影像组学在肝脏非肿瘤性病变的进展

2022-01-14 版权声明 举报文章

影像组学在肝脏非肿瘤性病变的进展

影像学检查是临床疾病诊疗过程的重要组成部分。而传统的影像诊断,仅仅是对医学图像信息定性或半定量的提取,易受诊断者主观因素影响,从而不能全面、客观地对疾病进行评估和诊断,容易造成漏诊或者误诊,影响患者预后,甚至造成患者死亡。影像组学(Radiomics)的出现及发展,打破了传统影像诊断模式,通过高通量的提取、筛选医学图像中肉眼难以发现的病灶信息的影像组学特征并建立影像组学模型,为临床进行疾病的评估、诊断开辟了新的思路,提供了新的参考,并已广泛应用于脑膜瘤[1]、胃癌[2]、肝癌[3]、前列腺癌[4]等肿瘤性病变的研究之中;不仅如此,在阿尔茨海默病[5]、动脉粥样硬化[6]、肝纤维化[7]和正常心肌与瘢痕心肌的鉴别诊断[8]等非肿瘤性病变的评估及诊断之中,影像组学也有着十分广阔的发展前景。本文就影像组学在肝纤维化及肝硬化的诊断评估、门静脉高压及食管胃底静脉曲张(GOV)破裂出血风险的评估、肝脏储备功能的评估及与肝脏肿瘤性病变的鉴别诊断等肝脏非肿瘤性病变的应用进展进行综述。

1影像组学的定义及方法概述

随着医学影像技术及成像手段的快速发展,所产生的医学图像数据量也越来越大,对图像获取和存储方面的质量控制,使得规范化、多模态的影像大数据集的建立成为可能。过去处理及使用小样本量图像数据的方法和模式,显然不能对图像的大数据信息进行充分的挖掘和利用。荷兰学者Lambin于2012年首次提出了影像组学(Radiomics)的概念[9],作为一种新兴的利用医学影像大数据对疾病进行定量分析预测的方法,可以从医学图像中获得更多客观定量、肉眼难以鉴别的影像学特征,再将其转换为可挖掘的高维数据信息,从而实现图像到数据的转换[10,11]。通过大量的自动化数据特征化算法的使用,影像组学能有效实现图像的采集与重组、病灶的分割及勾画,并通过对病灶影像组学特征的提取与筛选,最终完成影像组学模型的建立[11,12]。近些年来,影像组学已广泛应用于不同疾病的研究之中,在疾病检测、诊断、鉴别诊断及预后评估方面发挥着越来越重要的作用。此外,深度学习(Deeplearning)等人工智能技术的突破性发展,减少了传统影像组学人工提取数据特征的步骤,极大地缩短了从病灶影像组学特征提取到最终影像组学模型建立的时间,进一步促进了影像组学技术在医学图像处理等诸多领域的应用研究。

