影像組學列線圖在卵巢腫瘤診斷中的應用

張嘉婧，令狐華

（重慶醫科大學附屬第一醫院婦科 重慶 400016）

由于腫瘤內異質性的影響，卵巢腫瘤在細胞增殖、侵襲、轉移能力及對治療的敏感性方面表現不同[1]。其中卵巢惡性腫瘤病死率居婦科惡性腫瘤之首。據報道，全世界每年約有23 萬名女性被確診為卵巢癌，15 萬人因此死亡[2]。早期卵巢癌臨床癥狀并非典型，約70%的患者就診時已有盆腹腔的廣泛轉移。晚期患者的5 年相對生存率為29%，而早期患者的相對生存率為92%[3-4]。因此早發現、早診斷、早治療對卵巢癌患者至關重要。多項研究表明，超聲、計算機斷層掃描（computed tomography，CT）、正電子發射斷層掃描（positron emission tomography-CT，PET-CT）及磁共振成像（magnetic resonance imaging，MRI）為卵巢癌術前診斷提供可靠依據[5-6]。然而，影像學檢查結果描述是定性的過程，其準確性受多因素影響。影像組學能快速大量提取特征，建立預測模型，對疾病的診斷、分期、治療、預后等進行綜合評估[7-8]。列線圖模型是臨床預測模型的常見表現形式之一[9-11]。本文就近年來影像組學列線圖模型在卵巢腫瘤診斷中的應用做總結論述。

1 卵巢腫瘤診療概述

根據組織學特征，卵巢腫瘤主要分為上皮性卵巢腫瘤、生殖細胞腫瘤以及性索間質腫瘤三大類。其中卵巢惡性腫瘤具有高度異質性，其異質性的程度與患者預后呈負相關[12]。指南推薦，卵巢腫瘤的確診金標準為病理檢查。獲得病理檢查結果的途徑主要包括：手術探查、胸腔、腹腔或陰道后穹隆穿刺[13]。

2 影像組學概述

影像組學是從醫學影像中獲取高通量的定量特征，采取自動或半自動分析方法將影像學數據轉化為具有高分辨率、可挖掘的空間數據，從而進行診斷或預后的相關性的研究[7-8]。工作流程如下。

2.1 獲取圖像

通過影像成像，依據標準化協議對圖像進行預處理[14]。

2.2 圖像分割

獲取的圖像將被劃分成多個特征區域，定義為感興趣區（ROI）。劃分方式包括手動分割、半自動分割和自動分割[15]。其中，半自動分割最常用。

2.3 特征提取

影像組學特征包括形態特征、一階特征、紋理特征等[16]。形態特征包括描述ROI 大小、與球體相似程度的特征。一階特征是描述與ROI 的體素強度分布相關的特征。紋理特征是描述體素空間分布強度的特征。

2.4 篩選特征

由于提取出來的特征量大且維數過高，直接進行機器學習容易出現過度擬合，因此需要對特征進行降維篩選得到與臨床研究相關的特征。常見的降維算法有主成分分析法、最小冗余最大相關性、最小絕對收縮選擇算子、遞歸特征消除[8]。

2.5 建立模型

研究者分析及整理影像組學特征，與臨床病理信息、基因蛋白信息等結合，采用統計學方法，建立預測模型。常見的建模方法如下：邏輯回歸函數法、線性判別分析、支持向量機、決策樹、隨機森林、梯度提升決策樹[17]。

3 列線圖概述

列線圖以多因素回歸分析為基礎，整合多個影響因素，根據影響因素對結局變量的貢獻大小，對其取值水平評分，相加得到總評分，通過總評分與結局變量發生概率之間的函數轉換關系計算出對結局事件的預測值[9]。列線圖能夠將復雜的回歸方程轉化成可視化的簡單圖形。初步建立的列線圖模型都應經過充分的驗證明確其適用性。應該用多個隊列數據進行驗證，盡量減小選擇偏倚所帶來的誤差。模型構建之后，需要借助特定的指標來評價其實用性。

