人类恶性肿瘤医学影像特征的系统化解读与聚类分析
本研究通过系统检索PubMed截至2018年3月,纳入930篇原始文献,汇总了覆盖20个人体部位、34种恶性肿瘤的5026个影像特征,构建了450个元特征描述符并进行无监督层次聚类,揭示了影像特征在不同恶性肿瘤和临床任务中的应用规律;并利用1000例非小细胞肺癌回顾性CT图像验证了纹理特征值的分布模式。
要点
- 构建了影像特征与恶性肿瘤的相关性图谱,提示乳腺、肺、前列腺癌的影像特征分布高度一致(Pearson相关系数>0.75)。
- 熵值中位数(截断值3.935)分组显示,低熵肺癌图像对比度更低(P=.024)、标准差更低(P<.0001)、相关性更低(P<.0001),均匀性更高(P=.068)、能量更高(P<.0001)。
- 基因突变特征1B在人类癌症中的显著表达与游程长度影像特征在不同恶性肿瘤类型中的存在高度一致(Kolmogorov-Smirnov检验,P>.5)。
关键影像表现/征象
- 低熵组肺癌图像较高熵组表现为低对比度(P=.024)、低标准差(P<.0001)、低相关性(P<.0001),但均匀性更高(P=.068)、能量更高(P<.0001)。
- 在45°、90°和135°方向提取的纹理特征遵循相同规律。
- 聚类分析显示乳腺、肺、前列腺癌的影像特征分布高度一致,两两比较Pearson相关系数均大于0.75。
- 元特征「消退」最常与阴道癌检测相关,「颜色」最常用于肉瘤的特征描述和检测,「强调」常用于头颈癌的报告任务,「距离」最常用于肺癌和前列腺癌的图像采集任务。
诊断标准与关键数值
- 以熵值中位数3.935为截断值将1000例非小细胞肺癌患者分为高熵组和低熵组。
- 两名放射科医师对CT图像ROI分割的ICC范围为0.810至0.936。
- 六项肿瘤学任务与元特征分布模式的显著关联:特征描述(r=0.834,P<.001)、检测(r=0.730,P<.001)、监测(r=0.845,P<.001)、采集(r=0.670,P<.001)、预处理(r=0.280,P<.001)、报告(r=0.490,P<.001)。
临床应用与阅片要点
- 研究提出的元特征构建方法可用于统一影像特征命名,减少因命名不一致导致的特征冗余。
- 相关性图谱和在线工具(http://www.ciitool.com/#/mifa-correlation)可用于查询特定恶性肿瘤和临床任务中高频报道的影像特征。
- 对于熵、对比度、相关性、标准差、均匀性、能量等复杂纹理特征,放射科医师难以直接视觉评估,需借助定量提取工具。
- 52%(485/930)的纳入研究对扫描仪和扫描参数报告模糊,提示未来研究需规范报告采集参数。
局限性
- 原文未述局限性
全文中译16 节 · 点击展开
摘要
对跨越20个不同解剖区域的930项关于恶性肿瘤临床医学影像特征的研究进行系统综述,识别出最突出的纹理特征,这些特征可被选择用于未来临床肿瘤学任务中的表征,涉及图像采集、预处理、检测、表征、监测和报告。
要点
■ 对人体恶性肿瘤医学影像特征的系统化可能减少未来医学影像研究中的效应波动和冗余。
■ 确定了医学影像特征在跨越人体恶性肿瘤的肿瘤学任务中的应用规则,以及不同纹理特征值的恶性肿瘤图像在视觉特征上的差异(不同特征值组间P < .0001)。
■ 确定了跨越人体恶性肿瘤的医学影像特征与跨越人类癌症的突变过程特征之间的关联(Kolmogorov-Smirnov检验,P > .5)。
引言
医学影像是协助检测和治疗人类疾病,尤其是恶性肿瘤的关键重要工具(1)。众所周知,通过解码医学影像特征可以全面提取细微的瘤内异质性信息。在过去几十年中,已识别出数千个从放射学图像和组织病理学图像中提取的定量和定性工程化特征(2–5)。随着医学影像特征分析技术的不断进步,既往研究已证实,高通量成像异质性描述符对于揭示人类恶性肿瘤的发生、进展和治疗反应至关重要(6–9)。
