神经外科

影像组学助力原发性中枢神经系统淋巴瘤的精准诊断

作者:佚名 来源:MedSci梅斯 日期:2021-12-01
导读

         近年来,临床诊治中的数字化信息不断增多,数据集不断扩大,模式识别和人工智能算法不断优化,促进了新兴领域医疗大数据的发展。大数据为数据量大、增长速度快、种类多样化等特点数据的总称,这类数据需要先进的技术来提取、存储、分发、管理和分析。在医疗大数据分析中,对高维特征集合的系统性研究称为组学,包括众所周知的基因组学、蛋白质组学或代谢组学。 与这些组学相似,通过高通量计算,从断层扫描图像中提取大量的定量

关键字:  神经系统淋巴瘤 

        近年来,临床诊治中的数字化信息不断增多,数据集不断扩大,模式识别和人工智能算法不断优化,促进了新兴领域——医疗大数据的发展。大数据为数据量大、增长速度快、种类多样化等特点数据的总称,这类数据需要先进的技术来提取、存储、分发、管理和分析。在医疗大数据分析中,对高维特征集合的系统性研究称为组学,包括众所周知的基因组学、蛋白质组学或代谢组学。

        与这些组学相似,通过高通量计算,从断层扫描图像中提取大量的定量特征,将数字医学图像转换为可挖掘的高维数据,这一过程称为影像组学。影像组学的假定是生物医学图像中包含了人眼难以查别的病理生理学信息,但可以通过定量图像分析揭示。影像组学的分析方式在肿瘤学领域得到了广泛应用。

        原发性中枢神经系统淋巴瘤(primarycentralnervoussystemlymphoma,PCNSL)是一种局限于脑、眼、脊髓及软脑膜的罕见结外非霍奇金淋巴瘤,占所有颅内肿瘤的4%。90%~95%的PCNSL的组织学类型为弥漫大B细胞淋巴瘤,其余为T细胞淋巴瘤、伯基特淋巴瘤、淋巴母细胞性淋巴瘤和低级别淋巴瘤。PCNSL具有高度侵袭性,预后较差,中位无进展生存期和中位生存期分别约1年和3年。

        PCNSL不同于其他原发性颅内肿瘤(如胶质瘤、脑膜瘤等),手术切除无明显生存获益且存在神经损伤后遗症,以大剂量氨甲喋呤为核心的综合治疗能够实现肿瘤的控制。因此,精准诊断PCNSL可最大程度避免手术切除,尽快开始治疗,改善患者预后。

        PCNSL诊断的金标准是病理诊断,美国国立综合癌症网络(NationalComprehensiveCancerNetwork,NCCN)发布的中枢神经系统肿瘤指南推荐行立体定向活检术以明确病理诊断。但该有创方法可能由于病变位置过深及标本质量不合格而无法明确诊断,同时还存在出血和神经损伤的风险。因此,有必要寻找无创而又精确的诊断方法。

        当前,影像学诊断是PCNSL的主要无创诊断方式之一,但要达到精确诊断就必须突破基于形态学和半定量分析的传统影像医学模式。新兴的影像组学为解决这一问题提供了可能,通过影像组学分析开发诊断和预测模型,以支持个性化的临床决策和改善个体化治疗的选择。

1.影像组学的分析过程

        影像组学分析分为6个步骤:

        ①图像的获取,影像组学中常用的医学图像包括CT、MRI、正电子发射计算机断层显像(positronemissiontomography-computedtomography,PET-CT)。

        ②图像预处理,预处理是对原始图像的一系列转换,以改善图像质量并使统计分析更具可重复性和可比性,主要包括配准、重采样、颅骨剥离、降噪、偏置场校正、强度归一化等。

        ③图像分割,是指对患者图像中勾画出病灶区域,即对感兴趣区域(regionofinterest,ROI)的标注。ROI一般包括肿瘤核心区域(enhancingpartofthetumorcore,ET)、肿瘤核心非增强部分(non-enhancingpartofthetumorcore,NET)和水肿区(edema,ED)。目前图像分割一般包括人工分割法、半自动分割法、自动分割法3种方法。

        ④图像特征提取,传统的提取方式包括形状、体积、一阶统计特征、纹理特征等,还有一些获取于特定图像的影像组学特征以及仅适用于多模式数据集的分形和融合特征。此外,卷积运算是区分性深度学习模型最常见的图像特征提取方式。

        ⑤特征选择与降维,高维冗余的特征占据计算内存,延长计算时间,并导致模型的预测性能下降,所以要对特征进行选择和组合,获取更“有效”的特征。最常用的方法是根据特征的相关性和预测性能进行选择。

        ⑥建立模型,影像组学的目标是根据患者类别和影像组学特征开发新的功能或建立新的数学模型,协助医疗人员更好地管理患者。

2.影像组学对于疾病诊断的优点和发展

        影像组学是计算机辅助诊断和检测(computeraideddiagnosisanddetection,CAD)系统的延伸,但其除具有传统CAD的非侵入性与高灵敏度诊断检测能力之外,更侧重于从深层次提供有关人类疾病的信息。

