影像組學在肺腺癌基因突變預測中的應用進展

孟習文，王廣麗

肺腺癌是肺癌最常見的亞型，也最易發生基因突變[1]。肺腺癌常見的驅動基因主要包括表皮生長因子受體（epidermal growth factor receptor,EGFR）、間變性淋巴瘤激酶（anaplastic lymphoma kinase,ALK）和克爾斯滕大鼠肉瘤病毒癌基因（kirsten rat sarcoma viral oncogene,KRAS）等。針對不同的驅動基因制定相應的靶向治療策略，有利于改善肺腺癌病人的療效和預后[2]。目前，驅動基因的檢測主要依靠手術病理或組織活檢等有創性方法。但由于腫瘤異質性的存在，有時通過有創性方法獲得的組織樣本并不能代表整體腫瘤的情況，且會增加病人的痛苦。因此，無創且高效地檢測驅動基因十分重要。影像組學方法能夠通過提取并分析醫學圖像中無法被人眼所識別的定量圖像特征，從而評估腫瘤的生物學行為，使無創預測肺腺癌的基因突變成為可能，對個性化醫療及精準醫療至關重要[3]。本文就影像組學在肺腺癌常見及罕見基因突變中的應用進展予以綜述。

1 影像組學在預測肺腺癌EGFR 基因突變中的應用

目前，肺腺癌中最常見且研究最多的突變基因為EGFR。EGFR 是一種具有酪氨酸激酶活性的糖蛋白，可調控正常細胞的增殖、分化和凋亡，但突變或擴增的基因可將該蛋白轉化為癌蛋白[4]。攜帶突變基因EGFR 的肺腺癌病人對EGFR 酪氨酸激酶抑制劑（tyrosine kinase inhibitors，TKI）表現出明顯的臨床反應，但并非所有EGFR 突變的肺腺癌病人都受益于EGFR TKI[5]，因此盡早識別EGFR 突變狀態及突變位點對病人預后具有重要作用。EGFR 突變位點主要發生在18、19、20、21 號外顯子，最常見的突變位點為外顯子19 缺失（19del）突變及外顯子21 L858R 點突變。

1.1 區分EGFR 突變型與野生型 多項研究[6，8-10]表明，影像組學預測EGFR 突變狀態（突變型與野生型）的診斷效能較高，受試者操作特征（ROC）曲線下面積（AUC）可達0.7 以上，其中Lu 等[6]的研究在測試集中的AUC 值達到了0.894。與EGFR 突變有關的影像組學特征主要包括：（1）語義特征，如磨玻璃密度、空氣支氣管征、胸膜牽拉以及支氣管血管束增粗等；（2）非語義特征，如偏度、峰度、熵值、灰度游程矩陣特征等。亞實性結節是早期肺腺癌最常見的表現，研究[7]表明亞實性結節在EGFR 突變的肺腺癌病人中出現的頻率更高。Yang 等[8]分析了467 例亞實性結節表現的肺腺癌病人，從CT 平掃影像中共提取1 063 個影像組學特征，通過隨機森林算法選擇了43 個特征構建影像組學模型，該模型在預測亞實性結節的EGFR 突變方面表現出良好的效能，在訓練組和驗證組的AUC 分別為0.831 和0.789。目前，關于肺癌基因突變影像組學的研究通?；贑T 平掃影像，使用增強CT 影像的研究較少。Hong 等[9]在201 例晚期肺腺癌病人的增強和平掃CT 影像中，分別篩選出10 個和11 個影像組學特征，采用6 種不同的機器學習方法評價2 種影像提取的影像組學特征識別晚期肺腺癌EGFR 突變的效能，結果顯示增強影像的效能優于平掃影像。該研究使用基于增強CT 成像的邏輯回歸方法構建的影像組學模型診斷效能最佳，在驗證隊列中的AUC 為0.851。Yang 等[10]納入253 例晚期肺腺癌病人，評價CT 掃描不同期相預測EGFR 突變狀態的效能。分別從平掃期、動脈期和靜脈期CT 影像中提取影像組學特征并構建模型，AUC 值分別為0.671 3、0.819 4 和0.846 4。該研究表明影像組學可以預測EGFR 突變狀態，以靜脈期模型效能最佳。與CT平掃相比，增強CT 可以更好地反映與周圍結構相關的腫瘤區域，并且可以顯示惡性腫瘤中血供情況，提供更多與腫瘤相關的信息。上述2 項研究均顯示基于增強CT 構建的模型效能要優于平掃CT，且基于靜脈期影像建立的模型效能最佳，但由于此方面研究目前較少，未來仍需要更多研究評價不同期相模型診斷效能的優劣。

