Page 208 - 磁共振成像2024年7期电子刊
P. 208

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


              提取 NAC 前以及 NAC 第一周期后 DCE-MRI图像的                      合临床病理信息，用于预测 ER 阳性、ALN 阴性的早
              影像组学特征来预测 TNBC 复发 ，结果显示基于                            期乳腺癌 21 基因检测 RS，结果显示有 8 个影像组学
              NAC 前、后的影像组学特征相结合建立的联合模型                             特征和 1 个临床病理特征与 RS 存在关联，基于影像
              在预测 TNBC 患者 NAC 3 年内是否会出现全身复发                        组学特征构建的模型的拟合优度 R 为 0.264，联合临
                                                                                                  2
                                                                                   2
              方面表现最佳，模型的 AUC 在训练集和验证集中分                            床病理特征后，R 提高到 0.295。CHEN 等 研究发
                                                                                                         [56]
              别为0.963、0.933。LEE等 探讨使用DCE-MRI增强                     现基于 MP-MRI（T2WI、ADC 和 DCE）影像组学特征
                                     [51]
              早期减影图像、ADC 图像相结合的影像组学特征与                             与临床特征的融合模型，在评估 ER阳性/HER-2阴性
              临床病理信息构建的列线图来预测 40岁以下早期乳                             乳腺癌患者 RS 方面模型预测效能（训练集 AUC 为
              腺癌复发概率，结果表明 Rad-score 评分和雌激素受                        0.920）优于其他单参数模型和临床模型。以上研究
              体阴性构建的列线图具有良好的预测能力，尤其是                               表明，MRI 影像组学可作为一种潜在的有效工具，为
              术后 2 年患者的无病生存期（disease free survival,                乳腺癌患者复发风险分层和预后提供更好的预测价
              DFS）。此外，该研究还发现一些被认为是与年轻乳                             值。但目前该领域尚处于初期探索阶段，大多数研
              腺癌有关的影像组学特征，如 ADC 图的肿瘤均匀性                            究仅基于影像学和简单病理学信息，后续研究需要
              与较低的 DFS 有关，ADC 图的聚类趋势与肿瘤复发                          联合转录组学、蛋白质组学、代谢组学等，可更好的
                                [52]
              呈正相关。CHO 等 采用数据驱动聚类方法从乳腺                             指导个性化风险分层和治疗策略。
              癌DCE MRI图像中识别具有相似动力学特征的灌注
              亚区，分类出五个具有不同灌注模式的肿瘤栖息地，                              3 乳腺MRI影像组学的局限性与面临的挑战
              根据这些栖息地的影像组学特征构建生境风险评分                                   尽管使用乳腺 MRI的影像组学已被应用于科学
             （habitat risk score, HRS），并进一步构建 HRS、临床、              研究，但现阶段仍处于初步阶段，面临诸多方面的挑
              联合生境和两种传统影像组学风险模型来预测患者                               战，因此尚未应用于实际临床工作中。第一，目前绝
              的 DFS。结果显示在验证集中，联合生境风险模型                             大部分影像组学研究都是来自单中心，且都是回顾
              在 5 种不同风险模型中表现最好。在 HRS 风险模型                          性研究，因此纳入研究的病例数量相对较少。由于
              和联合生境风险模型中，HRS 是预测较差 DFS 结果                          缺乏足够多的数据用于训练模型，因此统计学结果
              的独立危险因素。这表明灌注亚区异质性的量化是                               可能缺乏普遍性和可重复性。因此，有必要开展前
              预测乳腺癌患者预后的一种潜在方法，并可能促进                               瞻性的大样本量的多中心合作研究，从而为影像组
                                                [53]
              乳腺癌的个性化治疗策略。PARK 等 研究表明，将                            学在临床实际工作中提供可靠依据。第二，不同机
              导管原位乳腺癌的早期动态 T1减影图像与对侧乳腺                             构之间的 MRI 扫描、图像采集方案、参数设定、图像
              正常实质的动态 T1 前和早期动态 T1 减影图像的影                          的采集、重建等均存在差异，这些差异可能会导致后
              像组学特征相结合有助于预测乳腺癌的无复发生存                               续提取特征过程中产生变化。第三，在对图像进行
              率（recurrence free survival, RFS），这表明潜在的乳腺            定量特征计算过程中，有很多方法例如图像后处理、
              环境可能比肿瘤本身的癌症生物学更有助于复发。                               图像分割、数据转换、图像插值和量化，每种方法的
                    [54]
              YU 等 利用深度学习从 T2WI 和 DCE-T1WI 图像提                     变化都会影响特征值。第四，影像组学特征的再现
              取影像组学特征并构建影像组学深度生存网络                                 性和可重复性是影像组学工作流程中每个环节都可
             （radiomic deepsurv net, RDeepNet）模型来预测乳腺              能存在的问题。不同的研究者选择的机器学习算法
              癌复发风险，并进一步探讨影像组学与表观遗传分子                              和性能会影响特征值，因此缺乏统一性和可重复性。
              特征的关联和定量关系，研究结果显示RDeepNet模型                          目前已有研究者发现许多特征值存在不稳定的现
              与 患 者 的 RFS 显 著 相 关 ，在 验 证 集 和 测 试 集 中               象 。第五，几乎在所有已发表的影像组学研究中，
                                                                     [57]
              RDeepNet模型还可以将患者划分为高风险组和低风                           仅仅只有少部分特征从几百甚至上千个影像组学特
              险组，3年RFS的AUC分别为0.91和0.94。此外，该研                       征中被筛选出来用于构建模型，这些特征的直接生
              究发现影像组学与长链非编码 RNA（long non-coding                    物学解释仍然存在很大的不确定性，因此仍然需要
              RNA, lncRNA）之间存在显著相关性。通过基于DL的                        大量的探索性研究来揭示特征的深层含义。最后，
              影像组学预测模型，可以无创量化一个关键 lncRNA，                          影像组学研究是基于医学和计算机人工智能相结合
              训练集和测试集的 AUC 分别为 0.79、0.77，展现出影                      的交叉学科，需要临床医学、影像医学、计算机图像
              像组学在指导乳腺癌治疗决策方面的潜力。21 基因                             处理、机器学习或深度学习等医工专业知识结合，对
              检测对早期乳腺癌的复发风险和化疗获益程度具有                               跨学科合作提出了更高的要求。
              较好的预测作用。根据 16 个肿瘤相关基因和 5 个参
              考基因的表达情况，计算复发风险评分（recurrence                         4 小结与展望
              score, RS），可以量化乳腺癌患者术后复发的危险程                             MRI 影像组学在乳腺癌患者中的应用是一个新
                           [55]
              度。崔雅静等 研究基于 DCE-MRI影像组学特征联                           兴的转化研究课题，对乳腺癌患者的临床管理具有
               https://www.chinesemri.com                                                                  ·201 ·
   203   204   205   206   207   208   209   210   211   212   213