尽管医学影像特征分析领域发展迅速,但利用解码的医学影像特征来协助与不同人类恶性肿瘤相关的各种临床任务(表征、检测、监测、采集、预处理和报告)的一般规则仍不明确(10–12)。目前评估医学影像特征的方法通常基于大规模特征提取,之后选择机器学习方法进行特征筛选以识别潜在的影像生物标志物。效应波动——即研究者在上述过程中因偏好和主观经验以及机器学习方法参数调整所导致的结果——使特征筛选过程不可靠且难以重现(7,13)。此外,由于大多数研究未使用相同的标准来标准化特征提取,对可能影响任务的影像特征的理解仍然有限;冗余特征不可避免地被使用(14–17)。特征的冗余性和特征提取所用标准的不一致性不可避免地阻碍了可重复性并削弱了研究结果的解释力(18,19)。因此,有必要对已报道的影像特征进行适当的系统化,为该领域更稳健的特征选择提供基础,以应对这些挑战。
图像生物标志物标准化倡议(IBSI)已提出医学影像特征的标准化计算和定义(20),这推动了标准影像特征集的构建。此外,RadLex作为一个新的放射学词典资源,包含超过40 000个标准化术语,涵盖放射学的各个方面,显著促进了放射学领域的交流(21–23)。此外,其他研究也为减少影像特征冗余提出了建议(13,17)。然而,由于缺乏对与人类恶性肿瘤相关的已知影像特征的理解,医学影像特征所反映的肿瘤异质性的解读至今仍存在争议(24)。因此,有必要系统化现有的人类恶性肿瘤影像特征数据,为提高实验结果的可重复性和临床适用性提供科学依据。
本研究旨在总结既往报道的人类恶性肿瘤中具有统计学意义的医学影像特征,为在与恶性肿瘤相关的临床任务中更可靠地选择影像特征提供科学依据。本研究全面回顾了使用医学图像提取定量或定性影像特征以辅助恶性肿瘤相关临床实践的研究,以构建人类恶性肿瘤与医学影像特征之间的相关性图谱。
材料与方法
本研究包括一项回顾性文献综述,以及对非小细胞肺癌(NSCLC)图像的回顾性评估,用于分析不同的纹理特征。已获得机构审查委员会批准,用于纳入的NSCLC患者的影像特征展示。我们声明,作者对所提交发表的所有数据和信息拥有完全控制权。
文献检索与质量评估
我们检索了PubMed从数据库建立至2018年3月23日的文献,寻找明确阐述为恶性肿瘤相关目标或假设解码医学影像特征的研究。检索策略中使用[Title/Abstract]字段来查找这些一般研究领域的研究。我们使用以下检索词获取用于分析的研究:“((image[Title/Abstract] AND cancer[Title/Abstract]) AND (feature[Title/Abstract] OR texture[Title/Abstract]))”。所有检索到的全文文章均由研究者下载并阅读以提取信息。然后,使用纽卡斯尔-渥太华量表(25)——系统综述中研究的批判性评价工具——评估我们纳入本综述的所有文章的质量。文章纳入和排除标准的详细信息见附录E1(补充材料)。
手动信息提取工作流程
十名研究调查员,包括五名放射学受训人员(J.X.、Y.C.、Z.Y.、X.Z.和L.W.),于2018年9月前初步独立审阅并提取了文章;另有四名放射科医生和Z.L.分别具有6年、10年、15年、15年和30年的放射学经验,于2018年10月对结果进行了双盲内部核查。所有分歧最终于2019年1月由五名受训人员再次进行盲法审阅,以确保数据提取的准确性。所有受训人员均接受过医学影像特征提取培训,并已完成科学文献阅读课程。特定信息的提取过程由一名在医学影像特征分析方面具有7年以上经验的专家(J.S.)监督。为确保数据提取的准确性,我们随机选取了30篇原始文章,所有文章的信息由我们的调查员同时提取(对调查员设盲)。
提取标准类别