2影像组学在肝脏非肿瘤性病变中的研究进展

2.1肝纤维化及肝硬化的诊断评估

肝纤维化是各种慢性肝病发展为肝硬化或肝癌的过渡阶段,主要是由含大量胶原蛋白的细胞外基质(extracellularmatrix,ECM)过度沉积于肝小叶周围所引起,这些过度沉积的ECM阻碍正常肝细胞与血液间的物质交换,并最终引起肝细胞的的坏死、变性,从而诱发了肝纤维化等一系列的慢性肝损伤的过程。组织学上肝纤维化及部分肝硬化经治疗后可逆[14],因此早期精准地评估肝纤维化程度对于患者的治疗及预后十分重要。作为诊断是否存在肝纤维化和评估肝纤维化分期的“金标准”的肝活组织穿刺检查有创、可重复性差,并且肝纤维化的不均质性、穿刺活检样本量较少等因素,均会影响肝纤维化分期的准确性[13,14]。影像组学作为一种无创性的方法,可以对肝纤维化及肝硬化程度进行更加准确的评估。Park等[7]回顾性搜集436例不同肝纤维化患者的钆塞酸二钠增强MRI图像并构建影像组学肝纤维化指数模型,通过与肝活检结果对比并内部验证剔除相关性较低的特征,最终建立与肝纤维化分期相关性较高的模型,进行前瞻性验证后发现其诊断F2~F4、F3~F4级肝纤维化及F4级肝硬化的敏感度和特异度分别为71%、78%,79%、82%,92%、75%;表明基于钆塞酸二钠增强扫描肝胆期图像的影像组学分析能较为准确地进行肝纤维化的诊断及分期。Wang等[15]搜集12个临床医学中心,398例患者共1990幅超声二维剪切波弹性成像图像,采用深度学习算法之一的卷积神经网络(convolutionneuralnetwork,CNN)建立了超声弹性成像深度学习影像组学模型,并以肝活检作为金标准进行模型诊断效能的评估,结果显示该模型可显著提高对肝纤维化分期的准确性,其对肝硬化(F4)、晚期纤维化(≥F3)和显著性纤维化(≥F2)诊断的曲线下面积(AUC)值分别高达0.97、0.98和0.85,表现出极佳的诊断效能。有研究[16]采用纹理分析的方法对212例不同病理分期肝纤维化患者和77名志愿者肝脏多层螺旋CT图像进行分析后发现,随着肝纤维程度的逐步加重,由纹理分析所获得的峰度和偏斜度是逐步减低的,而平均灰度强度、熵则表现为依次增高,在区分不同分期肝纤维化和肝硬化时均显示出较高的诊断效能,特别是在诊断肝硬化(≥F4)时,峰度和偏斜度的诊断的AUC值分别为0.86、0.87,表明纹理分析不仅有助于检测肝纤维化的存在,还可用于肝纤维化的分期。综上所述,基于多种成像手段所构建的影像组学模型对肝纤维化及肝硬化均表现出较高的评估诊断效能,故影像组学的发展,可能为临床上早期发现、及时准确评估肝纤维化及肝硬化程度提供帮助,但基于不同成像手段所建立的影像组学模型间性能差异的研究,有待进一步的探索。

2.2门静脉高压及GOV破裂出血风险的评估

肝硬化失代偿期常伴随门静脉高压症的出现,其严重程度与肝硬化所导致的相关并发症如GOV、肝性脑病、腹腔积液等密切相关,因此,准确地评估门静脉高压程度十分重要。但是,目前评估门静脉压力变化的金标准肝静脉压力梯度(hepaticvenouspressuregradient,HVPG)为有创检查、且费用较高,不利于临床常规开展[17,18]。GOV破裂出血是晚期肝硬化最常见、最严重的并发症,也是患者死亡的主要原因,相关研究显示近50%门静脉高压症患者可出现GOV,在肝功能C级的患者中,GOV出现概率高达85%,食管胃十二指肠内镜是诊断GOV的“金标准”[19],主要通过观察内镜下GOV的范围、程度及“红色征”等进行出血风险的评估,但内镜检查对于GOV程度严重的患者可重复性差。影像组学的出现,为门静脉高压及GOV破裂出血风险的无创性评估提供了新的选择。Liu等[20]基于222例不同程度门静脉高压患者的增强CT图像构建了临床显著性门静脉高压(clinical-lysignificantportalhypertension,CSPH)的非侵入性影像组学模型,并通过4个外部验证队列中163例患者,对该模型的诊断性能进行了前瞻性检验,结果显示该模型不仅在内部验证集中诊断CSPH的AUC值高达0.849,在4个外部前瞻性验证队列中,该模型诊断CSPH的AUC值也分别高达0.889、0.800、0.917、0.827,提示该影像组学模型可作为无创检测肝硬化CSPH的一种准确方法。Yang等[21]通过分析两个临床医学中心共295例乙肝肝硬化患者的肝脏三期增强CT图像,从门静脉期CT图像提取出21个与GOV出血关系密切的影像组学特征,并结合了3个临床特征(性别、门静脉高压、门静脉栓子有无),建立了用于预测乙肝肝硬化患者继发GOV出血的CT影像组学模型,结果表明该影像组学模型的预测效能明显优于临床模型(AUC0.83vs0.64),对于GOV破裂出血的预测,在训练队列与验证队列中,该模型预测的准确率分别为76%、73%,是一种有效预测GOV破裂出血的无创性方法。此外,还有研究[22]基于169个门静脉高压患者的CT图像,建立了一个肝、脾特征联合的影像组学模型,并对62例接受GOV治疗的患者进行了验证队列研究,结果表明该模型不仅可以用于门静脉高压的诊断,还可用于GOV出血复发风险的预测,以29.102mmHg为最佳截断值时,相应的AUC可高达0.866,提示该影像组学模型可作为无创、精准预测继发于门静脉高压症的GOV治疗效果的有效的参考指标。影像组学无创、可重复性强,在门静脉压力及GOV出血风险的评估中潜力巨大,但模型预测效能的稳定性及泛化能力,仍需进一步的临床研究进行证明。