4 影像組學列線圖鑒別卵巢腫瘤性質

4.1 鑒別上皮性卵巢癌與非上皮性卵巢癌

Cheng 等[18]為明確影像組學鑒別性索間質腫瘤與上皮性卵巢癌的能力，利用單因素及多因素分析來確定臨床特征及常規MR 參數中的獨立預測因素。結果顯示，結合臨床特征及影像組學特征的列線圖性能最佳，訓練集及驗證集的AUC 分別為0.934 和0.875。上皮性卵巢腫瘤與性索間質腫瘤、生殖細胞腫瘤生物學特性差異明顯，治療方案也大相徑庭。該研究的列線圖模型可以為醫生制定診療方案提供參考。Zhu 等[19]已嘗試探討基于CT 圖像的影像組學方法能否準確鑒別上皮性卵巢癌與非上皮性卵巢癌。他們采用多變量回歸分析發現年齡和CA125 水平是鑒別EOC 及NEOC 的獨立預測因子。綜合臨床特征和放射組學特征的列線圖模型的AUC 值為0.869。綜上所述，基于不同檢查技術的影像組學列線圖模型在鑒別卵巢癌是否為上皮性來源方面都有較高的診斷效能。

4.2 鑒別卵巢Ⅰ型癌與Ⅱ型癌

2002 年，Singer 等[20]首次提出卵巢漿液性癌發生的分類模型。一條途徑是漿液性交界性腫瘤逐漸演變為侵襲性微乳頭狀漿液性癌；另一種途徑是從卵巢表面上皮快速進展為高級別漿液性癌。但此種分類模型主要適用于漿液性癌。Shih 等[21]將兩級分類推廣到其他組織學類型，將上皮性卵巢癌分為Ⅰ型和Ⅱ型。Ⅰ型癌多為早期，生長緩慢、低侵襲性、預后好；Ⅱ型癌無逐步發展模式，生長迅速、侵襲性高、預后差。因此，若能在術前無創性預測卵巢癌的分型，將為臨床決策提供幫助。Wei 等[22]研究納入5 個研究中心的卵巢癌患者，以深度學習算法為基礎，建立列線圖模型，結果表明列線圖模型較臨床模型與影像組學模型都提供了更佳的鑒別準確度和臨床應用價值。超聲檢查也是常用的鑒別方法，Tang 等[23]研究了超聲影像組學鑒別Ⅰ型和Ⅱ型卵巢癌的能力，研究以多因素回歸分析為基礎，建立列線圖模型，訓練集中放射學組學模型和列線圖模型曲線下面積（AUC）分別為0.817 和0.982，測試集中二者的AUC 分別為0.731和0.886。綜上所述，基于超聲放射組學的列線圖模型可以較為準確地在術前預測上皮性卵巢癌分型。同年，Yao等[24]的研究也得到了類似的結論，且校正曲線表明列線圖預測值與實際觀測值基本一致。馬春雨等[25]的研究則納入術前完善能譜CT 檢查的患者，與常規CT 相比，其提供了更多的分析工具和定量指標，該研究篩選出有統計學意義的能譜參數，建立能譜CT 參數模型，于動靜脈期碘基圖提取影像組學特征，得到Rad-score 公式，隨后構建包含臨床特征、能譜CT 參數、影像組學特征的列線圖模型。列線圖模型在訓練集和驗證集中的AUC 為0.935、0.938，靈敏度 0.926、0.913，特異度為0.871、0.857，均高于其他3 組單獨的模型，校正曲線表明列線圖預測上皮性卵巢癌（EOC）分型概率與真實概率吻合較好。宋小玲等[26]研究了紋理分析（TA）在上皮性卵巢癌分型的價值，研究發現各項紋理參數中，基于T2WI的熵對Ⅰ型EOC 和Ⅱ型EOC 的鑒別診斷價值最大。上述研究表明，同樣是影像組學相關研究，盡管研究目的及參考標準一致，不同的研究設計結果所呈現的樣式仍有差異。但不能否認的是，無論是列線圖模型還是影像組學紋理特征，都能較為準確地預測EOC 分型。

5 總結與展望

隨著成像技術的進步，人工智能技術的運用，以此為基礎建立聯合臨床特征及放射組學特征的列線圖模型在不同臨床結局預測方面都表現出不俗優勢。影像組學的每一步操作精確度決定了該項工作結果的可靠性。因此，有研究者提出影像組學質量評分（RQS）來量化其質量[8,27-28]。Ponsiglione 等[29]的研究系統性分析了影像組學在卵巢疾病中的應用價值，結果顯示94%的研究集中在腫瘤學領域，CT 檢查是最常用的影像檢查，RQS 總分的中位數僅為6 分（滿分36 分），這是因為多數研究缺乏前瞻性評估。綜上所述，本文發現以影像組學為基礎，聯合臨床特征繪制出的列線圖模型在卵巢腫瘤的診斷與鑒別診斷中表現出較好性能。然而影像組學需要精細化的操作，忽略任何細節都有可能影響結果的準確性，且多數研究為回顧性研究，納入的樣本不足以反映真實情況，因此需要更多大樣本的前瞻性研究來驗證其適用性及準確性。