肿瘤学中的影像组学与液体活检:系统医学中的全子
本文综述了影像组学(从诊断图像中提取定量特征)和液体活检(检测血液中循环肿瘤细胞或肿瘤DNA)在肿瘤学中的应用,两者均为微创、可重复的检查手段,可提供关于肿瘤类型、侵袭性、进展及治疗反应的信息,目前主要证据集中在肺癌和胃肠道肿瘤,并讨论了在系统医学框架下整合两种方法进行肿瘤诊断和随访的协同策略。
要点
- 影像组学通过计算机算法提取图像定量特征,不能由人眼视觉评估获得,多数临床应用在肿瘤影像领域。
- 循环肿瘤DNA(cftDNA)突变分析灵敏度显著高于循环肿瘤细胞(CTC),是液体活检中分子分析的最佳来源。
- 已有欧洲肿瘤内科学会(ESMO)指南推荐cftDNA用于转移性非小细胞肺癌EGFR突变分析,作为组织活检的替代来源。
核心结论
- 影像组学与液体活检在肿瘤学中具有巨大潜力,两者均为微创、易行、可在随访中重复,能提取关于肿瘤类型、侵袭性、进展和治疗反应的信息。
- 在系统医学框架下,联合使用血浆液体活检与影像组学可能有助于研究基因型变异与治疗反应临床变异之间的联系,以及特定影像特征与特定基因表达预后模式之间的联系。
研究设计与样本
- 综述类文章,检索范围涉及PubMed中「radiomic」和「liquid biopsy」相关文献,纳入了多个研究,包括Aerts等对1019例肺癌和头颈癌患者的CT影像组学分析、Leijnaar等对肺癌PET/CT重复扫描的纹理特征可靠性研究、Cunliffe等对106例食管癌放疗患者CT纹理特征变化的研究、Coroller等对肺癌患者影像组学特征预测病理残留和远处转移的研究、Berenguer等对两个体模的CT影像组学特征可重复性研究、Zhu等对129例和487例非小细胞肺癌患者影像组学特征的研究等。
- 影像组学特征包括形状/大小、直方图、滤波和纹理分析,纹理分析主要基于Haralick方法。
- 液体活检检测 circulating tumour cells (CTCs) 和 circulating tumour nucleic acids,CTC分离方法基于物理性质(大小、密度、电荷)或生物学性质(表面抗原、胞质蛋白表达),免疫磁珠分离是最常用的CTC平台。
关键影像表现/征象
- 影像组学可提取肿瘤异质性特征,Leijnaar等对肺癌PET/CT重复扫描的纹理特征显示组内相关系数重测可靠性71%、观察者间可靠性91%。
- Cunliffe等对106例食管癌放疗患者分析20个纹理特征在治疗前后CT上的变化,显示特征随辐射剂量增加出现定量变化。
- Coroller等在肺癌患者中提取15个影像组学特征,其中7个预测病理大体残留病灶,1个预测病理完全缓解;另一项98例肺癌研究中635个特征中35个预测远处转移、7个预测生存。
- Zhu等从129例非小细胞肺癌患者提取485个特征,鉴定5个特征构建鉴别肺腺癌与鳞状细胞癌的独特特征集;同一团队在487例肺癌患者中开发9个影像组学特征集区分低分化(预后差)与高分化(非侵袭性、预后好)。
- Berenguer等对两个体模研究显示,从CT图像提取并测试的177个影像组学特征中仅71个可重复,因信息冗余仅代表10个特征。
诊断标准与关键数值
- 影像组学特征类型包括形状/大小、直方图、滤波和纹理分析,纹理分析主要基于Haralick方法。
- 影像组学特征仅能通过计算机算法提取,不能由人眼视觉评估获得。
- Berenguer等研究中仅71/177个CT影像组学特征可重复,因冗余信息仅代表10个特征。
- 循环肿瘤细胞(CTC)数量约为每毫升全血中1个CTC对10^7个白细胞,半衰期估计约1–2.5小时。
