文献速递技术与安全胸部腹部CTMRPET

影像组学:迈向整合医疗的关键一步

Radiomics: a critical step towards integrated healthcare.
PubMed 文献 · Insights Imaging · 2018-11-12

本文为综述,阐述定量影像与影像组学、深度学习在肿瘤客观分析中的作用,提出计算机辅助诊断、疗效预测与生物学 profiling 三类应用,并展望整合临床、血液、病理组学、影像组学与基因组学数据的整合系统,需多学科协作与行政框架支持。

要点

  • 影像组学将医学图像转为可挖掘的定量特征,用于客观描述肿瘤形态并寻找无创预测与预后生物标志物。
  • 深度学习融合特征提取与数据分析,可大规模提取影像组学特征并关联预测与预后生物标志物。
  • 目前各学科按本领域建立分层方法,定量化与「-omics」为跨学科客观整合提供机会。

核心结论

  • 精准医学的长期愿景应聚焦整合策略的开发,使来自患者自身的数据用于指导临床决策。
  • 通过整合临床数据、血液标志物、病理组学、影像组学与基因组学的复杂分析,设想患者可经计算机辅助诊断初步诊断、经计算机辅助生物学 profiling 分入肿瘤分子亚型、并经计算机辅助疗效预测形成推荐治疗。
  • 这种子系统聚合以实现整体功能(即更好的 CAD、CARP 与 CABP)称为整合系统,需要生物医学领域与技术领域携手多学科协作及部门成功整合运行的组织结构。

研究设计与样本

  • 本文为综述,围绕影像组学、深度学习及多学科整合系统展开论述,原文未报告检索范围与纳入文献。

关键影像表现/征象

  • 影像组学特征以客观定量方式描述形态学特征(如密度分布、重复模式与纹理、形状与轮廓等)。
  • 传统定性语义特征依赖主观评分且受人眼敏感度限制,文献显示其与分期、预后甚至疗效预测相关。
  • Segal 等在人肝癌中显示 28 项影像特征的组合能够重建这些肿瘤 78% 的全局基因表达谱(即 mRNA 水平)。

诊断标准与关键数值

  • 在非小细胞肺癌中,Coroller 等识别出 7 项预测病理大体残留病的特征和 1 项预测病理完全缓解的特征。
  • 后续研究识别出其他影像组学特征可预测膀胱癌和局部晚期直肠癌对常规治疗(即化疗/放疗)的应答。
  • Segal 等在人肝癌中显示 28 项影像特征组合可重建 78% 的全局基因表达谱(即 mRNA 水平)。

临床应用与阅片要点

  • 影像组学提供无创评估所有病灶生物学 profiling(如表面标志物表达、基因突变状态、血液标志物等)的机会,可同时且即时完成。
  • 与活检相比,影像组学无创,而活检有创、可能带来患者并发症风险,且仅能阐明外科可及部位病灶的信息。
  • 深度学习将特征提取与数据分析融合并迭代优化,可为特定临床问题提供最优特征与最优数据分析。

局限性

  • 原文未报告局限性。
全文中译4 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2018 Nov 12;9(6):911–4. doi: 10.1007/s13244-018-0669-3

医学影像在历史上一直在癌症筛查、诊断、分期和治疗反应监测中发挥着关键作用。在日常工作中,治疗医生依赖影像学的输入来帮助制定患者管理计划[1]。在现代肿瘤学指南的背景下尤其如此,其中患者根据生物学、临床和放射学参数被分层为日益复杂的亚组。

历史上,定性语义特征被用于描述肿瘤形态——如患者图像中所观察到的。这些描述反映了基于视觉评估的评分系统。文献中显示语义特征与分期、预后甚至反应预测具有相关性[2]。然而,可以想象,这种方法存在缺陷,根源在于其对主观评分的依赖和人眼有限的敏感性。

普遍存在的现代影像模态,如放射学中的CT、MRI和PET(以及病理学中的数字图像),本质上是定量的。这一特性被加以利用,使用计算算法提取定量特征并生成可挖掘数据。这些定量特征不是仅仅依赖对图像的主观解读,而是可用于客观地表征肿瘤形态。

在影像组学中,医学图像经过处理以生成定量特征,这些可挖掘数据随后可用于临床目的。影像组学特征旨在以客观、定量的方式描述形态学特征(例如密度分布、重复模式和纹理、形状和轮廓等)。其目标是找到完全无创的影像组学特征,可用作预测和预后生物标志物。

影像组学的前景

影像组学的出现开辟了癌症研究的全新途径,为数据科学家和放射科医生 alike 提供了独特的机会。广义而言,影像组学已展现出两个突出的潜力——肿瘤表征和治疗反应预测(图1)。