为分析所获得的文章,从每篇全文文章中人工提取以下信息:(a) 恶性肿瘤类型;(b) 纳入患者或图像的数量(如果作者未提供人类患者的详细信息);(c) 放射学亚专业和所采用的技术;(d) 临床放射学任务;以及(e) 研究中报告的具有统计学意义的医学影像特征的名称、定义或描述。对于每项与恶性肿瘤相关的研究,我们按以下流程之一对每篇文章进行分类(指定为1至6):(1) 表征,(2) 检测,(3) 监测,(4) 采集,(5) 预处理,和(6) 报告。所有报告与研究目的具有统计学显著相关性的影像特征名称均由我们的调查员人工识别并记录。对于仅报告预设任务的最终模型、而未描述最终模型中影像特征的研究,或未提供显著特征详细信息的文章,我们提取了原文中提及的所有相关特征。所有信息均经人工识别,然后存储在Excel(Microsoft)电子表格中。
元特征构建
医学影像特征系统化的第一个挑战在于识别用于特征的名称。尽管IBSI(20)已提供了影像特征的定义,但在实际研究中,不同研究者对特征的命名并不一致(16)。命名不一致的示例可见于附录E2(补充材料)。
基于人工提取的所有具有统计学意义的影像特征的完整列表,我们将列表中出现的每个描述提取为一个元特征。基于这些元特征的统计,随后可以通过重新组合元特征来阐明每种影像特征在人类恶性肿瘤相关任务中的使用细节。元特征构建的详细信息可见于附录E3(补充材料)。以这种方式得出的元特征列表见表E1(补充材料)。
既往研究表明,影像学特征与成像方法高度相关。因此,本研究基于放射学图像(CT、乳腺X线摄影、MRI、PET和超声)以及组织病理学图像,对所报道的元特征提供了描述性统计。此外,对于不同的临床任务(表征、检测、监测、采集、预处理和报告),所突出的影像学特征有所不同。还评估了影像学元特征在各类人类癌症中针对每项临床任务的应用细节。
最后,为便于读者从元特征追溯原始特征的信息,我们提供了原始特征和元特征的统计数据。通过将相应的元特征重新组合为特定的影像学特征,可获得每个原始影像学特征在癌症不同部位和各种成像模态中的使用细节。
采用R语言(R Foundation,Vienna,Austria)中的pheatmap包进行无监督层次聚类,以识别影像学特征在人类恶性肿瘤中的分布规律。为阐明这一发现,我们开发了可视化的网络拓扑图,并将研究结果转化为在线工具以展示我们的发现(http://www.ciitool.com/#/mifa-correlation)。
显著纹理特征临床可视化的研究设计
在PubMed上对肺结节分类进行全面检索,结果发现既往报道的与该单一任务具有统计学显著相关的影像学特征超过1400个,因此我们旨在以NSCLC为例确定重要的纹理特征。我们阐明了最重要的医学影像纹理特征(即在各类癌症中报道频率较高的特征)的数值分布模式。
本研究收集了1000例早期NSCLC患者的治疗前对比剂增强CT图像。患者的人口学资料见补充表E18。首先,由两名具有10年以上胸部CT判读经验的放射科医师手动分割图像上所有肿瘤感兴趣区(ROI)。然后,使用标准计算公式对所有ROI进行纹理特征提取。接着,根据肿瘤ROI熵值的中位数将所有患者分为两个亚组。最后,分析两个亚组之间熵值及其他纹理特征的特征值。
此外,本研究通过计算机生成了500幅随机图像,并对随机图像使用相同的纹理特征提取算法,以进一步说明不同纹理特征之间的视觉差异。基于所有图像提取的特征,使用F检验评估三个图像组中每组之间特征的差异。然后,通过对该组中所有图像的傅里叶变换取平均,计算每组的平均快速傅里叶变换(FFT)图像。平均FFT(26)图像最终被用作具有显著不同纹理特征值的图像的直观表示。
突变特征与影像学特征之间的关联
我们进行了一项临时探索,以确定跨人类癌症的医学影像特征与跨人类癌症的突变过程特征之间的潜在联系。基于跨人类癌症的医学影像特征表达的统计数据,我们比较了跨人类癌症类型的突变特征的存在情况与跨人类癌症类型的医学影像特征的存在情况。具体而言,我们探索了仅在特定人类癌症中显著表达的突变与在这些癌症类型中突出呈现的影像特征之间的潜在关联。