- 欧洲肿瘤内科学会(ESMO)指南推荐cftDNA用于转移性非小细胞肺癌EGFR分析,液体活检被视为组织活检的有效替代,cftDNA上EGFR p.T790M突变阳性可接受第三代EGFR酪氨酸激酶抑制剂治疗。
临床应用与阅片要点
- 影像组学分析可提取肿瘤异质性特征,用于治疗监测和结局预测,但需注意特征提取在不同扫描仪、重建算法(如平滑与锐利算法)、对比剂、辐射剂量、运动及迭代与滤波反投影重建方法间的变异性。
- 机器学习可提高影像组学分析效能,但需注意过拟合问题:使用过多特征导致冗余和不相关噪声,可通过重测研究选择仅提供可重复和可再现测量的稳健特征来减少特征数量。
- 液体活检中cftDNA突变分析是当前最简便的液体活检应用方式,可重复进行且患者无不适;CTC分析可形态学鉴定恶性表型并进行分子表征和免疫标记,但CTC丰度低、易碎、可能假阴性。
局限性
- 影像组学特征需要广泛开发和临床验证,目前临床实践中唯一验证的解释方法仍是视觉评估。
- 影像组学特征提取在不同影像模态间存在变异性,Mackin等显示20例非小细胞肺癌患者影像组学特征存在扫描仪间变异。
- Zhao等对32例肺癌患者重复CT扫描在六种相同成像设置下重建,发现使用平滑和锐利算法重建时影像组学特征值存在大差异。
- Berenguer等研究显示177个CT影像组学特征中仅71个可重复。
- 机器学习应用于影像组学数据存在过拟合问题,模型在训练数据集上表现很好但在新数据上可能表现较差。
全文中译7 节 · 点击展开
引言
在过去几年中,“放射组学”一词作为新兴研究领域在影像学界出现,Lambin等人将其定义为“从放射影像中高通量提取图像特征”[1]。
放射组学是处理从诊断图像中提取和分析定量特征的学科[2]。放射组学的基础在于,所提取的这些特征是表型,即病理生理过程的图像定量表达,这些过程也可由其他“组学”表达,包括基因组学、转录组学、代谢组学和蛋白质组学[3, 4]。
可通过放射组学分析提取的特征示例包括基于形状/大小的特征、基于直方图的特征、基于滤波的特征以及纹理分析[5]。
纹理分析是一种极具前景的特征提取方法,主要基于所谓的Haralick方法[6]。局部进展期直肠癌MRI纹理分析的示例如图1所示。
因此,放射组学与其他“组学”领域一样,是一个从诊断图像中提取特征的过程,但其最终产物是可测量、可挖掘的定量特征/参数。定量特征的概念与“成像生物标志物”的概念相结合,后者在欧洲放射学会白皮书中被定义为“作为正常生物学过程、病理变化或治疗干预的药物反应指标而被客观测量的特征”[7]。
因此,通过对这两个定义进行概念上的结合(这两个定义可有不同解读),放射组学是一个能够从医学图像中提取成像生物标志物的过程。
放射组学特征只能通过计算机算法提取,无法通过人工视觉评估获得。这是定量分析的主要“优势”。然而,放射组学特征需要大量开发和临床验证,迄今为止,临床实践中唯一经过验证的解读方法——具有人脑的所有局限性和优势——仍然是视觉评估。放射科医生在图像解读方面的高读者间一致性支持了定性评估的可靠性,因此可能为整合其他“组学”和临床数据的定量分析的开发和验证提供参考标准[8]。
放射组学领域已取得众多科学进展,对“radiomic”一词的文献综述(在本综述撰写时)显示,在2012年至2018年的6年期间,包含该词的出版物数量呈指数增长(图2)。
放射组学在肿瘤学中的应用
迄今为止,绝大多数已发表的关于放射组学的论文涉及肿瘤学应用。
Aerts等人对1019例肺癌及头颈癌患者的肿瘤表型进行了CT放射组学分析,发现了440个特征(包括图像强度、形状和纹理),具有潜在的预后价值,可能对临床实践产生影响[3]。