        影像组学对图像高维异质性信息的识别是传统CAD无法比拟的,它可以发现传统成像视觉分析无法识别的图像细微变化,获取医学图像可能传达的深层次信息,如疾病的严重程度、转移、进展和复发。此外,影像组学中提取的高质量定量化的高维度特征可与患者的其他特征相结合,增加决策支持系统的能力。

        例如,放射基因组学,即通过将放射组学的特征子集与基因组数据相结合以提高模型的预测能力。这种结合方式契合了肿瘤这种既在表观层面又在基因层面呈现差异的特性,对于肿瘤的精准诊疗将发挥巨大作用。

3.影像组学在PCNSL诊断中的应用

        近年来,影像组学用于脑部肿瘤的预测和分类模型有了长足进步,其中包括对胶质瘤和PCNSL的鉴别诊断、病理分型、肿瘤分期、预后分析等。目前影像组学在脑部肿瘤研究中,以胶质瘤最多,在PCNSL主要集中于肿瘤分割和与胶质母细胞瘤的鉴别诊断两个方面。

        Pennig等使用3D卷积神经网络对66例PCNSL的ET与肿瘤总区域分别进行自动分割,与手工分割相比,Dice相似系数分别为0.74与0.80,表明机器分割可以达到近似人工分割程度。Yun等通过比较62例PCNSL与91例胶质母细胞瘤的影像,借助机器学习模型,使用T1加权和扩散加权成像(diffusion-weightedimaging,DWI)序列提取的影像特征构建诊断模型,结果显示,多层感知机模型内部验证集的曲线下面面积(areaunderthecurve,AUC)为0.991(95%CI:0.987~0.994),外部验证集的AUC为0.947(95%CI:0.937~0.956),高于影像医师读片的AUC,相似的结论在其他多篇文献也有体现。

        胶质母细胞瘤和PCNSL具有不同的诊断和治疗策略。通过以上研究获取的预测模型,可实现PCNSL的精准诊断。

4.影像组学的挑战

        随着影像组学在医疗研究中逐渐增多,带来的问题也逐渐显露,如检测仪器不同导致可重复性差。Mackin等的研究表明,对同一患者进行扫描,不同扫描仪器获取的影像特征之间存在变异度。有研究认为,这可能与重建算法的差异相关。

        另一个影响重复性的原因是肿瘤可能有模糊的边界,导致不同观察者手动勾画之间的差异,这一误差可通过半自动或全自动图像分割技术得到有效控制。还有研究表明,基于3D-slicer的靶区勾画可重复性得到了很大的提升。除可重复之外,样本量的不足也是严重问题,尤其对于少见的脑部肿瘤,如PCNSL的一些研究都是集中于小样本基础上,这会导致模型过拟合风险。

        此外,标准化也是棘手问题,现有的研究中,患者图片多来自不同扫描方案或不同厂家的仪器,对于这部分图片需要标准化扫描方法和图像重建算法,避免重建算法或扫描方案的变异度掩盖了患者之间的变异度。应在研究设计之初,按照影像组学质量评分(radiomicsqualityscore,RQS)进行严格把控。最后,影像特征的可解释性一直是影像组学分析的主要限制,产生这种限制的原因是影像特征多数难以和生物特征相关联。

        尽管完全基于数据驱动构建出的模型可达到有效的预测或诊断目的,但模型中关键特征的临床意义并不明确。此外,随着深度学习与影像组学的融合,受益于深度学习端到端的特点,模型预测时可不再需要手动或半自动勾画靶区,简化传统的影像组学工作流程降低人的主观影响,但同时对可解释性、计算复杂度、样本的需求带来了更大的挑战。

5.影像组学在PCNSL中的应用展望

        影像组学是计算机视觉借助机器学习、深度学习运用于医疗图像数据的产物,推进了精准医学发展。尽管影像组学在医疗研究中已取得部分成果,但尚处于起步阶段,对PCNSL的研究主要集中在与胶质瘤的鉴别诊断中,并存在可解释性差、小样本、可重复性不足等局限性。随着数据科技与PCNSL精准医疗的发展,有望利用迁移学习解决小样本模型预测的问题,同时建立规范的影像数据库,打开深度学习模型的“黑匣子”,影像组学将有望以非侵入性、低成本、可解释性的特点被运用到PCNSL诊断、治疗、预后分析的各个方面,为实现PCNSL的精准医疗奠定技术基础。

        来源:籍强,康勋,周莉莉,黄安鹏,李文斌.影像组学助力原发性中枢神经系统淋巴瘤的精准诊断[J].北京医学,2021,43(08):714-716.

分享:

评论

我要跟帖
发表
回复 小鸭梨
发表

copyright©医学论坛网 版权所有,未经许可不得复制、转载或镜像

京ICP证120392号  京公网安备110105007198  京ICP备10215607号-1  互联网药品信息服务资格证书:(京)-非经营性-2017-0056
//站内统计 //百度统计 //谷歌统计 //站长统计
*我要反馈: 姓    名: 邮    箱: