影像组学在肺癌脑转移中的研究进展.pdfVIP

影像组学在肺癌脑转移中的研究进展

【摘要】肺癌发病率和死亡率居恶性肿瘤之首，其中发生脑转移是导致肺癌相

关死亡的重要原因之一。影像组学作为一种新兴的研究领域，通过将图像识别技

术与医学影像相结合，为深入理解肺癌脑转移的生物学特性提供了新途径，并可

能帮助优化诊疗流程。近年来，影像组学在肺癌脑转移的研究中取得了诸多进展，

主要体现在预测脑转移的发生、鉴定病理特征、识别基因突变状态、预测疗效等，

使影像组学有望成为肺癌脑转移管理的重要工具。本文总结影像组学在肺癌脑转

移中的研究进展，为今后的研究者提供全面而崭新的视角。

【关键词】影像组学；肺癌脑转移；综述

肺癌是起源于肺部组织的恶性肿瘤，根据生物学特点和治疗方法的不同，可

以分为小细胞肺癌和非小细胞肺癌（non-smallcelllungcancer，NSCLC），

其发病率和死亡率分别占所有癌症的12.4%和18.7%，是全球范围内最常见和危

害最大的癌症［1］。肺癌脑转移（lungcancerbrainmetastasis，LCBM）是

导致肺癌相关死亡的重要原因之一，并且40%的肺癌患者会在初诊时或治疗过程

中发生脑转移［2-3］。影像学检查在LCBM的诊疗过程中发挥着巨大作用。然

而，传统的影像学报告在获知LCBM的生物学或病理学性质、预测疗效等方面存

在局限性。近年来影像组学技术在肿瘤学领域得到进一步发展，或将进一步挖掘

和充分利用患者的影像学检查，从而为患者的诊疗决策提供更多有价值的信息。

本文就影像组学在LCBM中的研究进展进行综述，为今后的临床应用研究提供崭

新视角。

一、影像组学概述

（一）影像组学的概念和一般流程

影像组学的概念最早于2012年由Lambin等［4］提出，是医学图像识别与

生物信息学相结合的新兴学科。影像组学的主要目标是通过对医学影像进行高通

量分析，定量化地描述疾病属性，尤其是肿瘤表征和异质性，以便为癌症的检测、

治疗和预测提供生物标志。

影像组学研究的常规流程通常包含以下步骤：（1）图像分割：是指在各种

医疗影像中分割出感兴趣区（regionofinterest，ROI），由研究者根据其自身

专业知识和研究背景决定并进行标记，是后续影像组学研究的基础。（2）特征

提取：确定研究区域后，运用影像组学技术提取出众多定量特征，这些特征的定

义包括但不限于形状特征、一阶统计学特征、灰度纹理特征等。（3）特征筛选：

通过统计学或机器学习算法寻找与研究相关的特征，以简化模型并增强模型的稳

定性。（4）模型构建：运用统计学或机器学习算法将筛选后的特征构建预测模

型，可用于预测疾病生物学性质、疗效和临床转归。（5）模型验证：对建立的

模型进行评估，以确认其预测能力和在临床上的应用价值。

（二）深度学习在影像组学中的作用

深度学习是指模仿人脑从数据中学习特征和规律，通过迭代优化参数提高对

图像、文本等数据分类的准确性。深度学习技术在影像组学中的应用主要包括R

OI自动分割［5］、深度学习特征的提取［6-7］以及基于特征的预测模型构建

［8］。运用深度学习技术自动分割ROI的好处是无需浪费宝贵的人力资源（手

动勾画），并且可以避免这个过程中的主观性偏倚，而缺点是需要较大的计算资

源以及不确定性。基于深度学习的影像组学特征提取则可以提取出多达数万的特

征数量，这可能蕴含着更丰富的疾病信息。而传统影像组学即使对图像进行复杂

的预处理和变换也只能提取数百或数千的特征数量。然而，运用深度学习提取的

影像组学特征以及构建的预测模型可解释性很差，并且受模型种类以及模型训练

的影响较大。因此，即使深度学习可以在影像组学中发挥重要的促进作用，但是

二者具有各自优势。

（三）不同亚区域的影像组学技术

影像组学的研究不仅限于肿瘤整体，还涉及分析肿瘤内部及其周围不同亚区

域的异质性。这些亚区包括肿瘤内的不同功能区域和肿瘤边缘以外不同范围的瘤

周区域［9-10］。不同亚区可能代表着不同的生物学特性，通过影像组学的分

析方法可将这些特性量化，为更精确的定制化预测和研究策略提供依据。其中肿

瘤内亚区的划分可以是研究领域专家人工划分如划分肿瘤中心区、坏死区、边缘

区等，也可以通过一种来自生态环境监测领域的图像技术，即栖息地分析。栖息

地分析通过图像分析技术如阈值划分、聚类算法等来寻找肿瘤内部不同生物学功

能区域，而瘤周亚区的划分则可以通过设定肿瘤边缘以外不同长度或体素距离的

非肿瘤区域。这些亚区的设置