可通过放射组学过程提取的一类重要特征是肿瘤异质性,可通过纹理分析进行量化。在Leijnaar等人的一项研究中,对接受重复扫描的肺癌患者的正电子发射断层扫描-计算机断层扫描(PET/CT)数据进行放射组学分析,能够提取多个纹理特征,这些特征在组内相关系数方面显示出高重测信度(71%)和观察者间信度(91%),这表明异质性的变化可用于治疗监测和结局预测[9]。
放射组学还有潜力提供组织对放射治疗反应的个体化定量测量,包括肿瘤对治疗的反应和放射治疗相关毒性。Cunliffe等人检查了106例接受食管癌放射治疗患者的CT扫描,分析了治疗前后扫描之间20个纹理特征的变化,揭示了特征随放射剂量增加而发生的定量变化[10]。在放射肿瘤学中,放射组学一词与“剂量组学”一词相关联,后者指用于预测接受放射治疗的口腔癌患者口干症的剂量形状特征[11]。
放射组学对肿瘤反应的预测也可用于化疗的情况。在Coroller等人对肺癌患者的一项研究中,提取了15个放射组学特征,其中7个被发现可预测病理性大体残留病灶,1个可预测病理性完全缓解[12]。
评估肿瘤异质性在预测肿瘤转移方面也具有价值。Coroller等人在98例肺癌患者的一项研究中,在患者CT扫描中发现了635个放射组学特征,其中35个可预测远处转移,7个可用于预测生存[13]。
尽管放射组学分析在各种肿瘤学应用中具有巨大潜力,但不同成像方式之间特征提取的可变性存在显著问题。量化的特征受到可测量变异的影响——例如,Mackin等人展示了从20例非小细胞肺癌(NSCLC)肿瘤计算出的放射组学特征的扫描仪间变异性[14]。Zhao等人对32例肺癌患者的CT扫描进行了类似分析,这些扫描是在六个相同成像设置下重建的重复CT扫描,从肿瘤大小、形状、边缘毛刺和锐利度以及无空间信息的密度分布中提取了89个放射组学特征。他们发现,在使用平滑和锐利算法重建的重复CT扫描上计算时,放射组学特征值存在很大差异[15]。
Summers [16] 和 Berenguer 等人 [17] 也讨论了纹理特征的可重复性和再现性问题。Summers 综述了影响纹理特征变异性的因素,例如使用来自不同机构或制造商的扫描仪采集的数据、静脉造影剂的存在、低辐射剂量(噪声图像可能具有不同的纹理)、物体运动以及使用不同的重建方法(迭代重建与滤波反投影)。Berenguer 等人在两个体模上进行了一项研究,通过CT内分析(改变管电压、管电流、视野、层厚、螺距值、重建核以及轴位与螺旋采集)和CT间分析(比较五台扫描仪),来确定计算机断层扫描中可重复且非冗余的影像组学特征。提取的影像组学特征包括形状、强度和纹理。作者发现,从CT图像中提取并测试的177个影像组学特征中只有71个是可重复的,而由于信息冗余,这些特征仅由10个影像组学特征所代表。
影像组学不限于单一模态分析,还可以在多模态环境中进行。Vallières 等人的一项研究阐明了一个有趣的范例,他们利用FDG-PET和MRI纹理特征开发了一个影像组学模型,用于早期评估软组织肉瘤的肺转移风险。作者从融合的FDG-PET和MRI扫描中提取了9个非纹理特征和41个纹理特征,并发现预测肺转移的最佳性能是通过结合从FDG-PET/T1和FDG-PET/T2 FS扫描中提取的四个纹理特征获得的 [18]。
影像组学特征聚类的潜力引出了影像组学标签的概念,即一组能够识别某种肿瘤类型的特征。在一项涉及129例非小细胞肺癌患者的研究中,Zhu 等人提取了485个特征,并确定了5个特征以开发用于区分肺腺癌与鳞状细胞癌的独特标签。该标签因此被用作组织学类型的标志物 [19]。同一研究团队在487例肺癌患者中使用影像组学标签,开发了一套包含9个影像组学特征的组合,能够区分非小细胞肺癌的组织学分化程度——低分化(预后差)与高分化(提示非侵袭性,因此预后良好)[20]。使用标签还被提议用于预测HPV口咽癌 [21] 和胶质母细胞瘤复发 [22]、区分高级别与低级别结直肠癌 [23],以及评估直肠癌的治疗反应 [24]。
影像组学特征的定量特性近来推动了将机器学习应用于提高影像组学分析效能的研究。机器学习的优势实际上在于能够从数据中学习,从而自动化并改进预测过程。Parmar等使用从464例肺癌患者治疗前CT图像中提取的440个影像组学特征,研究了一大组机器学习方法用于预测NSCLC患者2年生存期[25]。作者发现两种机器学习方法性能最佳:基于Wilcoxon检验的特征选择和随机森林分类。这些结果突显了机器学习的重要性,但也说明需要为每种肿瘤类型选择合适的机器学习方法。
将机器学习应用于影像组学数据的另一个问题是“过拟合”。在机器学习中,也可使用“过度训练”一词,意指当模型用特定数据集(即150例局部晚期直肠癌T2加权MR检查用于原发分期)训练时,其在该类数据集上表现非常好(检测肿瘤异质性和/或预测治疗反应的准确率为99%),但如果将模型应用于先前未见过(新)的数据,其表现可能较差,因为该模型完全不能泛化到新数据。当模型开始记忆训练数据而非学习从趋势中泛化时,就会发生过拟合。影像组学中过拟合的主要原因是应用过多特征,这些特征变得冗余且不相关(所谓噪声);过多的特征数量可通过重复测试-再测试研究来减少,从而仅选择那些提供可重复和可再现测量的稳健特征[9, 26, 27]。
其他研究机器学习与影像组学提取相结合的报告支持这些工具的互补性,未来还将发表更多研究[28–32]。
将影像组学与系统医学相联系
影像组学流程旨在识别有助于肿瘤表征的特征和特征簇(特征签名),并将基于个性化医疗原则帮助指导治疗。然而,影像组学是一个仅涉及成像的独立过程;图像表型分析是临床表型的一部分,也是更复杂的“系统医学”的一部分,后者包括其他“组学”,其中很大一部分也由液体活检生物标志物所代表。
“系统医学”一词是将系统生物学概念转化应用于人类,其定义为“由不同且相互连接的微系统组成的镶嵌体,使[人]能够推断宏观系统动力学,并产生综合要素,如由多种信息来源产生并因此具有特征性的特征签名和谱型”[33–35](图3)。
在1992年首次描述“系统生物医学”时,Kamada指出:“在临床生物医学工程中,超声、放射性同位素和电磁共振已被应用于对患者进行无创、快速和可重复的实时监测”,并且“医学科学家开始将人类视为一个‘整体子(holon)’。因此,疾病不仅是某个器官的功能障碍,而是人体这一‘整体子’的调控机制的功能障碍[36]。”1981年,ZaJicek在一篇关于人类癌症模型的论文中写道:“生物体分层为多个层级,其中细胞代表最低层级。细胞聚集为组织,组织聚集为器官。器官组装为构成人体生物体的器官系统。在每个层级中都定义了一个基本单元或整体子。”[37]。因此,由于放射组学是系统医学的一部分,理解放射组学与其他“组学”之间的联系十分重要。
重要的是,放射组学特征能够以无创的三维方式捕捉肿瘤内异质性,并可作为常规临床诊疗的一部分获取。将通过液体活检获得的血浆分析与放射组学联合使用,可能有助于研究基因型变异与治疗反应中观察到的临床变异性之间的联系,以及特定影像特征与特定基因表达预后模式之间的联系[8]。
液体活检
一种对血液样本进行的检测,用于寻找血液中循环的来自肿瘤的癌细胞,或血液中存在的来自肿瘤细胞的DNA片段。液体活检可用于帮助在早期阶段发现癌症。它还可用于帮助制定治疗方案,或了解治疗效果如何,或癌症是否复发。能够随时间多次采集血液样本也可能有助于医生了解肿瘤中正在发生何种分子变化。