本研究中,每种原始影像特征在跨人类癌症中的存在情况见表E2(补充)。对于每种影像特征,只有当该特征在某一给定癌症中被报道超过一次时,我们才定义该特征在该癌症中存在。每种人类癌症中突变特征表达的数据可在Alexandrov等(27)和Hoadley等(28)的研究中获得。为阐明本实验,我们将上述两项既往研究中发表的人类癌症基因突变特征表达结果附于图E5(补充)。
统计分析
组内相关系数(ICC)作为一致性指数(29)用于分析不同观察者之间从30份报告中提取信息的一致性。我们将定性数据项转换为数字;对于观察者之间达成一致的相同数据项,用相同数字表示,对于存在差异的数据项,用不同数字表示。然后,使用ICC检验两列数据的观察者间信度。我们首先计算每个变量的ICC,然后以平均ICC作为不同观察者之间数据提取的一致性评估。Kolmogorov-Smirnov检验用于评估仅在特定人类癌症中显著表达的突变与在这些癌症类型中突出呈现的影像特征的分布一致性。Pearson相关系数用于描述每两种不同类型癌症的元特征数据的相似性。所有统计分析均在R软件(版本3.4.3)中完成。纹理特征选择在MATLAB(版本2015b)中完成。ICC用于评估两位放射科医师分割的观察者间变异性。P < .05被认为具有统计学显著性。
结果
纳入研究与恶性肿瘤概述
根据我们的检索策略,共收集了1105项研究。共有175项研究因以下原因被排除:(a)研究类型不合适(79项研究),(b)未包含描述性医学影像特征的记录(67项研究),(c)无法通过互联网获取全文(29项研究)。排除后,930项研究(约370 000名研究参与者)被纳入分析(纳入研究的流程图见图E1[补充])。提取的研究涵盖了34种恶性肿瘤,涉及人体20个部位(附录E1[补充])。基于纽卡斯尔-渥太华量表的结果表明,930项研究中有590项(63%)评分小于或等于3分,331项研究(36%)评分在4至6分之间,仅9项研究(1%)评分在7至9分之间。
我们发现,2004年之后恶性肿瘤影像学领域的研究数量显著增加(P < .0001,图1)。大多数提取的研究关于乳腺癌(329项研究)、肺癌(145项研究)和前列腺癌(98项研究)。从20世纪80年代至2004年,组织病理学图像是恶性肿瘤评估最常用的方法(59%,108篇报告中的64篇)。随着其他影像技术的出现,基于MRI、CT、乳腺X线摄影和超声成像的研究在随后十年中日益增多。2014年之后,基于CT图像的特征分析相较于其他三种主要成像方式占主导地位。
提取的医学影像特征概述
我们发现,纳入的研究中报告了5026个明确定义的医学影像特征(来自全部930项研究)与人类恶性肿瘤相关的特定临床任务显著相关(表E2[补充])。为解决医学影像特征命名不一致的问题,基于对全部5026个原始特征的审查,根据方法部分所述的元特征构建方法,构建了一个包含450个元特征描述符的特征映射集。元特征及相应原始特征的详细信息见表E2和表E3(补充)。本研究中研究者提取的数据达到了可靠的观察者间一致性(平均ICC = 0.955)。
图2展示了人类恶性肿瘤与图像元特征之间相关性的所有条目对的无监督聚类结果,即图像元特征跨人类恶性肿瘤类型的聚类。元特征在六项肿瘤学任务中跨人类恶性肿瘤的报告频率统计见表1,各聚类的特征见表2。20个解剖区域及相关的对应元特征以热图形式呈现,它们之间的相关性从弱到强不等。此外,应用于每项临床任务的元特征的统计分析也通过图2中的热图呈现。另外,用于可视化元特征与人类恶性肿瘤网络拓扑图的在线计算平台见图3(附录E4[补充])。
按恶性肿瘤类型对影像特征进行聚类
