能够区分亚实性结节的良恶性,还能帮助预测亚实性结节的侵袭性,对结节的病理分型、治疗方案及预后预测等都有重要意义。

  LI等[26]对109例经CT检查确诊为肺部磨玻璃密度结节的患者进行回顾性分析,将磨玻璃密度结节作为感兴趣区手动勾画和分割后,根据病理结果将患者分成三组:癌前病变[包括非典型腺瘤样增生(atypical adenomatous hyperplasia, AAH)和原位腺癌(adenocarcinoma in situ, AIS)组、微浸润性腺癌(minimally invasive adenocarcinoma, MIA)组和浸润性腺癌(invasive pulmonary adenocarcinoma, IPA)组]通过软件自动计算和提取这些病变的纹理特征。通过数据分析发现每两组之间特征的差异,并用逻辑回归法找出可以区分每两组的特征,建立预测模型。结果显示,IPA与癌前病变的体素特征间存在显着差异;灰度共生矩阵对癌前病变和MIA的鉴别能力较好;在区分MIA和IPA时表面积特征和拉伸表面积特征的敏感性和特异性均超过了60%和80%,而当两个特征均作为回归变量时敏感度和特异度有所提高。证明根据CT图像的纹理特征可以识别出侵袭前病变、微浸润腺癌和浸润性腺癌。

  罗婷等[27]回顾性分析了100例肺磨玻璃密度结节的CT增强扫描图像,且所有结节均经手术病理证实为肺腺癌(浸润性腺癌56例、非浸润性腺癌44例),随机将患者分为训练组和测试组(病例数量比例约7∶3),使用A.K.分析软件提取396个影像组学特征,采用Kruskal-Wallis非参数检验和Spearman相关性分析降维,得出三个可用于鉴别的最相关参数,并建立逻辑回归模型,采用交叉验证方法对模型进行检验,准确率为83.3%。

  王亚丽等[28]回顾性分析了102例经手术病理证实为肺腺癌的10 mm以下纯磨玻璃密度结节(pure ground-glass nodule, pGGN)的CT图像,根据pGGN的浸润性分为浸润前病变组和浸润性病变组。每个结节提取93个影像组学特征,包括强度特征、形状特征及纹理特征。采用Mann-Whitney U检验及信息增益算法选择了48个影像组学特征建立模型,三种分类器支持向量机、朴素贝叶斯分类器和逻辑回归模型的ROC分别为0.822、0.848和0.874。预测能力优于病灶大小和平均CT值。

  由此可见,影像组学在肺结节的良恶性鉴别及有无侵袭性鉴别上较有优势,但也存在一些有待解决的问题,例如研究中纳入的例数不够多,提取的影像组学特征太多,而真正具有鉴别意义的极少,因此还需要更多研究来统一标准,得出具有鉴别意义的特征应用于临床。

  3、 小结

  在肺部CT检查中发现的肺结节数量不断增加,这些肺结节的诊断和管理方法为临床工作带来了巨大的挑战,然而,影像组学作为一个新的研究领域为肺结节的早期鉴别和定性诊断提供了重要依据,也有潜力帮助医生制定肺癌的诊断、检测和治疗计划,相对于传统影像学特征,影像组学特征不但能提高诊断准确率,还可以提供传统影像特征无法表述的信息,因此,影像组学在肺结节中的应用前景更为广阔。然而,要运用影像组学对肺结节进行评估,必须对每一个步骤十分了解。而且,在将影像组学研究结果应用于临床实践之前,还需要做很多工作来提高其性能,包括注重学科交叉,将计算机算法应用于组学研究中。目前影像组学研究尚未完善,随着研究的进一步发展,影像组学对临床的作用将愈发突出。

  参考文献

  [1] LAMBIN P,RIOS-VELAZQUEZ E,LEIJENAAR R,et al.Radiomics:extracting more information from medical images using advanced feature analysis[J].European Journal of Cancer,2012 48(4):441-446.
  [2] GILLIES RJ,KINAHAN PE,HRICAK H.Radiomics:lmages are more than pictures,they are data[J]. Radiology.2016,278(2):563-577.
  [3] NAIDICH DP, BANKIER AA,MACMAHON H.et al. Recommendations for the management of subsolid pulmonary nodules detected at CT:a statement from the Fleischner Society[J]. Radiology,2013,266(1):304-317.
  [4] CALLISTER ME ,BALDWIN DR,AKRAM AR,et al. British Thoracic Society guidelines for the investigation and management of pulmonary nodules[J].Thorax,2015,70(Suppl 2);:1-154.
  [5] MACMAHON H.AUSTIN JH,GAMSU G.et al. Guidelines for management of small pulmonary nodules detected on CT scans:a statement from the Fleischner Society[J].Radiology,2005,237(2)-:395-400.
  [6] KO JP,BERMAN EJ,KAUR M,et al.Pulmonary nodules:growth rate assessment in patients by using serial CT and three-dimensional volumetry[J]. Radiology,2012. .262(2):662-671.
  [7] HENSCHKE CI,YANKELEVITZ DF,YIP R,et al.Lung cancers diagnosed at annual CT screening:volume doubling times[J].Radiology,2012,263(2):578-58
  [8] HASEGAWA M,SONE S, TAKASHIMA S ,et al Growth rate of small lung cancers detected on mass CT screening[J].Br J Radiol,2000,73(876):1252-1259.
  [9] WILSON DO,RYAN A,FUHRMAN C.et al.Doubling times and CT screen-detected lung cancers in the Pittsburgh Lung Screening Study[J].Am J Respir Crit Care Med,2012,185(1):85-89.
  [10] JENNINGS SG,WINER-MURAM HT,TANN M,et al.Distribution of stage 1 lung cancer growth rates determined with serial volumetric CT measurements[J].Radiology. ,2006,241(2)-554-563.
  [11] PRATX G,XING L GPU computing in medical physics:a review[J].Medical Physics,2011 ,38(5):2685-2697.
  [12] LIU Y,KIM J,QU F,et al.CT features associated with epidermal growth factor receptor mutation status in patients with lung adenocarcinoma[J] Radiology.2016,280(1):271-280.
  [13] CHANDRASHEKAR G,SAHIN F.A survey on feature selection methods[J].Computers & Electrical Engineering,2014,40(1):16-28.
  [14] LIU Z,ZHANG XY,SHI YJ.et al. Radiomics analysis for evaluation of pathological complete response to neoadjuvant chemoradiotherapy in locally advanced rectal cancer[J].Clinical Cancer Research,2017,23(23):7253-7262.
  [15] HUANG YQ,LIANG CH.HE L,et al.Development and validation of a radiomics nomogram for preoperative prediction of lymph node metastasis in colorectal cancer[J]Journal of Clinical Oncology .2016,34(18)-2157-2164.
  [16] RIOS VE,PARMAR C,LIU Y,et al. Somatic mutations drive distinct imaging phenotypes in lung cancer[J].Cancer Research,2017.77(14):3922-3930.
  [17] ITAKURA H.ACHROL AS,MITCHELL LA.et al.Magnetic resonance image features identify glioblastoma phenotypic subtypes with distinct molecular pathway activities[J] Science Translational Medicine,2015,.7(303)-138-303r.
  [18] WU J,CUI Y,SUN X,et al.Unsupervised clustering of quantitative image phenotypes reveals breast cancer subtypes with distinct prognoses and molecular pathways[J] .Clinical Cancer Research,2017,23(13):3334-3342.
  [19] SUBRAMANIAN J,SIMON R.What should physicians look for in evaluating prognostic gene-expression signatures[J] Nature Reviews Clinical Oncology,2010,.7(6)-:327-334.
  [20] LAMBIN P,LEIJENAAR RTH,DEIST TM.et al.Radiomics.the bridge between medical imaging and personalized medicine[J]. Nature Reviews Clinical Oncology,2017,14(12):749-762.
  [21] HOREWEG N,VAN DER AALST CM,VLIEGENTHART R,et al.Volumetric computed tomography screening for lung cancer.three rounds of the NEL SON trial[J]. European Respiratory Journal,2013, 42(6):1659-1667.
  [22] CHEN CH,CHANG CK,TU CY,et al.Radiomic features analysis in computed tomography images of lung nodule classification[J.PLoS One,2018,13(2):e192002.
  [23] BAL AGURUNATHAN Y,SCHABATH MB,WANG H,et al.Quantitative imaging features improve discrimination of malignancy in pulmonary nodules[J]. SciRep,2019,9(1):8528.
  [24] BEIG N,KHORRAMI M.ALILOU M.et al.Perinodular and intranodular radiomic features on lung CT images distinguish adenocarcinomas from granulomas[J.Radiology,2019,290(3):783-792.
  [25] OROOJI M.ALILOU M,RAKSHIT S,et al.Combination of computer extracted shape and texture features enables discrimination of granulomas from adenocarcinoma on chest computed tomography[J].Journal of Medical Imaging (Bellingham),2018.5(2):24501.
  [26] LI W,WANG X,ZHANG Y,et al.Radiomic analysis of pulmonary ground-glass opacity nodules for distinction of preinvasive lesions invasive pulmonary adenocarcinoma and minimally invasive adenocarcinoma based on quantitative texture analysis of CT[J].Chinese Journal of Cancer Research,2018,30(4):415-424.
  [27]罗婷张峥 ,李昕,等.CT图像纹理分 析鉴别诊断磨玻璃密度肺腺癌的浸润性[J]中国医学影像技术,2017,33(12)-1788-1791.LUO T,ZHANG Z,LI X.et al.CT texture features in differential diagnosis of invasion of ground pulmonary adenocarcinoma manifesting glass density nodule[J]. Chinese Journal of Medical Imaging Technology,2017,33(12):1788-1791.
  [28]王亚丽,朱慧媛,毛海霞,等.影像组学特征对肺部10 mm以下纯磨玻璃结节侵袭性的诊断价值[J]中国医学计算机成像杂志, 2017,23(06):513- 516.WANG YL,ZHU HY,MAO HX,et al.Diagnostic value of radiomic features for histological invasiveness in pGGNs less than or equal to 10 mm[J]. Chinese Computed Medical Imaging,2017 ,23(06):513-516.

对应分类:
版权所有:上海论文网专业权威的论文代写、论文发表的网站,秉承信誉至上、用户为首的服务理念,服务好每一位客户
本站部分论文收集于网络,如有不慎侵犯您的权益,请您及时致电或写信告知,我们将第一时间处理,邮箱:shlunwen@163.com