对“液体活检”的需求源于以下事实:肿瘤的分子谱分析依赖于侵入性外科操作,通常伴随操作风险/并发症,而且对许多癌症患者而言组织采集不可行。因此,循环生物标志物如循环肿瘤细胞(CTCs)或循环肿瘤来源核酸的鉴定为癌症表征和管理提供了潜在的解决方案[38]。
CTCs来源于原发或转移性肿瘤细胞簇,具有通过组织基质侵入血管的能力。CTC分析的优势在于可对完整细胞进行可视化,以进行恶性表型的形态学鉴定;其计数与转移性和原发疾病进展的评估相关,并使得分子表征和免疫标记成为可能。不幸的是,CTCs有许多缺点:它们丰度低且极其脆弱,可能提供假阴性结果,其分析需要极其灵敏和特异的方法,而且少量CTCs可能无法完全捕捉肿瘤异质性[39]。
每毫升全血中约10^7个白细胞对应约1个循环肿瘤细胞(CTC),其半衰期估计约为1–2.5小时[40]。目前已开发出多种用于CTC分离、富集和检测的方法。然而,CTC的分离仍是一项挑战,其分离基于CTC的生物学特性或物理特性。
基于物理特性的分离方法包括利用CTC的大小、密度和电荷,具体包括离心法、基于膜或过滤的系统以及介电泳。这些方法的优点是分离CTC快速简便,但其特点是灵敏度差、样本通量低[41]。CTC也可根据其生物学特性进行分离,即表面抗原或胞质蛋白表达。基于生物学特性的方法包括免疫磁性分离、上皮免疫斑点(EPISPOT)试验和侵袭试验[42, 43]。免疫磁性分离是最广泛使用的CTC平台;该方法使用细胞捕获磁珠,根据表面标志物选择CTC,或使用抗CD45抗体去除全血细胞[44]。美国食品药品监督管理局(FDA)批准的CellSearch™检测是最常用的方法,但受限于其灵敏度有限。其他基于CTC生物学特性的方法基于其上皮细胞黏附分子(EpCAM)表达;然而,可能发生上皮-间质转化,因假阴性结果而限制了其分离效果[41]。尽管当前技术在特异性和灵敏度方面存在挑战,但已在多个方向上取得了若干进展。
迄今为止,CTC已被证明是实体瘤(包括乳腺癌、胰腺癌和前列腺癌)的独立预后因素[45–51]。此外,CTC数量的变化可能是疾病进展或治疗反应的早期标志物,因此可用于监测疾病结局。然而,临床验证仍然缺乏,技术限制可能限制其在常规监测中的应用。利用目前可用的技术,血液中检测到的CTC数量往往非常少,而进展中或治疗有反应的患者中CTC数量的微小变化(如大多数已发表研究报道的,从4到5个CTC),使得疾病结局的监测非常困难,并限制了其在临床环境中的可靠性[49–51]。
循环肿瘤核酸是血液中肿瘤来源的DNA/RNA片段,由濒死细胞的凋亡和坏死过程释放,或由存活肿瘤细胞主动释放[52]。这些核酸具有反映疾病负担和预测获得性耐药的优势,后者可通过检测继发性突变实现,且其浓度受治疗反应影响。然而,一个主要限制是假阴性结果的风险[53]。
迄今为止,循环肿瘤核酸分析代表了用于识别和监测癌症患者肿瘤相关分子改变的最有前景的方法[54]。事实上,循环肿瘤DNA分析被发现是监测肺癌[54–56]、结直肠癌[57–59]、前列腺癌[60, 61]和胰腺癌[62, 63]治疗反应的良好预测生物标志物。
循环游离核酸浓度可受肿瘤大小、部位和血供情况影响,也有可能部分来源于循环肿瘤细胞(CTC)裂解[64]。然而,对循环游离核酸(尤其是DNA)的突变分析已证明其灵敏度显著高于CTC,使循环游离肿瘤DNA(cftDNA)成为分子分析的最佳来源。此类分析可按需重复进行,且不会给患者带来任何不适。
随着肿瘤异质性的发现,液体活检的应用变得更加重要:众所周知,肿瘤病灶的特征可表现为遗传学上不同的肿瘤细胞亚群在疾病部位之间及内部的不均匀分布(空间异质性),或癌细胞分子构成的时间变化(时间异质性)[65]。肿瘤异质性导致具有不同分子特征的若干肿瘤细胞亚群分布不同,可驱动治疗耐药机制并由此影响治疗决策,赋予肿瘤动态性[62]。在此背景下,检测循环游离核酸中的体细胞突变有助于更好地理解药物治疗选择压力所驱动的遗传学改变[66]。
