Page 207 - 磁共振成像2024年7期电子刊
P. 207

综   述｜｜Reviews                       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


           的效能要优于单独使用影像学组学模型（训练组                               一。最近的研究验证了通过 MRI影像组学方法预测
                                                                                          [44]
                                                      [38]
           AUC 为 0.869，验证组 AUC 为 0.806）。ZHAN 等 开               Ki-67 表达的可行性。张丽等 选择从 DCE-MRI 第
           发了一种名为瘤内-瘤周结构转变（intra-peritumoural                  2 期图像提取影像组学特征，并采用机器学习多个分
           textural transition, IPRIS）新的影像组学方法，能够定             类器构建乳腺癌 Ki-67 表达的预测模型，结果显示基
           量地提取肿瘤内部和外部差异的图像特征。他们利                              于 SVM 模型预测 Ki-67 表达的效能最佳，AUC、准确
           用 DCE-MRI上原发肿瘤的 IPRIS 特征来预测乳腺癌                      率和 F1度量值在训练集分别为 0.95、95%、0.90，在测
                                                                                               [45]
           患者的 ALN 状态，并在测试集中获得了较高的预测                           试集分别为0.88、79%、0.74。明洁等 选取DCE-MRI
           效能，AUC 为 0.855。LIN 等 利用 DCE-MRI 图像构                 第 2期肿瘤内和肿瘤周围5 mm区域的影像组学特征
                                    [39]
           建基于多种分类器算法的影像组学模型用于评估接                              后，利用 SVM 算法建立模型           瘤内 、模型  瘤周 及模型   瘤内+瘤周
           受 全 乳 切 除 术（total  mastectomy, TM）并 有 1~2 个         用于预测乳腺癌 Ki-67表达，结果显示模型                瘤内+瘤周 诊断
           SLN 阳性的中国乳腺癌患者的非 SLN 转移。结果显                         效能最优 ，训练集与验证集的 AUC 分别为 0.949、
           示基于随机森林分类器表现最佳，在验证集中的平                              0.862，提示基于 DCE-MRI瘤内和瘤周相结合的影像
           均 AUC 最高（0.833）。结合影像组学评分（radiomics                  组学特征更能有助于识别 Ki-67 状态。除 DCE-MRI
           score, Rad-score）、肿瘤大小、淋巴管侵犯和阳性 SLN                 以外，基于非增强序列影像组学也可以有效预测乳
                                                                                        [46]
           比例的联合模型具有最佳的预测效能，在训练、内部                             腺癌 Ki-67 状态。刘晓东等 探讨了基于 DWI、ADC
           验证和外部验证集的 AUC 分别为 0.903、0.890 和                     图及 DWI+ADC 图提取的影像组学特征对乳腺癌
           0.836。此外，联合模型能显著提高非 SLN 转移预测                        Ki-67 水平的预测 ，结果显示与单参数模型相比 ，
           的准确性和临床效益。HARAGUCHI 等 利用短时                          DWI+ADC模型具有最高的诊断效能，训练集和验证
                                               [40]
           间反转恢复序列（short-tau inversion recovery, STIR）         集 的 AUC 分 别 为 0.94、0.93。 此 外 ，通 过 整 合
           和背景信号抑制扩散加权全身成像序列（diffusion                         MP-MRI 图像的影像组学特征也是 MRI 影像组学预
           weighted whole body imaging with background signal   测乳腺癌 Ki-67 表达研究热点之一。FENG 等 等从
                                                                                                        [47]
           suppression, DWIBS）提取影像组学特征，分别采用                    DCE-MRI参数图（流入图、流出图、信号增强率图）和
           LR 和 SVM 算法进行建模用于预测 ALN 状态，结果                       ADC 图 中 提 取 影 像 组 学 特 征 用 于 预 测 乳 腺 癌
           显示在验证集中，使用 DWIBS、STIR 和两种序列组                        Ki-67 状态，结果显示联合 DCE-MRI 三个参数图和
           合的 LR 模型的 AUC 分别为 0.765、0.801 和 0.779，相             ADC 图的影像组学特征较具有最佳的预测效能，训
           应 SVM 模型的 AUC 分别为 0.765、0.757 和 0.779，表             练集和验证集的 AUC 分别为 0.839、0.795。ZHANG
           明结合 DWIBS 和 STIR 序列的放射组学特征可以潜                       等 构建了一种基于双序列（DCE-MRI+ADC）影像
                                                                 [48]
           在地预测 ALN 状态。MP-MRI 将解剖学及功能学图                        组学特征与临床特征相结合的列线图评估 Ki-67 在
           像相结合，不仅能够提供肿瘤的形态学特征，还可以                             乳腺癌中的表达，结果显示在验证集中，双序列联合
           反映出病变相关的病理改变。SONG 等 构建了基                            模型（DCE-MRI+ADC）的预测效能（AUC=0.862）高
                                               [41]
           于 T2WI、DCE-MRI减影图像影像组学特征以及动力                        于 ADC 模型（AUC=0.797）和 DCE-MRI 模型（AUC=
           学特征的联合模型，可以有效预测Ⅰ~Ⅱ期三阴型乳                             0.755），当加入 ER 和 ALN 转移特征后构建的列线图
           腺癌 ALN 是否转移，AUC 为 0.82。另一些研究                [42-43]  能进一步提高预测效能（AUC=0.876）。目前对何种
           通过整合影像组学特征与临床病理因素构建 MRI影                            MRI 序列构建的影像组学模型对 Ki-67 指数的预测
                                          [43]
           像组学列线图，其中一些是基于 DL ，均显示出一定                           效能更好，结果尚无统一。此外，由于 Ki-67 指数的
           的 ALN 转移预测能力。以上研究表明，MRI 影像组                         界限值在不同研究中心存在差异，因此不同研究的
           学在术前无创评估 ALN是否转移方面取得了良好效                            模型重复性欠佳，还有待进一步进行多中心验证。
           果，具有优化乳腺癌患者治疗策略的潜力。但目前                              最近 TABNAK 等 将 31 项有关 MRI 影像组学预测
                                                                               [49]
           大多数研究仍是基于 DCE-MRI，尚需要进一步探讨                          Ki-67表达的研究进行 Meta分析后，结果显示在总体
           基于 MP-MRI影像组学和生境成像对 ALN 的预测价                        上使用基于 DL 的影像组学和 MP-MRI（DWI+DCE）
           值。此外，大多数研究的结果仍不够精确，可能会限                             预测模型的诊断性能略高。此外，从DWI序列获得的
           制模型的重复性，无法直接应用于临床。 后续研究                             影像组学特征在特异性和敏感性方面优于 DCE-MRI
           增加多期相 DCE-MRI、T2WI、DWI 等影像组学或生                      序列。
           境特征，有助于提高对乳腺癌 ALN 状态预测的敏感                           2.6 预后评估及复发风险的预测
           性和特异性 ，从而更好的指导和优化乳腺癌治疗                                   乳腺癌早期复发患者比晚期复发患者生存时间
           策略。                                                 更短，并且需要更积极的治疗方案。因此有效监测
           2.5 Ki-67表达的预测                                      乳腺癌患者复发转移及远期生存率是临床关注的重
               Ki-67 是一种参与细胞增殖的核蛋白。Ki-67 表                     点。越来越多的研究表明，MRI 影像组学也可以用
                                                                                                        [50]
           达已被认为是预测乳腺癌患者预后的重要标志物之                              于帮助预测乳腺癌复发和生存结果。MA 等 通过
          ·200 ·                                                                      https://www.chinesemri.com
   202   203   204   205   206   207   208   209   210   211   212