文献速递神经乳腺妇产影像CTMRPET

结合分子与影像指标用于癌症:影像基因组学

Combining molecular and imaging metrics in cancer: radiogenomics.
PubMed 文献 · Insights Imaging · 2020-01-03

影像基因组学是影像组学与基因数据结合的延伸,因基因检测昂贵、有创且耗时,影像基因组学可能提供与基因表达相关的准确影像替代指标。本文综述乳腺、脑、妇科、肝、肾、前列腺和肺部恶性肿瘤的影像组学与影像基因组学文献,并讨论当前挑战,结论认为需要更大规模前瞻性研究和标准化来定义相关影像生物标志物。

要点

  • 当前影像组学和影像基因组学研究仅限于少数常见癌症。
  • 影像基因组学可能提供准确的影像生物标志物,替代基因检测。
  • 需要更大规模前瞻性研究和标准化来验证影像组学/影像基因组学生物标志物。

核心结论

  • 影像组学和影像基因组学有望提高诊断、预后评估和治疗反应预测的精确性,在整个疾病过程中为患者护理提供有价值的信息,前提是这些信息可通过影像轻松获得。
  • 需要更大规模前瞻性研究和标准化来定义相关影像生物标志物,然后才能将其纳入临床工作流程。

研究设计与样本

  • 本文为综述,检索并汇总肿瘤学中乳腺、脑、妇科、肝、肾、前列腺和肺部恶性肿瘤的影像组学与影像基因组学文献。
  • 影像组学分析流程包括图像采集、感兴趣区选择、分割、特征提取与量化、数据库构建、分类器建模和数据共享,细节由Pinker等、Gillies等、Sala等和Lambin等描述。
  • 影像组学特征包括语义特征(如大小、位置、血管性、毛刺和坏死)和不可知特征(一阶、二阶和高阶统计输出)。
  • 影像基因组学将定量或定性影像特征与组织分析获得的基因组数据及其他临床数据相关联,以发现可替代基因检测的影像替代指标。

关键影像表现/征象

  • 胶质母细胞瘤中,三个不同特征(体积分类、出血和T1/液体衰减反转恢复包膜比)的组合能够以统计学显著方式对患者生存进行分层。
  • 胶质母细胞瘤中,MRI FLAIR可作为高度富集参与细胞迁移/侵袭基因和microRNA的影像替代指标,POSTN在发现集和验证集中均为最上调基因,与高FLAIR体积、较短无进展生存和较短总生存相关。
  • 胶质母细胞瘤中,三个MRI特征可预测更差预后:室管膜强化(10.6个月 vs 18.6个月,p=0.0018)、深部白质束受累(10.9个月 vs 19.9个月,p<0.0008)和跨中线强化(9个月 vs 14.3个月,p<0.0003)。
  • 乳腺T2信号高强度和边缘强化与三阴性癌症相关。
  • DWI中,HER2富集肿瘤显示最高ADC值,而luminal B/HER2阴性癌症显示最低ADC值。

诊断标准与关键数值

  • 胶质母细胞瘤中,通过TCGA将基因组谱分为四个分子亚型:经典型、间充质型、前神经型和神经型,这些亚型与不同结局和肿瘤进展模式相关。
  • 胶质母细胞瘤中,另一更近期分层根据RTK/RAS/PI3K、p53和RB信号改变分为三个核心通路,与结局相关性更好。
  • 预测模型准确率范围从TP53的37.5%到RB1的87.5%。
  • 乳腺癌中,从DWI提取的影像组学特征能够以高准确率(>90%)根据分子亚型和受体状态区分乳腺癌,直接从表观扩散系数图提取的影像组学特征准确率更优。
  • 乳腺癌中,使用肿瘤表型区分分子亚型的分类器模型准确率仅为57.2%。

临床应用与阅片要点

  • 影像基因组学可能提供与基因表达相关的准确影像替代指标,从而替代基因检测。
  • 影像替代指标可用于预测治疗反应和早期转移潜力,并个性化治疗选择。
  • 由于缺乏图像样本配准(即基因检测结果无法与影像上的特定位置匹配),TCIA中的影像数据迄今限于临床使用。
  • 随着影像采集方案趋于同质化和结局数据更稳健,包括TCGA和TCIA在内的公开数据库将变得更有用,并允许进一步影像基因组学研究。

局限性

  • 当前影像组学和影像基因组学研究仅限于少数常见癌症。
  • 由于缺乏图像样本配准(即基因检测结果无法与影像上的特定位置匹配),TCIA中的影像数据迄今限于临床使用。
  • 需要更大规模前瞻性研究和标准化来定义相关影像生物标志物,然后才能将其纳入临床工作流程。
  • 需要更多研究来验证这些初步发现。
全文中译12 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. 2020 Jan 3;11:1. doi: 10.1186/s13244-019-0795-6

关键点

当前的影像组学和影像基因组学研究仅限于少数常见癌症。

影像基因组学可能提供准确的影像生物标志物,替代基因检测。

影像组学/影像基因组学生物标志物可能预测风险和结局。

影像组学/影像基因组学生物标志物可能用于个体化治疗选择。

需要更大规模的前瞻性研究和标准化来验证影像组学/影像基因组学生物标志物。

背景

个体化医学正在为基于个体基因组成、环境和生活方式的人群带来日益精确的疾病治疗和预防策略。为实现个体化医学,人们使用更精确和个性化的基于遗传学的方法(基因组学、转录组学、蛋白质组学、代谢组学等)。在肿瘤学中,使用此类方法的目标是允许利用更多个体水平的信息,而非人群水平或非特异性的临床信息(肿瘤分期、年龄、性别等),来为每位患者选择最成功的癌症治疗方案[1]。

分子肿瘤表征可以使用基因组学和蛋白质组学方法进行,但这需要使用来自侵入性手术或活检的组织取样[2]。然而,即使使用组织取样进行分子表征,样本也可能不能准确代表整个病灶,因为它们通常取自异质性病灶的一小部分,活检过程中存在固有的选择偏倚[3]。目前,由于高成本、相当大的时间负担以及技术复杂的数据分析和解读,能够对每个个体进行基因检测的大规模基因组癌症表征尚不可行[3]。

影像学可以通过影像组学和影像基因组学提供肿瘤整体的更全面视图。影像组学分析从医学图像中提取大量定量数据,并将这些数据与临床和患者数据合并到可挖掘的共享数据库中[4–6],而影像基因组学是通过结合遗传和影像组学数据对影像组学的延伸。Pinker等[7]、Gillies等[8]、Sala等[5]和Lambin等[4]对影像组学分析过程(图像采集、感兴趣体积选择、分割、特征提取和量化、数据库构建、分类器建模和数据共享)进行了详细综述。

简而言之,在影像组学中,首先从多模态影像数据中识别包含整个肿瘤或肿瘤内亚区域的感兴趣区(ROI)。然后通过操作者编辑对ROI进行分割,并最终以三维(3D)方式呈现。从这些ROI中提取高维特征,包括语义特征和非语义特征[8]。语义特征是放射学报告中常用于描述病灶的形态学特征,如大小、位置、血管性、毛刺征和坏死。非语义特征是更复杂的通过数学方法提取的定量特征,可分为一阶统计输出(描述单个体素内值的分布)、二阶统计输出(描述体素之间的相互关系)和高阶统计输出(通过滤波器网格提取图像内的重复和非重复模式)。

从这些渲染体积中提取的特征生成一份报告,该报告与其他数据一起被放入数据库中,这些数据包括临床和基因组数据,如基因、突变和表达模式。

放射基因组学涉及定量或定性成像特征与从组织分析中获得的基因组数据以及其他临床数据之间的相关性,从而能够发现可作为基因检测替代品的影像替代标志物。放射基因组学研究可以是探索性的或假设驱动的。与肿瘤单一致癌缺陷相关的成像特征可用于支持治疗选择和监测以及预测治疗结果[3, 5, 9, 10]。因此,放射基因组学代表了一种有前景的新方法,能够实现更加个性化的患者护理[3, 4, 8, 9, 11–13]。

主要结构

由于基因检测仍然昂贵、有创且耗时,因此并非所有患者都能获得,放射基因组学可能在提供与基因表达相关的准确影像替代标志物方面发挥重要作用,从而作为基因检测的替代手段[9, 13, 14]。这些影像替代标志物可用于预测治疗反应和早期转移的可能性,以及个性化治疗方案[15–17]。

迄今为止,已从各种成人癌症中鉴定出大量基因组和临床生物标志物,这些数据已被收集在癌症基因组图谱(TCGA)中。这些生物标志物已与癌症影像档案(TCIA)中存在的相应影像数据相关联[17–19]。然而,由于缺乏图像样本配准(即基因检测结果无法与影像上的特定位置相匹配),TCIA中的影像数据迄今为止在临床使用方面仍然有限[3]。鉴于影像采集方案正变得更加同质化且结局数据更加稳健,包括TCGA和TCIA在内的越来越多公开可用数据库将变得更有用,并将允许进一步的放射基因组学研究[3]。

目前的放射组学和放射基因组学研究仅限于少数几种常见癌症。在本综述中,我们将介绍与胶质母细胞瘤(GBM)、非小细胞肺癌(NSCLC)、肝细胞癌(HCC)、肝内胆管癌、乳腺癌(BC)、前列腺癌、肾细胞癌、宫颈癌和卵巢癌相关的放射组学和放射基因组学现有数据,并讨论它们在肿瘤学中的作用及可能的未来应用。

脑

GBM仍然是成人中最常见且最致命的原发性脑肿瘤[20]。其特征是巨大的分子和基因组异质性,从而导致治疗耐药。迄今为止,脑部的放射组学和放射基因组学研究主要集中在GBM上。

通过TCGA,GBM的基因组图谱已被全面评估,从而将其分为四种不同的分子亚型:经典型、间质型、前神经型和神经型。这些亚型与不同的结局和肿瘤进展模式相关[21, 22]。另一项更近期的分层根据RTK/RAS/PI[3]K、p53和RB信号通路改变将GBM分为三条核心通路[23],显示与结局有更好的相关性。来自TCIA的GBM磁共振成像(MRI)数据已与TCGA中包含的遗传数据相匹配,从而使放射基因组学研究成为可能。

Rao等[24]利用癌症基因组图谱(TCGA)中92例胶质母细胞瘤(GBM)患者的MRI、生存和遗传数据表明,三种不同特征(体积分级、出血和T1/液体衰减反转恢复(FLAIR)包膜比率)的组合能够以统计学显著的方式对患者生存进行分层。在生存较差的患者与预后较好的患者之间,调控侵袭和增殖的基因和microRNA存在显著差异(生存期中位差异为8个月)。

Zinn等[25]利用TCGA中78例GBM的microRNA和遗传数据,识别其与癌症影像档案(TCIA)中定量MRI FLAIR特征的关联。结果提示,MRI FLAIR可作为高度富集参与细胞迁移/侵袭的基因和microRNA的GBM的影像替代标志物。在发现集和验证集中,POSTN均为上调最显著的基因,并与高FLAIR体积、较短无进展生存期和较短总生存期相关。POSTN上调被认为通过上皮-间充质转化诱导肿瘤侵袭。

Colen等[26]在一项纳入104例具有TCIA MRI数据的TCGA GBM患者的研究中报道,三个MRI特征可预测更差的预后:室管膜强化(10.6个月对18.6个月,p = 0.0018)、深部白质束受累(10.9个月对19.9个月,p < 0.0008)以及跨中线强化(9个月对14.3个月(p < 0.0003)。室管膜强化和深部白质束受累显示与线粒体功能障碍(p < 0.0001)、MYC癌基因激活和NFKBIA抑制显著相关。一年后,Colen等[27]利用TCGA的基因表达谱和TCIA的MRI数据报道,MRI上坏死成分较少的GBM患者中X连锁基因的 prevalence 较高,而MRI上坏死体积较高的患者中Y连锁基因的 prevalence 较高。作者还证明,以MRI上坏死体积低为特征的女性GBM患者具有显著的生存优势。

迄今为止,使用TCGA/TCIA数据或机构数据,肿瘤体积仍然是GBM中最常提取的MRI特征,并已被证明与基因组数据相关[25, 27–31]。Gutman等[31]对TCGA中分析的76例GBM的MRI进行了体积分析,发现TP53突变肿瘤具有较小的强化体积和坏死体积(p ≤ 0.017),而RB1突变肿瘤与较少水肿相关(p = 0.015)。Diehn等[32]使用机构数据发现,强化体积与非强化体积的比率与EGFR过表达(通过免疫组织化学评估)显著相关(p = 0.019)。强化表型与血管生成和肿瘤缺氧相关基因如VEGF、ADM和PLAUR的过表达相关(p = 0.012)。

Barajas等[33]在强化区与瘤周非强化区GBM活检样本中,将MRI参数与遗传特征(通过RNA微阵列研究)进行相关性分析。结果显示,T2动态磁敏感加权、灌注加权和弥散加权测量在活检区域之间存在差异,并与侵袭性的组织病理学特征相关。

Jamshidi 等人 [34] 对 23 例 GBM 患者的研究发现了基因与 MRI 特征之间的关联,如对比坏死比与 KLK3 和 RUNX3、脑室下区受累与 Ras 癌基因 RAP2 和 TYMS、血管源性水肿与癌基因 FOXP1 和 PIK3IP1。

Pope 等人 [35] 发现,与完全强化的影像学 GBM 相比,MRI 上不完全强化的 GBM 与少突胶质细胞瘤标志物 OLIG2 和 ASCL1 水平升高相关。组织病理学证实了这一发现,显示不完全强化组中少突胶质细胞瘤组织学成分的比例更高。

Pope 等人 [36] 还使用磁共振波谱(MRS)测量胶质瘤患者中与 IDH1 和 IDH2 突变相关的致癌代谢物 2-HG 的水平。IDH1 突变患者更可能进展为恶性胶质瘤。MRS 检测到 IDH1 突变胶质瘤中 2-HG 水平较无突变者升高(p = 0.003)。IDH1 突变肿瘤显示胆碱水平升高(p = 0.01),谷胱甘肽水平降低(p = 0.03)。

Hu 等人 [37] 证明了弥散张量成像和动态磁敏感对比灌注指标与 EGFR、PDGFRA、PTEN、CDKN2A、RB1 和 TP53 突变之间的相关性(p < 0.03)。预测模型的准确率从 TP53 的 37.5% 到 RB1 的 87.5% 不等。一项涉及 MRI 纹理特征的类似研究 [38] 能够表征局部 EGFR 突变状态,并在 65 例 GBM 中预测患者生存。

在 Jain 等人 [39] 的研究中,CT 灌注参数与血管生成相关基因相关。作者发现 92 个血管生成相关基因中有 19 个与渗透性表面积乘积显著相关,9 个基因与脑血容量显著相关。

乳腺

多项研究已在乳腺中开展,在乳腺癌基因组特征分析、分子亚型表征和临床使用的复发评分方面取得了有希望的结果。大多数主要依赖于动态对比增强(DCE)-MRI 中的肿瘤特征,尽管弥散加权成像(DWI)也已被使用,例如用于分子亚型的表征 [40–42]。

乳腺的首项放射基因组学 MRI 研究由 Yamamoto 等人 [43] 于 2012 年发表,他们研究了放射基因组学将基因表达模式与 DCE-MRI 特征相关联的潜力。他们发现 26 个影像学特征中有 21 个与乳腺癌中约 52,000 个可变表达基因的 71% 显著相关。同一研究团队还开展了另一项研究 [44],使用 RNA 测序检验定量 DCE-MRI 影像表型、早期转移和长非编码 RNA 表达之间的关系。他们发现 8 个长非编码 RNA 与强化边缘分数评分相关,而该评分又与乳腺癌患者的早期转移和较差的无转移生存相关。

Zhu 等人 [45] 使用放射基因组学方法研究了 91 例乳腺癌的 DCE-MRI 特征(肿瘤大小、形状和形态)及其与基因组特征(如蛋白表达和突变)的相关性。肿瘤大小显示较大癌症具有上调的通路,而模糊的肿瘤边缘和不规则形状与更具侵袭性的肿瘤相关。