2.3肝脏储备功能的评估

肝脏储备功能状态的准确评估,关乎肝病患者,尤其是肝癌患者治疗方式的选择及预后[23]。Child-Pugh分级评分系统是临床应用最广泛的肝脏储备功能评分标准,但Child-Pugh分级具有高度的变异性,易受患者胆汁排泄、门静脉栓子形成等因素的影响,从而影响临床工作中对患者肝脏储备功能评估的准确性[24,25]。影像组学通过高通量的提取和处理图像信息,可以对疾病进行更准确、更全面的评估。Simp-son等[26]对12例接受大范围肝切除术后并发肝功能不全和24例未出现肝功能不全患者的术前CT图像进行纹理分析,发现术后并发肝功能不全患者术前CT上肝实质的质地明显不同,术后并发肝功能不全者不仅对称性较差,均匀性也较差,并且两组患者纹理特征之一的熵值间也存在显著的差异,故从术前CT图像中提取的纹理特征,可用于预测患者术后肝功能衰竭发生概率,可作为提供术前风险分层的另一种手段。Zhu等[27]基于101例患者的术前钆塞酸二钠增强MRI图像,使用影像组学的方法从肝胆相图像中提取了61个影像组学特征,并最终筛选出5个影像组学特征用于建立术前预测肝癌患者术后肝功能的影像组学模型,其结果表明该模型对于预测术后肝功能衰竭发生概率具有良好的预测效能,模型预测的AUC值高达0.894,可用于预测肝硬化患者肝大部切除术后的肝功能衰竭。Zhou等[25]通过100例不同肝脏储备功能肝硬化患者钆塞酸二钠增强MRI肝胆期图像所建立的评估肝脏储备功能的列线图预测模型,在预测肝脏储备功能方面,也显示出良好的效能,在训练集及验证集中,其预测肝脏储备功能Child-PughB+C级患者的AUC值分别为0.88和0.86。影像组学在肝脏储备功能评估中具有一定的价值,但不同病因患者间肝脏储备功能影像组学特征间是否存在差异,以及所建立评估肝脏储备功能模型的泛化能力,还有待进一步的研究。