循环生物标志物分析使临床医生能够发现潜在的预测性和预后性生物标志物,并获得肿瘤动态的实时影像。
可分析哪些生物标志物
人类癌症的分子图谱丰富了对肿瘤发生过程的认识,改善了肿瘤诊断、预后及治疗反应预测。液体活检能够识别决定肿瘤治疗反应的肿瘤突变(即非小细胞肺癌(NSCLC)中的表皮生长因子受体(EGFR))、原发或获得性治疗耐药(即结直肠癌中的RAS基因突变),以及治疗过程中肿瘤动态的监测(即胰腺癌中的KRAS基因突变)。
就知识和技术性能而言,cftDNA突变分析是使用液体活检最简单的方式,文献中已有许多实例。循环RNA的表达分析虽然临床可行但仍存争议,且需要最为特异的技术,例如使用外泌体分离肿瘤RNA。
液体活检于2016年进入临床实践,被引入欧洲肿瘤内科学会(ESMO)指南用于转移性NSCLC中cftDNA的EGFR分析。特别是,液体活检被认为是组织活检的有效替代方法,作为肿瘤DNA的替代来源用于监测EGFR突变患者一线治疗中的疾病进展。cftDNA上EGFR突变p.T790M分析阳性可使患者接受第三代EGFR酪氨酸激酶抑制剂治疗[56]。NSCLC中cftDNA的EGFR分析也常用于组织不可获得时评估EGFR状态[67]或监测治疗结局[68, 69]。NSCLC中的治疗耐药也在cftDNA上对ALK基因易位患者进行监测,通过分析该基因的获得性突变(ALK产生一种称为间变性淋巴瘤激酶的蛋白质)[70, 71],或在接受免疫治疗的患者中进行监测[72, 73]。
在结直肠癌(CRC)中,RAS基因突变可作为EGFR抑制剂(EGFR-ab)继发性耐药的机制,而cftDNA检测已被证明是检测CRC克隆演变的敏感方法。多项研究显示,术后可检测到cftDNA水平的CRC患者在1年内出现复发,而cftDNA不可检测的患者无复发[73]。CftDNA还可用于评估早期CRC的肿瘤负荷和预测标准化疗反应,有证据表明cftDNA变化与无进展生存期相关[74],KRAS浓度与总生存期相关[75]。此外,对EGFR-ab耐药性的获得与RAS通路突变的出现相关,可在任何临床进展证据出现前数月通过cftDNA检测到[76, 77]。
前列腺癌最近进入了生物标志物依赖型肿瘤的领域,此前发现雄激素受体剪接变体(AR-V7)在循环肿瘤细胞(CTC)上检测可驱动对激素治疗的耐药[48]。在此背景下,许多实验室对CTC、外泌体和外周RNA进行AR-V7分析以指导治疗策略[60, 78, 79]。乳腺癌对激素治疗或新型细胞周期蛋白依赖性激酶抑制剂(CDK,参与调节细胞周期的一类糖激酶家族)的反应可通过cftDNA监测,分别分析雌激素受体突变或CDK相关生物标志物的表达[80, 81]。CftDNA还被证明在黑色素瘤中作为预测性和预后性生物标志物发挥重要作用。对接受免疫治疗患者的cftDNA肿瘤分子谱进行纵向分析,能够早期区分假性进展与真性进展[82]。此外,cftDNA可预测高风险切除后黑色素瘤的复发和生存,并有助于筛选辅助治疗患者[83]。
液体活检的使用能够改善监测和患者结局。然而,为了充分理解肿瘤异质性和肿瘤动力学,需要更复杂和不同的策略。在此背景下,放射组学方法,除药物基因组学外,可能有助于整合知识以实现更好的个性化医学方法。
放射组学与液体活检的协同方法
癌症基因组学的最新进展扩展了我们对肿瘤异质性的认识。基因型指导的方法在依赖遗传改变的肿瘤中是一种成功的策略。然而,尽管初始反应良好,大多数肿瘤仍会进展,对靶向治疗产生耐药性。因此,考虑到肿瘤异质性驱动癌症进化[84],迫切需要不仅了解静态分子谱,还了解癌症动力学。