多项研究探讨了MRI特征与乳腺癌分子亚型之间的关联。在2014年发表的一项系统综述和荟萃分析中,Elias等[46]报道,肿瘤内较高程度的强化与Luminal B亚型相关,而HER2富集型癌症更可能表现为快速早期强化或廓清动力学并伴有边界清晰。在其他研究中,三阴性癌症与高T2信号强度及环形强化表现相关[47, 48]。在DWI中,HER2富集型肿瘤显示最高的ADC值,而Luminal B/HER2阴性癌症显示最低的ADC值[40–42]。

计算机提取的影像组学特征本身也与乳腺癌分子亚型相关。Mazurowski等[49]显示,在DCE-MRI中,与肿瘤-背景实质强化比增高相关的提取MRI特征与HER2阳性癌症相关。这种差异可能是由于HER2阳性亚型中VEGF介导的血管生成增加,导致血管直径增大、血管通透性增加和细胞外液增多。Grimm等[50]发现提取的影像特征与Luminal A和B乳腺癌亚型之间存在相关性。在Grimm等[51]最近的一项研究中,对278例乳腺癌患者的DCE-MRI评估了非肿块强化和定性BI-RADS描述词;结果显示肿块形状与基底样癌症、肿块边缘与HER2癌症、内部强化与Luminal B癌症之间存在显著相关性。在另一项研究中,Yamaguchi等[52]评估了DCE-MRI延迟期强化与分子亚型之间的关系,发现ER阳性和/或PgR阳性且HER2阴性的癌症表现出较少的廓清。Leithner等[53]最近的一项研究显示,从DWI提取的影像组学特征能够以高准确率(> 90%)根据分子亚型和受体状态区分乳腺癌。直接从表观扩散系数(ADC)图提取的影像组学特征准确率更高。

Li等[54]评估了利用肿瘤表型区分分子亚型的分类器模型,结果令人鼓舞(图1)。然而,在一项类似研究中,Waugh等[55]发现准确率仅为57.2%。需要在这方面开展更多研究以验证这些初步发现。

既往研究还将影像学特征与临床可用的预后基因组检测相关联,这些检测可提供复发风险的临床评分。由于Oncotype Dx基因表达评分、MammaPrint和PAM50已被证明可预测早期ER阳性/HER2阴性浸润性癌症的复发,这些影像学特征与检测复发评分之间的相关性可能对患者管理具有重要意义。Woodard等[56]通过BI-RADS乳腺X线摄影和MRI特征的关联,使用OncotypeDx评估了ER阳性患者的BC复发。乳腺X线摄影上边缘模糊的肿块和细线分支状钙化与较高的复发评分相关,而乳腺X线摄影上的乳腺密度与复发评分呈负相关。MRI上毛刺状肿块边缘和非肿块强化与较低的复发评分相关。已开发了多种使用多种检测评估复发风险的影像组学影像模型[43–45, 57–65]。结合影像和病理信息,Sutton等[59]开发了一个与OncotypeDx复发评分相关的模型,该模型可预测复发和治疗结局(图2)。Li等[62]的一项研究评估了计算机提取的影像表型是否可以使用MammaPrint、OncotypeDx和PAM50/Prosigna预测癌症复发。他们发现肿瘤大小、异质性与较高复发风险之间存在显著相关性(图3和图4)。在该研究及其他使用影像组学计算机提取方法的研究中[57, 62, 63],强化异质性与肿瘤检测中的高复发风险相关。在两项研究中[57, 59],快速对比剂摄取预测高危Oncotype Dx。

关于MR灌注特征和基因表达的影像基因组学研究具有潜力。一项既往使用基因组学分析的研究[65]在监测抗VEGF治疗时,将MR灌注参数与早期转移或差异基因表达相关联。

Yamamoto等[43]评估了一个定性影像模型,包括肿瘤异质性和强化,用于预测免疫反应基因的表达,高水平分析揭示了21个影像特征,这些特征与BC患者中测量的总基因的71%(3717/5231个基因)在全球范围内显著相关。