2.4与肝脏肿瘤性病变的鉴别诊断

肝脏局灶性病变良恶性的准确判断,对于临床治疗方式的选择及患者的预后来说十分重要。但部分非肿瘤性病变和肿瘤性病变、良性肿瘤性病变和恶性肿瘤性病变之间影像学表现存在交叉,易出现误诊。影像组学能深度挖掘医学影像图像的影像特征信息,从而降低对肝脏局灶性病变的误诊率。Suo等[28]通过纹理分析的方法对20例肝脓肿患者及26例肝脏恶性肿瘤患者的增强CT图像分析后发现,纹理特征之一的熵值能较为准确区分肝脓肿与肝脏恶性肿瘤,其诊断的灵敏度与特异度分别为81.8%、88.0%,AUC值高达0.888。Nie等[29]基于55例非肝硬化肝局灶性结节增生患者和101例肝癌患者的CT影像资料,从增强CT图像中进行病灶勾画后提取了4227个影像组学特征,通过降维方法将其缩减为10个影像组学特征,并联合性别、年龄,病灶大小、形状、中央瘢痕征有无等主观评价条件构建了一个用于鉴别诊断肝脏局灶性结节增生与肝癌的影像组学模型,结果显示该模型在训练集及验证集区分两者的AUC分别高达0.979和0.917,具有良好的预测效能。而钟熹等[30]对31例患者肝硬化结节常规T2WI序列进行纹理分析的结果之中,纹理参数如对比度、逆差距,能量、相关性、熵值均具有统计学意义,能有效进行小肝癌及局灶性增生的鉴别诊断。有研究[31]运用机器学习算法之一的随机森林算法,通过获取动脉期CT图像纹理特征及性别、年龄等临床特征,建立了肝脏富血供病变类别的预测模型,结果显示其诊断肝腺瘤、局灶性结节增生及肝细胞癌的准确率分别为91.2%、94.4%、98.6%。以上结果提示:影像组学对肝脏非肿瘤性病变及肿瘤性病变有较强的鉴别诊断效能,能显著提高肝脏局灶性病灶的影像诊断准确率。

3肝脏非肿瘤性病变影像组学的挑战与展望

目前,影像组学在肝脏肿瘤性病变中应用较为广泛,且相关研究也取得了一定成果;其在肝脏非肿瘤性病变中的研究中虽然也有较大的发展前景,但同样面临诸多挑战:(1)图像标准化的问题,肝脏医学图像主要通过超声、CT、MRI等设备获取,但不同机构的设备及扫描参数各异,缺乏统一的标准,从而影响所建立影像组学模型的稳定性及适应性;(2)目前已有相关研究多为单中心研究,有限样本所建立的预测模型,不能进行多种中心、大样本数据的外部验证,模型预测效能的可靠性仍值得商榷;(3)肝脏非肿瘤性病变多为慢性疾病,经治疗后部分疾病可逆,甚至完全痊愈,但现阶段缺少对肝脏非肿瘤性疾病的临床转归过程及药物治疗预后情况的研究,并且与基因组学、代谢组学等多领域、跨学科的交流合作也相对比较缺乏。影像组学作为一种新兴的多学科、多领域相互交叉、相互融合的技术,在肝脏非肿瘤性病变的诊断、评估及鉴别诊断方面潜力巨大。人工智能特别是深度学习算法的快速发展和完善,极大的推动并加快了影像组学在各个领域的研究进展。未来随着多中心、多学科的交流合作,使得大样本、标准化数据的获取成为可能,影像组学必将为临床疾病的诊疗提供更多参考,早日实现对患者的个性化精准治疗。

作者:刘显旺 韩引萍 李昇霖 邓娟 薛彩强 李政晓 周俊林

注:本文为网友上传,不代表本站观点,与本站立场无关。举报文章

0

好文章需要你的鼓励

上一篇:牛白血病诊断和防治方法 下一篇:制度自信教育融入课程思政的路径

你需要文秘服务吗?

提供一对一文秘服务,获得独家原创范文

了解详情
期刊发表服务,轻松见刊

提供论文发表指导服务,1~3月即可见刊

了解详情

被举报文档标题:影像组学在肝脏非肿瘤性病变的进展

被举报文档地址:

https://wenmi.com/article/r5ohm106lrg4.html
我确定以上信息无误

举报类型:

非法(文档涉及政治、宗教、色情或其他违反国家法律法规的内容)

侵权

其他

验证码:

点击换图

举报理由:
   (必填)

发表评论  快捷匿名评论,或 登录 后评论
评论