Page 204 - 磁共振成像2024年7期电子刊

磁共振成像 2024年7月第15卷第7期 Chin J Magn Reson Imaging, Jul, 2024, Vol. 15, No. 7 综 述｜｜Reviews

度上阻碍了无创精准诊疗的发展。影像组学是医学 2 MRI影像组学在乳腺肿瘤诊疗中的应用
图像研究的一个新领域，通过计算机图像处理技术 2.1 乳腺良恶性肿瘤的鉴别
高通量提取、挖掘病灶的图像特征，可提供更多潜在 精确诊断并区分乳腺良恶性肿瘤对于后续治疗
的反映肿瘤异质性的信息，进而指导临床进行精准 选择是必要的。乳腺良性肿瘤多选择定期随访或直
[3]
诊疗 。目前影像组学在乳腺癌领域的研究已经达 接切除，但恶性肿瘤则需要手术、放化疗或免疫治疗
到较高水平，但同时也存在一些局限性，如影像组 等。目前基于 DCE-MRI 影像组学在识别乳腺肿瘤
学方法尚无统一标准，大多数研究为小样本回顾性 恶性特征方面展现出巨大潜力。在样本量方面，具
[8]
研究，缺乏多中心外部验证和前瞻性研究等。因此 有代表性的研究是 JI 等 从 1974 例乳腺癌和 496 例
有必要对 MRI 影像组学在乳腺癌临床诊疗中发展 乳腺良性病变患者的 DCE-MRI 图像中提取影像组
现状和不足进行总结。本综述将对影像组学概念 学特征后，利用支持向量机（support vector machine,
和工作流程进行简述，并根据已发表文献总结 MRI SVM）构建预测模型用于乳腺良恶性病变的鉴别，结
影像组学在鉴别乳腺良恶性病变、预测乳腺癌分子 果显示模型具有良好的预测效能[曲线下面积（area
分型、新辅助化疗疗效、腋窝淋巴结状态、Ki-67 表 under the curve, AUC）为 0.89]，且与实际临床管理决
策相比，模型的敏感性达到 99.5%，推荐病灶活检减
达、预后评估及复发风险等方面的研究进展，旨在
[9]
让放射和临床医师了解更多 MRI 影像组学在乳腺 少 9.6%。DEBBI 等 从 DCE-MRI 14 个药代动力学
参数图中提取影像组学特征构建模型对乳腺肿瘤
癌诊疗应用中的信息，为今后的临床诊疗和科研提
进行分类 ，并将其性能与乳腺影像报告数据系统
供更多选择。
（breast imaging reporting and data system, BI-RADS）
分类进行比较，结果显示影像组学模型在测试集中
1 影像组学概述
[4]
影像组学最早由学者 GILLIES 等 于 2010 年首 的 AUC 达到 0.94，并且高于传统的 BI-RADS 评分
（AUC 为 0.84）。XU 等 利用 DCE-MRI 的瘤内和瘤
[10]
[5]
次提出，后经学者 LAMBIN等 进一步完善并进行全
周影像组学特征构建 4 种影像组学模型用于鉴别浸
面描述后首次提出“影像组学”概念。影像组学即利
润性乳腺癌导管内成分，结果显示瘤内和瘤周联合
用大量基于人工智能的数据表征算法集，从大量医
影像组学特征具有最佳的诊断效果，训练集与验证
学图像中挖掘出肉眼无法识别的高纬度定量特征，
集 的 AUC 分 别 为 0.821、0.815。 FAN 等 [11] 从
利用机器学习（machine learning, ML）对这些特征进
DCE-MRI上分别提取结节区域和乳腺区域的影像组
行分析和挖掘，并将其与临床宏观信息和病理和/或
学特征，并分别构建结节区域、乳腺整体区域、二者
遗传微观信息联系起来，对疾病的检测、诊断、预后
联合的三个模型用于预测乳腺结节良恶性，结果显
和治疗方面提供决策支持。影像组学基本工作流程
示包含 1 个结节区域特征和 3 个乳腺整体区域特征
分为：（1）图像获取及重建；（2）图像分割（手动、半自
的联合模型具有最佳预测效能（训练集和验证集的
动和自动进行感兴趣区分割）；（3）特征提取（形状、
AUC 分别为 0.902、0.756）。除 DCE-MRI 外，基于非
直方图、纹理特征等）；（4）特征筛选及模型构建。目
增强 MRI（如 DWI 和 T2WI）影像组学在鉴别乳腺良
前影像组学策略主要有两种方法：一种是经典的方 [12]
恶性病变方面同样具有一定价值。SUN 等 研究多
法，基于使用传统 ML 方法提取预先设定（也称为手
参数 DWI 图像（单指数、双指数、拉伸指数、弥散峰
工制定）的特征；另一种是最近几年开发的基于深度
度）影像组学特征用于鉴别乳腺良恶性病变，结果显
学习（deep learning, DL）方法，主要通过构建多层神 示双指数 DWI 模型具有最高的诊断效能（AUC 为
经网络直接对医学图像进行自主学习，并提取与疾 0.85），比平均扩散指标能更好地区分乳腺良恶性病
病相关的复杂抽象特征，DL 方法不需要任何预设 变。LIU 等 对 1760 例患者 T2WI、DWI 图像构建影
[13]
计 。此外，生境成像（habitat imaging, HI）正逐步成 像组学模型用于鉴别乳腺良恶性病变，结果显示基
[6]
[7]
为一种新的影像组学分析方法 ，通过对肿瘤生物学 于 T2WI+DWI 的高斯过程模型具有最佳的诊断效
环境特征进行聚类和定量分析，HI 可以揭示出肿瘤 能，训练集与验证集中的 AUC 分别为 0.893、0.848，
内不同生境亚区的分子特征和生物学特性，如肿瘤 并且前瞻性、回顾性以及外部测试集中的诊断效能
细胞密度、氧气浓度、血管密度、免疫细胞浸润程度 均与两位高年资乳腺影像诊断医师诊断水平相似。
等。这些生境特征可能与治疗反应、预后等临床指 MP-MRI 是指几种 MRI 技术的组合应用，较 MRI 单
标相关联。HI有助于更深入地描绘出肿瘤内部空间 序列可以有效提高乳腺癌诊断准确性，因此 MP-MRI
异质性，为精准医学和个体化治疗提供重要依据。 已成为影像组学在乳腺 MRI中的应用趋势。WANG
HI常用的方法包括：（1）基于图像像素值的大津阈值 等 研究结果显示基于 DCE-MRI（第 3 期）+DWI+
[14]
法；（2）经典聚类方法，如 K 均值聚类算法、高斯混合 T2WI 联合模型是影像组学应用于乳腺良恶性病变
模型、分级聚类算法等。 分类的最佳选择（AUC 为 0.888），有可能将良性活检

https://www.chinesemri.com ·197 ·