图1 一个雌激素受体阳性肿瘤和一个雌激素受体阴性肿瘤示例病例中的计算机分割方法。显示了肿瘤分割轮廓以及计算机提取的影像表型(CEIP)值(及范围),包括大小、不规则性和对比强化异质性。经Creative Commons许可转载自:NPJ Breast Cancer. 2016;2. pii: 16012. Epub 2016 May 11. Quantitative MRI radiomics in the prediction of molecular classifications of breast cancer subtypes in the TCGA/TCIA data set. Li H, Zhu Y, Burnside ES, Huang E, Drukker K, Hoadley KA, Fan C, Conzen SD, Zuley M, Net JM, Sutton E, Whitman GJ, Morris E, Perou CM, Ji Y, Giger ML 查看原图 ↗
图2 最佳拟合线性回归模型使影像特征能够区分具有不同Oncotype Dx复发评分(ODxRS)的肿瘤。a 一例浸润性导管癌核分级1级、ODxRS为10的矢状位T1加权脂肪抑制增强后MRI,及(b)相应的峰度直方图,显示MR强度的频率。c 一例浸润性导管癌核分级2级、ODxRS为21的矢状位T1加权脂肪抑制增强后MRI,及(d)相应的峰度直方图。e 一例浸润性导管癌核分级3级、ODxRS为43的矢状位T1加权脂肪抑制增强后MRI,及(f)相应的峰度直方图。经许可转载自:J Magn Reson Imaging. 2015 Nov;42 [5]:1398–406. doi: 10.1002/jmri.24890 Breast cancer subtype intertumor heterogeneity: MRI-based features predict results of a genomic assay. Sutton EJ, Oh JH, Dashevsky BZ, Veeraraghavan H, Apte AP, Thakur SB, Deasy JO, Morris EA. 查看原图 ↗
图3 基于单变量线性回归分析的各单个MR影像表型与MammoPrint、Oncotype DX、PAM50 ROR-S和PAM50 ROR-P复发预测模型之间的相关性热图。在此色标中,黄色表示与蓝色相比相关性更高,不同的基因检测在本研究中作为“参考标准”。某些表型在各风险估计模型间的相关性相似(即色标上颜色相似),而其他表型则不相似。经许可转载自:Radiology. 2016 Nov;281 [2]:382–391. Epub 2016 May 5. MR Imaging Radiomics Signatures for Predicting the Risk of Breast Cancer Recurrence as Given by Research Versions of MammaPrint, Oncotype DX, and PAM50 Gene Assays. Li H, Zhu Y, Burnside ES, Drukker K, Hoadley KA, Fan C, Conzen SD, Whitman GJ, Sutton EJ, Net JM, Ganott M, Huang E, Morris EA, Perou CM, Ji Y, Giger ML 查看原图 ↗
图4 箱线图显示(a)大小(有效直径)和(b)强化纹理(最大相关系数)的MRI基于表型与MammaPrint、Oncotype DX、PAM50 ROR-S和PAM50 ROR-P复发预测模型的关系。观察到所选大小(有效直径)MR影像表型与MammaPrint、Oncotype DX、PAM50 ROR-S和PAM50 ROR-P复发风险水平升高呈正相关,而与强化纹理(最大相关系数)呈负相关。该强化纹理特征的低值表示更异质的强化模式。经许可转载自:Radiology. 2016 Nov;281 [2]:382–391. Epub 2016 May 5. MR Imaging Radiomics Signatures for Predicting the Risk of Breast Cancer Recurrence as Given by Research Versions of MammaPrint, Oncotype DX, and PAM50 Gene Assays. Li H, Zhu Y, Burnside ES, Drukker K, Hoadley KA, Fan C, Conzen SD, Whitman GJ, Sutton EJ, Net JM, Ganott M, Huang E, Morris EA, Perou CM, Ji Y, Giger ML 查看原图 ↗

妇科肿瘤

迄今为止,影像组学和影像基因组学已应用于宫颈癌和高别浆液性卵巢癌,提供了有价值的预后信息。

DCE-MRI药代动力学参数已在宫颈癌患者中与遗传学和结局数据相关联。在挪威,Halle等[66]对78例接受化疗的患者的治疗前DCE-MRI药代动力学参数与全基因组表达数据进行了评估。通过对42/78例肿瘤的基因集分析,他们发现ABrix参数与缺氧基因集相关。通过对剩余32/78例肿瘤的免疫组织化学分析,他们发现低ABrix与HIF1α蛋白表达上调相关。构建了一个由31个缺氧基因组成的DCE-MRI缺氧基因特征,这些基因在低ABrix肿瘤中上调,并在一个109例患者的独立队列中显示出预后价值。同一组作者[67]一年后报道,同样源自78例接受化疗的宫颈癌患者治疗前DCE-MRI的若干药代动力学参数可用于识别有治疗失败风险的患者:ABrix和Ktrans与不良临床结局相关,而高Kel患者的生存期更长。

TCGA研究网络此前提出了卵巢癌分类(CLOVAR),描述了四种预后基因组亚型:分化型、免疫反应型、间充质型和增殖型[68, 69]。在一项假设生成性单机构研究中,Vargas等[70]对46例IIIC期或IV期高级别浆液性卵巢癌患者进行了一项回顾性放射基因组学研究。他们报道,由两名放射科医师评估的术前CT特征与高级别浆液性卵巢癌的CLOVAR基因组亚型相关,并可预测生存。具体而言,基线CT上存在肠系膜浸润和弥漫性腹膜受累与CLOVAR间充质亚型相关。肠系膜浸润的存在还被显示可提供重要的预后信息,因为其与较短的无进展生存期和总生存期相关。为验证这项单机构研究的初步发现,Vargas等[71]随后使用92例高级别浆液性卵巢癌患者的TCIA CT图像进行了一项多机构研究。评估了CT特征与疾病进展时间和CLOVAR特征之间的关系。右上腹腹膜病变、膈上淋巴结肿大、多个腹膜病变部位以及无法显示明确的卵巢肿块与较短的疾病进展时间相关。多个腹膜病变部位的存在以及道格拉斯窝内病变的存在与间充质亚型相关,该亚型在CLOVAR亚型中预后最差。

在Vargas等[72]的另一项研究中,作者使用放射组学从38例IIIC–IV期高级别浆液性卵巢癌患者的术前CT中 deriving 多个转移性病灶之间的部位间空间异质性指标。其中若干指标与CCNE1扩增以及较短的总生存期和不完全手术切除相关。此前,CCNE1扩增本身已与较高的化疗耐药性[73]和治疗失败[74]相关。

肝脏

HCC是最常见的原发性肝癌,可通过多种治疗方法进行管理,如栓塞、放疗、手术和药物治疗[7]。目前,治疗方法的选择仅基于肝脏病变的数量和大小[7]。在此背景下,影像组学和影像基因组学可以在帮助为每位患者选择最佳临床管理方案方面发挥重要作用[7]。以下研究表明,它们在更好地预测预后或治疗反应方面尤其具有前景。