放射组学解释的进展可能使定量特征与组织病理生理学相关联成为可能,将影像表型与基因型联系起来。
另一方面,循环肿瘤核酸的分析允许在肿瘤进展的临床证据出现前数月检测低频率和低丰度的分子变化。在此背景下,放射组学的多参数模式分析,结合从液体活检获得的分子信息,可能有助于临床实践中的决策。
如上所述,放射组学和液体活检具有相似的优点:它们都是微创的“检测”,易于获取和重复,能够提取关于肿瘤类型的有价值的早期信息,并有助于确定肿瘤侵袭性以预测进展和复发。两者均可作为癌症筛查、诊断和随访中的协同检测手段,将治疗路径从传统的“一刀切”概念转变为现代癌症个体化治疗,后者将越来越依赖于结合系统医学不同“整体”的多学科方法。
整合放射组学特征和液体活检的最佳方式是在大型生物标志物库(称为生物样本库)中收集数据[85]。事实上,生物样本库是各类人体生物样本的收集、储存和分发中心,可以成为从各类样本中收集相互信息的理想环境,包括放射组学分析衍生的影像生物标志物[86]。2014年,欧洲放射学会在研究委员会下设立了影像生物样本库工作组,旨在定义其概念和范围并探索影像生物样本库的存在情况,以及为其实施提供指南。该工作组将影像生物样本库定义为“医学图像及相关影像生物标志物(放射学及其他领域)的有组织数据库,在多个研究者之间共享,并与其他生物样本库相链接”,并建议生物样本库(仅侧重于收集基因型数据)应同时配备收集相关临床或表型数据的系统[87]。
将影像生物样本库与现有生物样本库相链接无疑是放射组学与液体活检协同策略中的一种可行方案,但必须确定前瞻性数据收集方案,以获得同一患者的同步链接生物标志物。生物标志物的链接之后应进行相关性分析,可能据此基于多组学特征/图谱对患者进行分层,其中放射组学和液体活检是必不可少的组成部分。
从放射科医生的角度来看,使用放射组学有助于解读肿瘤影像学中的临床病例,而来自液体活检的循环肿瘤细胞(CTC)的当代证据可增强放射组学特征的预测价值。例如,一名结直肠癌患者检出CTC且放射组学特征提示为侵袭性、治疗无反应的肿瘤,则可从放化疗后高频随访中获益,以监测局部复发或转移的证据。
总之,放射组学和液体活检的联合使用可作为高复发和转移风险患者的警报信号。未来的报告应考虑将影像生物标志物和放射组学图谱整合到放射学报告中;这只有通过采用能够在模板中整合定量数据的结构化报告工具才能实现。
结论
放射组学和液体活检具有相似的吸引人的特征:它们可以非侵入性方式采集,可量化,并可重复以评估肿瘤进展。最终,它们针对的是同一问题的两个方面——癌症诊断和治疗决策。
两者都为大多数癌症类型提供了定量生物标志物,文献和临床实践中的证据表明它们在癌症管理中发挥着日益重要的作用。
整合系统医学多个子整体的信息是对抗癌症的一种策略,而放射组学和液体活检是应对这一挑战的重要组成部分。需要以大型临床试验和包含多种影像生物标志物的生物样本库的形式开展进一步研究,以证实迄今收集到的证据。
引用
- Neri E, Del Re M, Paiar F, et al. Radiomics and liquid biopsy in oncology: the holons of systems medicine. Insights Imaging. 2018. PMID: 30430428. doi:10.1007/s13244-018-0657-7
- 全文:PMC6269342(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6269342/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。