根据元特征的聚类,影像特征的分布在乳腺癌、肺癌和前列腺癌中显示出高度一致性。三种恶性肿瘤的两两比较显示,Pearson相关系数大于0.75。聚类3中的影像特征(表E4[补充])的报告频率高于其他聚类,并且与乳腺癌、肺癌、头颈癌和前列腺癌中的表征、检测、监测和报告任务高度相关。聚类4中的特征显著集中于乳腺癌和肺癌中的监测、采集、报告和预处理任务。聚类5中的特征与乳腺癌、肺癌和前列腺癌的检测、报告和表征任务显著相关。表E17(补充)展示了在人类恶性肿瘤类型的每项肿瘤学任务中报告频率最高的医学影像元特征(前五位)。
表征、检测、采集、监测、预处理和报告任务中排名前五的元特征见表3。尽管大多数元特征在癌症中的分布稀疏(聚类2),但特定特征在特定部位恶性肿瘤的特定任务中被突出显示。在图2中,“消退”这一元特征最常与阴道癌的检测相关提及,“颜色”这一元特征最常用于肉瘤的表征和检测。“强化”这一元特征经常用于头颈癌的报告任务。“距离”这一元特征最常用于肺癌和前列腺癌的图像采集任务。图2中相应的统计结果列于表E4(补充)。对于每项肿瘤学任务(图像采集、预处理、检测、表征、监测和报告),元特征在每种癌症类型中应用的相应详细信息分别列于表E5–E10(补充)。附录E5(补充)提供了元特征重组的描述。
组织学评估占所有纳入研究的22%(930项中的212项)。当从不同影像模态提取医学影像特征时,我们的研究结果表明,所报告的特征在不同影像模态间存在差异(补充表E11–E16)。在52%(930项中的485项)的纳入研究中,扫描仪和扫描参数及其他图像采集细节的报告较为模糊。补充附录E6总结了每种影像模态中显著的元特征。
非小细胞肺癌(NSCLC)纹理特征的验证
我们的研究表明,存在某些在多种恶性肿瘤中报告频率较高的特征。其中,简单特征(如均值、强度、灰度级和形状描述符)的价值可由放射科医师进行视觉评估。然而,对于高报告率的复杂纹理描述符(如熵、对比度、相关性、标准差(SD)、同质性和能量),则不可行。在本研究中,使用1000例NSCLC患者的治疗前CT图像和计算机生成的500幅随机图像来探索这些特征值分布的规律。CT和随机图像的详细信息见补充附录E7。CT图像中的所有ROI均由两名放射科医师分割,两名放射科医师分割的ICC范围为0.810至0.936。我们按熵值的中位数(截断值:3.935)将肺癌患者的图像分为两组。与其他肺癌组相比,低熵的肺癌图像同样表现为低对比度(P = .024)、低SD(P < .0001)和低相关性(P < .0001),但具有高同质性(P = .068)和高能量(P < .0001)(图4)。对于前述在其他方向(45°、90°和135°)提取的纹理特征,同样适用该规律(补充图E2–E4)。与肺癌图像组相比,随机图像组的熵、对比度和SD的影像特征值最高,而该组的相关性、同质性和能量最低(均P < .0001)。为直观显示这一差异,我们对所有图像进行了FFT,并对每组的FFT图像取平均。通过这种方式,可以直观地呈现特征值差异显著的图像之间的差异。
本研究的专项探索表明,以NpCpG三核苷酸处C > T替换为特征的突变特征1B(27)在所有人类癌症中最为常见。比较人类癌症类型间的突变特征和影像特征表明,突变特征1B的存在与游程长度影像特征的存在一致(P > .5,图5)。这一规律在Hoadley等(28)的研究中进一步得到验证(P > .5,图5)。
讨论
在本研究中,我们系统回顾了PubMed上发表的所有基于医学成像特征进行恶性肿瘤分析的研究,以确定将这些成像特征应用于人类恶性肿瘤分析的一般规则。我们回顾了既往报道的、在涉及人类20个解剖区域的恶性肿瘤相关的全部六项肿瘤学任务中具有统计学意义的成像特征,并按恶性肿瘤部位、成像模态和临床效用对这些癌症相关成像特征的数据进行了总结。我们构建了人类恶性肿瘤与成像特征的相关性图谱,并提出了一种研究任何感兴趣的高维成像特征细节的方法。我们的研究为在广泛人类癌症谱系的所有肿瘤学任务中选择更可信的成像特征提供了基础,并可能有助于减少研究者偏好和经验在获取潜在成像生物标志物时造成的偏倚。