研究[6，11-12]表明，結合臨床特征、傳統形態學影像特征或病理學特征構建的聯合影像組學模型較單一特征構建的模型對EGFR 突變狀態的預測效能更好，可能是由于聯合模型中納入的因素包括EGFR 突變的獨立危險因素（性別、吸煙史、胸膜牽拉或病理亞型等）。Lu 等[6]分析了103 例肺腺癌病人的CT 影像和臨床病理資料，構建了基于CT 影像的單獨影像組學模型、結合臨床病理學特征與形態學影像特征的組合模型、結合影像組學特征與臨床病理學特征的組合模型，最終結果顯示結合影像組學特征與臨床病理學特征的組合模型預測EGFR 突變狀態優于另外2 種模型，訓練集和驗證集的AUC分別為0.90±0.02、0.88±0.11，測試集AUC 值為0.894。Zhang 等[11]在由294 例肺腺癌病人組成的訓練集中構建了影像組學模型、臨床-影像學（clinical-radiology，C-R）模型及臨床-影像-影像組學（clinical-radiological-radiomics，C-R-R）模型，并在驗證集（129 例病人）中評估，C-R-R 模型在訓練集和驗證集中的AUC 值分別為0.849 和0.835，優于其他模型；另外，此研究還表明影像組學模型的診斷效能優于C-R 模型。Lu 等[12]首次使用過濾法進行特征選擇，并構建基于CT 影像的機器學習模型預測EGFR 突變，影像組學模型在結合臨床特征后診斷效能進一步提高，組合模型和單獨影像組學模型的AUC 值分別為0.86、0.79。但也有研究[8,13]在添加臨床特征后所建立的聯合模型診斷效能并沒有優于單獨的影像組學模型。因此，將來仍需要更多的研究來證實。

1.2 區分EGFR 突變亞型 影像組學不僅能夠預測EGFR 的突變狀態，在預測EGFR 突變亞型方面也具有一定的價值[14-16]。Liu 等[14]在263 例肺腺癌病人的CT 影像中提取并篩選影像組學特征，并添加臨床特征一起建立模型，結果證實影像組學可以敏感地識別EGFR 突變（AUC=0.76），并且在預測肺腺癌病人（19del）和外顯子21 L858R 突變方面也顯示出較好的效能，AUC 值分別為0.69、0.66。Zhao 等[15]篩選出11 個基于CT 影像的影像組學特征并計算了影像組學分數（R 分數），整合R 分數、傳統形態學影像特征和臨床特征，構建基于影像組學的列線圖，以無創地預測EGFR 突變狀態及區分19del、L858R 突變，列線圖在2 個驗證數據集中的AUC 分別為0.734 和0.757。Zhang 等[16]納入了728 例肺腺癌病人，分別構建臨床模型、基于CT 影像的影像組學模型及聯合模型識別19del 和L858R 突變，AUC值分別為0.813、0.852、0.875，聯合模型的預測效能最高。不同的EGFR 突變亞型對于TKI 治療的敏感性不同，因此應用影像組學預測EGFR 突變亞型，尤其是對TKI 治療有反應的亞型，可能為其制定更精細的治療方案提供重要信息。

1.3 基于不同成像的影像組學預測EGFR 突變 基于PET/CT、雙能CT 以及MRI 影像的影像組學都可以對肺腺癌病人的基因突變狀態及突變亞型做出較準確的預測。楊等[17]回顧性收集了114 例肺腺癌病人，從PET、CT、PET+CT 影像中篩選出3、3、7 個特征分別建立回歸模型，得到的AUC 分別為0.730、0.752、0.866，其中PET+CT 模型預測效能最高。Zhao 等[18]分別構建了基于CT 影像和基于18FFDG PET/CT 影像的影像組學模型，預測EGFR 突變的AUC 分別為0.715、0.727，后者的效能要優于前者。由此可見，基于PET/CT 的模型不僅可以預測EGFR 的突變狀態，而且預測效能優于CT，這可能是由于EGFR 基因可影響腫瘤的葡萄糖代謝，而PET/CT 恰恰可以捕獲到腫瘤的葡萄糖代謝水平。Liu 等[19]在148 例肺腺癌病人的18F-FDG PET/CT 影像中提取影像組學特征構建有關EGFR 突變亞型的預測模型，驗證集中對19del 突變和L858R 突變預測的AUC 值分別為0.77 和0.92，但此研究僅分析了PET/CT 模型對于EGFR 突變亞型的診斷效能，并沒有進行常規CT 模型和PET/CT 模型診斷效能的比較。王等[20]對CT、PET 和PET/CT 融合組學特征進行學習,探究18F-FDG PET/CT 影像結合機器學習算法對肺腺癌EGFR 突變亞型的預測價值，融合組學特征通過用特征拼接和特征平均的方法對PET 和CT 影像學特征進行融合獲得，結果顯示PET/CT 平均融合特征模型的預測效能（AUC=0.87）高于PET 特征模型（AUC=0.64）、CT 特征模型（AUC=0.64）。雙能CT 通過使用2 種不同能量的X 射線采集數據，可以區分不同成分（如鈣和碘等），而常規CT 無法實現?；陔p能CT 的影像組學在預測EGFR 突變狀態方面也顯示出較好的效能，周等[21]在103 例肺腺癌病人的靜脈期40、100 keV 單能量影像中提取了396 個影像組學特征，將影像組學特征、臨床特征及雙能CT 碘參數相結合構建模型預測EGFR 突變狀態，此模型在訓練集和驗證集的AUC分別為0.871 和0.827。Wang 等[13]的研究是第一次使用MRI 影像組學預測肺腺癌病人EGFR 突變，構建了ADC 模型、DWI 模型、T2WI 模型、多序列模型和包括性別、吸煙狀況及影像組學特征的聯合模型，AUC 值分別為0.805、0.692、0.695、0.838、0.727，與單序列模型相比，多序列影像組學模型的預測效能進一步提高，但是聯合模型并沒有優于單獨的影像組學模型。該研究提示對于輻射敏感、有活檢禁忌或者需要連續隨訪的病人，基于MRI 的影像組學可以提供一種相對準確、方便且無創的EGFR 突變檢測方法。

1.4 深度學習模型預測EGFR 突變 目前，使用機器學習方法對EGFR 突變狀態及亞型進行預測是研究的主流，近年的一些研究[22-25]發現深度學習對EGFR 突變狀態的預測效能要優于機器學習。Wang等[22]使用844 例肺腺癌病人的CT 影像構建了一個端到端的深度學習模型預測EGFR 突變狀態，該模型在訓練和驗證隊列中的AUC 分別為0.85 和0.81。Xiong 等[23]基于503 例肺腺癌病人的CT 影像，構建了三維卷積神經網絡（convolutional neural networks，CNN）來預測EGFR 突變狀態。CNN 在獨立驗證集中AUC 值為0.776，CNN 和臨床特征的融合模型AUC 值為0.838。Song 等[24]納入了665 例肺腺癌病人，探討基于CT 影像的深度學習模型對肺腺癌病人EGFR 突變亞型的預測能力，分別構建了機器學習模型和CNN 模型，結果表明CNN 模型的預測效能優于機器學習模型。Zhang 等[25]從CT 影像中提取影像組學特征，構建了3 種不同的機器學習模型以及擠壓和激發CNN （squeeze-and-excitation-CNN，SE-CNN），以從影像組學特征映射中識別EGFR 突變狀態，結果表明SE-CNN 可以精確識別肺腺癌病人的EGFR 突變狀態（AUC=0.841），且優于機器學習方法。與傳統的影像組學方法相比，深度學習更易于實施，不需要手動勾畫興趣區，直接從原始數據中進行自動學習，從而挖掘出更深層次和潛在的信息，具有較高的準確性。但深度學習要求大量的樣本量，當樣本量較小時，選擇機器學習方法可能更加合適。

2 影像組學在預測肺腺癌ALK 重排中的應用

ALK 基因重排是非小細胞肺癌發展的驅動突變，ALK 蛋白是一種跨膜受體酪氨酸激酶，屬于胰島素受體超家族[26]。ALK 基因突變于2007 年首次在非小細胞肺癌中被報道，當時在一部分日本病人(7%) 中發現了棘皮動物微管相關蛋白樣4（echinodern microtubule-associated protein-like 4,EML4）-ALK 融合基因[27]，EML4-ALK 融合基因能夠促進腫瘤的生長和增殖，代表了一個新的分子靶點，為非小細胞肺癌的治療提供了新的選擇。與常規化療相比，ALK 抑制劑在ALK 陽性非小細胞肺癌的治療中顯示出明顯的優勢[28]。因此，通過影像組學無創地識別ALK 重排將有益于病人預后。