寻找影像标志物以用于评估肿瘤中的生物学参数(即基因突变或特定分子的表面表达)的工作已经开始。通常,肿瘤的这种生物学评估通过活检实现——这一过程高度侵入性,具有患者发病的潜在风险,且只能阐明外科医生易于到达部位的病变信息。影像组学提供了无创地同时、即时评估所有病变的生物学特征(即表面标志物表达、基因突变状态、血液标志物等)的机会。随着计算机模型越来越多地用于诊断疾病和预测治疗反应,这个可以使用定量特征和计算机模型无创评估生物学参数的新领域可被称为计算机辅助生物学分析(CABP)。

利用影像组学特征评估基因突变状态(即放射基因组学)的较早研究之一是Segal等人在人肝癌中的工作,其中28个影像特征的组合被证明能够重建这些肿瘤78%的全局基因表达谱(即mRNA水平)[3]。随后对不同肿瘤类型进行了进一步研究——取得了不同程度的成功。

随着基于深度学习的图像分析的兴起,计算机算法可用于大规模提取放射组学特征,这些特征随后可与癌症中的预测性和预后性生物标志物相关联(否则这些标志物需要通过手术获取)。

与更传统的放射组学方法(其特征提取和数据分析由两个独立步骤组成)不同,深度学习将这些过程融合在一起,并针对彼此迭代优化。换言之,深度学习为放射组学模型针对特定临床问题提供最优特征和最优数据分析。这种高级形式的计算机辅助生物学分析(其中神经网络可以在大规模上提取特征并将它们关联起来)可称为深度学习介导的肿瘤分析(DL-TP)。

放射组学特征在癌症研究中的下一个应用是预测对不同形式治疗的反应[即计算机辅助反应预测(CARP)]。在非小细胞肺癌(NSCLC)中,Coroller等人确定了七个可预测病理性大体残留病灶的特征和一个可预测病理性完全缓解的特征[4]。进一步的研究后来确定了其他放射组学特征,可预测膀胱癌[5]和局部晚期直肠癌[6]对常规治疗(即化疗/放疗)的反应。

图1 未来放射组学流程示意图,突出显示CABP和CARP的简化工作流程,其中患者图像被输入专门的(一系列)人工智能算法中,并根据结果进行分类。CABP算法评估肿瘤的特征(用于分层),而CARP算法则纯粹关注对治疗反应的预测(以及最终的治疗选择)。CAD:计算机辅助诊断;CARP:计算机辅助反应预测;CABP:计算机辅助生物学分析 查看原图 ↗

医疗保健中的集成系统

虽然后缀“-组学”已逐渐表示从数据集中提取有价值信息的概念,但放射组学只是先进技术与现代医学融合中不断增长的新研究领域列表中的最新成员。源自组织的图像(例如普通显微镜检查、免疫组织化学等)也经过定量分析,正在生成超出病理学家所观察范围的新信息,即病理组学。基因组学是分子生物学中关注人类基因组图谱的分支,已帮助识别许多用于预后或作为现代治疗新靶点的基因突变和通路,并在很大程度上依赖于熟练生物信息学家开发的计算机模型。

就目前而言,不同医学学科已开发出不同的分层方法,主要基于其自身领域(即放射学分类、病理学和化学实验室分类、用于预后的临床检查表等)——往往将其他科室排除在外。由于这些传统评分系统通常基于对模拟读数的的主观解释,将这些不同的输出结合起来颇具挑战性。各医学学科定量方面(即“-组学”)的兴起提供了一个非常独特的机会,可以将来自不同诊断模式的信息客观地整合在一起。

结论

精准医学的长期愿景应聚焦于整合策略的开发,即利用源自患者自身的数据来指导主治医师的诊疗决策。通过整合临床数据、血液标志物、病理组学、影像组学和基因组学的复杂分析,我们设想患者可以被初步诊断(通过计算机辅助诊断)、被分层为其肿瘤的分子亚型(通过计算机辅助生物学分型),并获得推荐的治疗方案(通过计算机辅助反应预测)。这种由各子系统协同合作以实现整体功能(在此即更好的计算机辅助诊断(CAD)、计算机辅助反应预测(CARP)和计算机辅助生物学分型(CABP))的聚合体被称为整合系统(见图2)。这将需要生物医学领域(即临床医生、遗传学家、放射科医生、病理学家、临床化学家)与技术领域(即计算机科学家、物理学家、工程师、统计学家和数学家)之间携手进行多学科协作,同时还需要一种组织结构,使各部门不再孤立运作,而是成功整合。

图2 示意图流程图,设想利用来自原材料(紫色标注)的患者衍生数据(浅蓝色标注)作为改善CAD、CARP和CABP的手段,并最终帮助指导多学科管理团队的决策 查看原图 ↗

引用

  1. Bodalal Z, Trebeschi S, Beets-Tan R, et al. Radiomics: a critical step towards integrated healthcare. Insights Imaging. 2018. PMID: 30421396. doi:10.1007/s13244-018-0669-3
  2. 全文:PMC6269340(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6269340/

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。