微血管侵犯(MVI)的存在是与HCC不良预后相关的公认参数,但仅凭常规影像学难以诊断[75, 76]。目前,手术后切除组织的病理学检查是诊断MVI的唯一方法。自2002年以来,多个研究团队对此问题进行了探讨。Chen等[77]发现MVI的存在与通过微阵列分析评估的91个基因表达特征之间存在相关性。随后,Segal等[78]在CT上识别出两个影像学特征——存在“内部动脉”和缺乏“低密度晕”——与相同的91个基因相关。在Banerjee等[79]的另一项研究中,157例最终接受手术切除的HCC患者中,这两个影像学特征连同“肿瘤-肝脏差异”被证明既能高度预测组织学MVI的存在,又与早期疾病复发和较差的总生存期相关,从而表明这些特征可能有助于筛选从手术治疗或肝移植中获益较少的候选患者。在MRI而非CT上,Renzulli等[80]发现,包括瘤周强化和边缘不光滑在内的特征在125例共140个诊断为HCC的结节患者中被证明对预测病理学MVI具有前景。

Taouli等[81]发现,增强CT(26例患者)或MRI(12例患者)上的某些影像学特征与侵袭性HCC表型的基因特征之间存在显著相关性,其中影像学上的浸润性模式具有最多的阳性关联。尽管本研究中未发现基因表达特征与强化比率之间的相关性,但他们提出其研究结果应在未来通过DCE-MRI进行验证,以克服其研究中仅使用动脉期和门静脉期测量肿瘤强化所固有的局限性。

在使用多参数MRI时,Hectors等[82]在14例患者中未发现遗传亚类之间的差异,且没有任何参数能够区分HCC分级。然而,他们发现若干MRI参数与个体基因表达水平之间存在显著相关性,例如,DCE-MRI上肿瘤灌注不良与VEGF-A高表达相关。具有定量参数的多参数MRI可能是HCC影像组学和影像基因组学研究的强有力工具,但包括DCE-MRI、DWI和BOLD成像在内的先进MRI技术在肝脏中的可重复性挑战构成了一个障碍。

肝内胆管癌(ICC)是肝脏中较少见的肿瘤;因此,仅有少数研究评估了ICC影像学特征与遗传数据之间的关系。Sadot等[83]对25例ICC患者治疗前CT进行纹理分析,将提取的定量和定性影像表型与治疗前活检中测定的缺氧生物标志物如HIF-1α、VEGF、EGFR和CD24进行比较。定性变量包括“肿瘤-肝脏差异”和“衰减异质性”,发现其与VEGF表达相关,而CD24表达与胆管扩张相关。

2011年,Kim等[84]证明ICC在CT动脉期的强化与较少坏死区域及手术切除后较长的无病生存期相关。2017年,Fujita等在其涉及47例接受动脉期CT检查的ICC患者的研究中得出了类似结论。47例患者被分为三组:乏血供型、边缘强化型和富血供型。乏血供型肿瘤患者较富血供型或边缘强化型肿瘤患者有更多的淋巴管、胆管和神经周围侵犯,且无病生存期更差[85]。更近期,Aherne等[86]发现CT上坏死或血管包绕与总生存期降低之间存在强相关性。还发现较大肿瘤尺寸(或存在卫星结节)与无进展生存期缩短之间存在关联(图5和图6)。该研究还评估了CT影像特征与遗传通路(IDH1、染色质和RAS-MAPK)之间的关联,但未发现任何显著关联。

图5 Kaplan–Meier生存曲线,显示坏死、卫星结节和血管包绕的存在均与生存期降低相关。经许可转载自:Aherne EA, Pak LM, Goldman DA, Gonen M, Jarnagin WR, Simpson AL, and Do RK. Intrahepatic cholangiocarcinoma: can imaging phenotypes predict survival and tumor genetics? Abdom Radiol, 2018, 43 [10]:2665 查看原图 ↗
图6 Kaplan–Meier生存曲线,显示卫星结节和血管包绕的存在与无病生存期降低相关。经许可转载自:Aherne EA, Pak LM, Goldman DA, Gonen M, Jarnagin WR, Simpson AL, and Do RK. Intrahepatic cholangiocarcinoma: can imaging phenotypes predict survival and tumor genetics? Abdom Radiol, 2018, 43 [10]:2665 查看原图 ↗

肾脏

遗传学的最新进展已导致在透明细胞肾细胞癌(RCC)中发现多种突变或遗传改变,包括编码多溴蛋白-1(PBRM1)、BRCA1相关蛋白1(BAP1)、含SET结构域2酶(SETD2)和赖氨酸特异性去甲基化酶5C(KDM5C)的基因突变或改变[87–91],从而导致对使用放射基因组学评估透明细胞RCC的兴趣增加[92–95]。

尽管透明细胞肾细胞癌(RCC)中最常见且最广为人知的突变是VHL抑癌基因,但其在透明细胞RCC患者中没有预后或预测价值[96]。透明细胞RCC中第二常见的突变是PBRM1抑癌基因[92, 97–99]。最近一项纳入七项研究共2942例RCC患者的荟萃分析[100]报告,PBRM1突变或表达降低与生存不良、晚期TNM分期、晚期肿瘤分期及更高的Fuhrman核分级相关。Kocak等[101]的一项研究表明,高维CT纹理分析有望区分伴有PBRM1突变和不伴有PBRM1突变的透明细胞RCC。

Karlo等[93]在233例透明细胞RCC患者中进行了一项初步放射基因组学研究,显示CT特征与若干基因(VHL、PBRM1、BAP1、SETD2和KDM5C)的潜在突变之间存在关联。边界清晰的肿瘤边缘、结节状肿瘤强化及瘤内血管化与VHL突变相关,而肾静脉侵犯与KDM5C和BAP1突变显著相关。VHL和PBRM1突变在实性肿瘤中比在囊性肿瘤中更常见。

Shinagare等[94]利用TCGA和TCIA数据对103例透明细胞RCC(81例采用CT评估,19例采用MRI评估,3例同时采用CT和MRI评估)进行了一项研究,显示边界不清的肿瘤边缘和钙化与BAP1突变相关。

多项研究显示,KDM5C突变与透明细胞RCC患者生存期缩短相关,但矛盾的是,其与转移性疾病患者生存期延长相关[102–105]。

除了将影像特征与基因突变相关联外,影像特征还可与生物标志物如DNA甲基化相关联,已知DNA甲基化在癌症发生中发挥关键作用,并具有潜在的预后和诊断价值[106–109]。包括RUNX3在内的抑癌基因的DNA甲基化在某些癌症中对生存产生负面影响[110–115]。Cen等[116]的一项探索性研究将RCC患者分为RUNX3高甲基化组和RUNX3低甲基化组。较高水平的RUNX3甲基化与生存时间缩短相关(图7)。RUNX3高甲基化的独立影像预测因素,如边界不清、高瘤内血管化和病灶偏左侧,见图8。

为构建放射基因组风险评分(RRS),Jamshidi等[117]的一项研究结合了透明细胞RCC的临床数据、从基因组分析中提取的遗传数据及术前CT数据。生存分析证实,高RRS组的疾病特异性生存率显著低于低RRS组,且独立于疾病分期和分级。

图7 总结了总生存预后因素的单因素Cox回归分析。经许可转载自:Cen等[116] PubMed PMID: 30877466 查看原图 ↗
图8 层次聚类产生了RUNX3启动子甲基化状态和CT特征的明显分组。红色为阳性,绿色为阴性。经许可转载自:Cen等[116] PubMed PMID: 30877466 查看原图 ↗

肺

在过去的几十年中,已鉴定出几种携带特定突变(最显著的是EGFR、KRAS和ALK突变)的肺癌亚型,从而得以开发特异性靶向突变通路的疗法[118]。

非小细胞肺癌(NSCLC)亚型是癌症死亡的主要原因,占所有肺癌病例的85%以上。NSCLC的基因表达数据在公共数据库中大量可用。在欧洲族裔患者中,约15%的所有NSCLC以及50%的从不吸烟者NSCLC为EGFR阳性。最常见的EGFR突变(致敏激活突变)与肿瘤对EGFR酪氨酸激酶抑制剂(吉非替尼、厄洛替尼和阿法替尼)的敏感性相关[119]。ALK突变较少见(<7%的所有NSCLC),在从不/既往吸烟者中更常见。克唑替尼是首个获批用于携带ALK重排的NSCLC的药物,而色瑞替尼和阿来替尼仅在美国和日本获批[118, 120, 121]。约20–25%的NSCLC携带KRAS突变,与吸烟和腺癌组织学相关[122]。KRAS与对标准治疗反应差相关。涉及KRAS的治疗策略目前正在研究中[123]。

在考虑不同肺癌亚型的影像学特征时,已发现相互矛盾的结果。Glynn等人未发现CT影像与EGFR或KRAS阳性肿瘤之间的关联[124]。然而,其他人发现了关联。Lee等人[125]使用CT和18-FDG PET/CT证明,直径>2.4 cm的肿瘤、摄取>5.0或病灶内磨玻璃影比例≤50%与EGFR过表达相关。同一组作者[126]还表明,CT上的肿瘤形态可区分两种最常见的EGFR突变亚型,即外显子19缺失和外显子21错义突变;具体而言,与外显子21错义突变的病灶相比,外显子21错义突变病灶的磨玻璃部分高于野生型病灶和外显子19缺失肿瘤。Yano等人[127]提出病灶磨玻璃成分的大小与EGFR突变的可能性之间存在关联[127]。

在Rizzo等人[128]的一项研究中,EGFR突变被证明与CT特征相关,如空气支气管征的存在、胸膜牵拉、病灶体积小和无纤维化,而ALK突变与胸腔积液相关。圆形、非肿瘤肺叶中的结节和吸烟是与KRAS突变相关的变量。在这项研究中,ALK基因重排通过荧光原位杂交检测,而EGFR和KRAS突变分别通过外显子18至21以及外显子2和3的DNA扩增评估。

Halpenny[129]的一项研究表明,ALK阳性肿瘤往往更大、质地更实,并累及更多胸部淋巴结肿大。该研究显示ALK突变与CT上胸腔积液的存在之间无相关性。

其他较少见的突变,如RET和ROS1,占所有肺腺癌的1–2%,也已被评估与影像学特征的关联。Plodkowski等人[130]的一项研究纳入了一组经病理确诊为任何分期肺腺癌且通过荧光原位杂交或下一代测序检测到RET或ROS1重排的患者,以及一组EGFR阳性肺癌对照。记录了CT特征,如是否存在积液、肺转移、淋巴结病变和胸外疾病。周围型肿瘤最可能见于ROS1重排患者(65% vs EGFR阳性癌症中的32%,p = 0.04)。伴有毛刺的实性肿瘤最可能为RET和ROS1重排及EGFR突变,而这些很少表现为空洞或钙化。

Nair等人[131]研究了NSCLC患者不同FDG摄取水平下的差异全基因组表达,以识别与具有预后相关性的FDG摄取特征相关的单个基因和基因表达特征。他们的分析提示NFΚB信号传导与FDG摄取之间存在相关性。NFΚB信号传导在炎症和恶性条件下似乎增强,因为糖酵解产生的乳酸可增强其活性[132]。