在这一研究领域,通常需要进行特征选择过程,尤其是在新兴的影像组学领域(30,31)。为保留具有重要意义的特征(即那些被视为 predefined 临床假设的潜在成像生物标志物的特征),提取广泛的成像特征通常是前提条件(32–34)。然而,大多数相关研究并未采用相同标准来规范特征提取。特征提取过程,尤其是图像滤波和纹理矩阵计算,受到所用不同方法的显著影响。这些缺陷可能引入严重偏倚,导致研究不可重复和结论无效(14–16,35–37)。近期,针对这一挑战已提出关切和可能的解决方案(13,23,38)。为提高这些领域研究的有效性和可靠性,有必要总结既往医学成像数据,为未来的特征选择提供科学依据,而不是盲目研究未经证实的医学成像特征。
在本研究分析的报告之间,影像特征的命名并不一致(20)。为帮助整理和简化这些数据,我们以易于查询的格式提供了数据。此外,还提供了原始特征的描述,这有助于为各种影像特征的统计分析搭建桥梁。元特征的解构与重组有助于理解任何影像特征在人类恶性肿瘤中应用的细节。此外,我们的结果表明,某些影像特征高度集中于特定恶性肿瘤中的特定肿瘤学任务,这与既往报道一致(39–41)。研究人员可在未来的验证研究中使用这些特定、高度聚焦的影像特征,以转化为临床实践。用于异质性评估的纹理特征通常难以用肉眼区分。对于最常被报道的复杂纹理影像特征,本研究揭示了不同图像中特征值分布的规律,以阐明不同特征值图像在视觉特征上的差异。
本研究的文献检索、特征提取、数据收集和质量评估均按照已发表的综述标准进行(42)。对不同影像模态来源的影像特征进行的统计评估表明,每种人类恶性肿瘤类型的重要特征在不同影像模态间存在差异。组织病理学图像研究占纳入研究总数的22%(930项中的212项),这些图像中的特征已被证明与人类恶性肿瘤的诊断和预后显著相关(6,43)。
既往研究认为,表达突变特征1B的肿瘤中会发生特定的肿瘤表型改变(27,44,45)。与健康组织相比,基因突变通过内在生物学过程反映在肿瘤图像的异质性中(46–48)。突变特征1B在人类癌症中的显著表达与run length影像特征在不同人类癌症类型中的存在之间的高度一致性,可能在这些癌症的图像分析中特别有用。仍需进一步的分子水平研究来揭示导致图像表型改变的癌症基因突变的生物学功能。
我们的研究存在若干局限性。本研究可能未涵盖该研究领域的所有文献,因为并非所有与影像特征分析相关的期刊和会议都能从PubMed数据库检索到。未来分析还应考虑其他数据库中的文献。可靠的观察者间一致性确保了本研究研究者提取数据的准确性(平均ICC = 0.955),但主观经验的偏倚无法消除。此外,元特征方法可以提供影像特征在癌症中应用的细节,但该过程涉及两个步骤(元特征的重组和相应原始影像特征的检索),未来需要开发更简捷的方法。最后,由于其他基因突变特征并未在广泛癌种中表达,分析其他基因突变特征与影像特征的潜在相关性需要未来更具体的生物学研究。
总之,我们系统总结了既往报道的人类恶性肿瘤医学影像特征数据。本研究阐明了利用解码医学影像特征辅助不同人类恶性肿瘤各种放射学任务的一般规律。本研究结果可能为提高实验结果的可重复性以及减少未来医学影像研究中的偏倚和冗余奠定基础。
附录
补充图
引用
- Wang L, Liu Z, Xie J, et al. Decoding and Systematization of Medical Imaging Features of Multiple Human Malignancies. Radiol Imaging Cancer. 2020. PMID: 33778732. doi:10.1148/rycan.2020190079
- 全文:PMC7983692(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7983692/
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。