在臨床工作中，影像組學可以精確、無創地識別肺腺癌ALK 重排狀態，具有較好的臨床應用前景。Song 等[29]在335 例肺腺癌病人的CT 平掃影像中提取并篩選影像組學特征，分別構建了影像組學模型、傳統影像模型，以及結合了影像組學特征、臨床數據和傳統影像特征的聯合模型，用于區分肺腺癌中的ALK 重排病人，AUC 值分別為0.80、0.86、0.88。Ma 等[30]基于140 例肺腺癌病人的CT 平掃和CT 增強影像，篩選出25 個平掃特征和19 個增強特征，構建2 種ALK 重排影像基因組學模型，與基于平掃影像的模型（AUC=0.801 0）相比，增強后影像基因組學模型（AUC=0.828 5）具有更優的效能。Choe 等[31]從503 例肺腺癌病人CT 影像中提取原發灶的瘤內和瘤周影像組學特征，分別構建了臨床模型、瘤內影像組學模型、瘤內及瘤周影像組學模型以及聯合模型來診斷ALK 和EGFR 突變狀態，對于ALK 重排的預測，腫瘤內影像組學模型的AUC 值為0.68，優于臨床模型（AUC=0.64），且增加臨床特征后的模型診斷效能進一步提高（AUC=0.72），但增加瘤周特征并沒有提高模型效能（AUC=0.67）。Chang 等[32]進行基于PET/CT 的影像組學分析，應用臨床模型、影像組學模型和聯合模型來預測肺腺癌病人的ALK 突變，研究顯示聯合模型（AUC=0.88）和影像組學模型（AUC=0.86）預測效能均優于臨床模型（AUC=0.74），但聯合模型與影像組學模型之間沒有顯著差異。在上述研究中，無論是基于增強CT影像，還是CT 平掃影像構建的影像組學模型均表現出較穩定的效能，聯合模型的診斷效能優于單獨的臨床模型，但聯合模型是否優于影像組學模型還需要進一步的研究來證明。

3 影像組學在預測肺腺癌KRAS 突變中的應用

大鼠肉瘤病毒（RAS）基因是人類癌癥中最常發生突變的癌基因，其中KRAS 是最常見的RAS 突變亞型，存在于35%的肺腺癌中。盡管近年來靶向治療和免疫檢查點抑制劑的使用極大地改變了晚期非小細胞肺癌的治療前景，但由于缺乏經典的藥物結合位點，一直認為KRAS 突變是不可治愈的[33]。最近，KRAS 的直接靶向藥物取得了重大進展，尤其是KRAS（G12C）抑制劑，如AMG510 和MRTX849，在臨床試驗中取得了令人滿意的結果。2021 年，美國食品和藥物監督管理局批準了AMG510 治療有KRAS（G12C）突變的非小細胞肺癌病人，這是首個直接針對KRAS 突變的藥物[34]。

通過影像組學預測肺腺癌病人中KRAS 突變的研究目前很少，Wang 等[35]研究了79 例Ⅰ期肺腺癌病人CT 影像特征與KRAS 突變之間的關系及其預后價值，結果表明毛刺征與KRAS 突變顯著相關（比值比=2.99），胸膜附著與生存率相關（風險比=2.46）。Rios Velazquez 等[36]嘗試應用基于CT 影像的影像組學模型預測肺腺癌病人KRAS 突變，建立了影像組學模型、臨床模型及聯合模型，結果表明臨床模型識別KRAS 突變效能（AUC=0.75）高于影像組學模型（AUC=0.63）及聯合模型（AUC=0.69）。此外，研究還發現影像組學模型能夠區分EGFR+和KRAS+腫瘤（AUC=0.80），并且當與臨床模型（AUC=0.81）結合時，可顯著提高預測效能（AUC=0.86）。隨著KRAS 靶向治療藥物的發現，使用影像組學預測肺腺癌KRAS 突變狀態將具有光明的前景。

4 影像組學在預測肺腺癌罕見基因突變中的應用

目前，利用影像組學預測肺腺癌基因突變的研究主要集中于EGFR 突變以及ALK 重排，但肺腺癌仍存在其他多種類型的突變，例如ROS1、RET、BRAF、MET ex14 突變等。由于這些基因突變的發生率較低或目前尚未有靶向藥物問世，所以此類基因突變的研究較匱乏。Yoon 等[37]的一項研究發現，基于PET 的影像組學模型結合腫瘤分期和年齡能夠區分ALK/ROS1/RET 融合陽性和融合陰性腫瘤（敏感度=0.73，特異度=0.70），但這項研究并沒有對具體的基因突變類型進行區分。在未來仍需要有大量樣本作為支撐的更深層次研究。

5 小結與展望

盡管多數研究證實了影像組學在預測肺腺癌常見基因突變中的價值，但其作為一種新興技術，仍處在初步探索階段，具有一定的局限性。首先，在臨床實施之前要滿足可重復性，這也是臨床使用的基本要求。目前影像組學的可重復性得不到認可。產生不可重復性的原因有很多，包括異構影像采集、興趣區（即腫瘤實質或瘤周區域）分割以及統計方法的使用不當。另外，影像組學還需要大量、多樣化、多中心和高質量的數據來概括影像組學研究的結果和結論，因此樣本量是當前研究中的一個關鍵缺陷，大多數研究涵蓋的病人數量有限。再者，目前關于影像組學的研究大多為回顧性研究，未來需要大規模前瞻性臨床研究來進一步證實影像組學的價值。相信隨著影像組學的不斷發展和進步，精準預測肺腺癌基因突變并應用于臨床實踐將成為可能，從而為實現精準醫療做出巨大貢獻。