前列腺

前列腺癌是西方世界男性中最常见的癌症[133, 134]。然而,只有部分前列腺癌表现出特别更具侵袭性的行为,它们倾向于转移并抵抗治疗[135]。早期发现更具侵袭性的前列腺癌对于最佳管理该亚组很重要[7]。迄今为止,前列腺风险分层依赖于临床检查、活检数据(例如Gleason分级)和血清学标志物(例如前列腺特异性抗原)[136]。基因组[137]和定量MRI衍生的影像生物标志物[138]已被证明有帮助,不仅用于风险分层,还用于检测[139, 140]、分期[141]、表征[142–145]以及治疗计划和随访[146, 147],从而为放射基因组研究奠定基础。

Stoyanova等人[15]假设放射组学特征可用于表征前列腺中的成像表型或栖息地,从而改善风险分层。基于弥散受限和灌注增加,在多参数MRI分析中识别出不同的栖息地。通过放射基因组分析,他们报告若干放射组学成像特征与侵袭性行为相关基因显著相关(图9),尤其是ADC值与不同生物学过程的关联最强。

Renard-Penna等人[16]将106个可疑病灶的MRI特征(前列腺影像报告和数据系统(PI-RADS)评分、病灶直径和平均ADC值)与Prolaris®细胞周期进展评分进行相关性分析,发现PI-RADS与CCP评分之间存在显著相关性(ρ = 0.26,p = 0.007)。

McCann等人[148]将30例患者中45个外周带前列腺癌病灶的MRI特征与前列腺切除标本上的PTEN表达进行相关性分析。他们发现kep与PTEN表达之间仅存在弱相关性(r = − 0.35,p = 0.02)。

Jamshidi 等人 [149] 开展了一项研究,将术前多参数 MRI 与切除的前列腺标本进行空间映射。对代表异常与异常区域的多个感兴趣区进行了全外显子 DNA 测序。MRI 特征在所有患者中均正确识别了高级别病变。然而,组织病理学正常组织、高级别前列腺癌、MRI 正常区域和 MRI 可疑区域之间的突变谱无显著差异(p = 0.3)。作者提出,前列腺内非癌组织的基线突变谱可能比假设的更广泛。

图 9 影像特征与来自市售前列腺癌分类器的 65 个基因的 Pearson 相关性分析。基于放射组学特征与来自市售前列腺癌分类器的基因之间的 Pearson 相关距离进行层次聚类:CCP(细胞周期进展)、Decipher 和 GPS(基因组前列腺评分)。这些特征集中在高侵袭性癌症中表达上调的基因在其列上方用深红色框表示,而表达下调的基因用蓝色框表示。放射组学特征分组沿左侧树状图标示。第1组(左侧)将放射组学特征与位置(TZ、PZ 和 ROI)相关联;第2组与图像模态/功能相关:T2w、ADC 和 DCE-MRI。经知识共享许可转载自:Buerki C, Castillo R, Jorda M, Ashab HA, Kryvenko ON, Punnen S, Parekh D, Abramowitz MC, Gillies RJ, Davicioni E, Erho N, Ishkanian A. Association of multiparametric MRI quantitative imaging features with prostate cancer gene expression in MRI-targeted prostatebiopsies. Oncotarget. 2016 Aug 16;7 [33]:53362–53,376. doi: 10.18632/oncotarget.10523 查看原图 ↗

挑战

放射基因组学是一个将肿瘤基因型与影像表型相关联的新兴领域。在过去 10 年中,已发表了大量关于各种癌症放射基因组学的研究,但放射基因组学在临床实践中的实施仍未常规开展。这是由于与放射基因组学分析相关的若干局限性所致。

基因表达和信号通路极其复杂,难以将全基因组测序产生的大量数据与影像数据进行匹配(文献中仅有少数研究使用全基因组数据)。应降低基因组数据的维度以匹配从影像研究中获得的数据。

定量影像特征的差异不仅与基因表达相关,还可能与其他因素如患者特征或成像技术相关。由于不同硬件和扫描方案导致的数据集机构间和机构内异质性限制了结果的普适性。与观察者间变异相关的局限性使得定性影像特征更不可取。

限制结果普适性和可重复性的另一个因素源于放射基因组学研究通常样本量小且具有回顾性性质。

需要更大规模的前瞻性研究和标准化来验证放射基因组学的潜力、定义相关影像生物标志物,并确定哪些放射基因组学关联可以在临床常规中有意义地实施。

结论

影像组学和影像基因组学有望提高诊断、预后评估和治疗反应预测的精准度,鉴于这些信息可通过影像轻松获取,从而在整个疾病过程中为患者照护提供有价值的信息。随着个体化医学在临床实践中发挥越来越大的作用,影像基因组学尤其能够实现快速、无创的基因型鉴定,并可应用于所有癌症类型。影像基因组学应开展进一步研究,以获取更大、信息更准确的数据集用于标准化,从而提供有意义且具有临床适用性的结果;在其能够应用于临床工作流程之前,标准化对于验证影像基因组学的潜力和界定相关影像生物标志物将是必要的。

引用

  1. Lo Gullo R, Daimiel I, Morris EA, et al. Combining molecular and imaging metrics in cancer: radiogenomics. Insights Imaging. 2020. PMID: 31901171. doi:10.1186/s13244-019-0795-6
  2. 全文:PMC6942081(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6942081/

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。