18F-FDG PET/CT放射组学标准化进展及其在肺部疾病管理中的应用综述
本综述讨论18F-FDG PET/CT放射组学在肺癌、肺部感染与炎症中的应用,并概述其标准化面临的技术挑战与进展。文章指出CT难以检出肺部疾病的微观变化,而放射组学特征提取的复杂性与多样性需通过标准化解决,人工智能与机器学习结合放射组学分析可改善诊断与治疗。
要点
- CT难以检出肺部疾病的微观变化,18F-FDG PET/CT放射组学推动肺部疾病管理的个体化。
- 放射组学特征提取技术与特征数量带来巨大复杂性,需通过标准化消除。
- 人工智能与机器学习结合放射组学分析可改善诊断与治疗。
核心结论
- 18F-FDG PET/CT放射组学在肺癌、肺部感染与炎症管理中具有应用前景,但其作为可计算生物标志物的广泛建立与认可仍缺乏标准化成像与数据探索技术。
- 人工智能与机器学习结合放射组学分析可改善诊断与治疗。
- 放射组学分析产生的复杂性只有通过标准化才能消除。
研究设计与样本
- 综述文章,聚焦18F-FDG PET/CT在肺癌、感染和炎症等肺部疾病中的应用以及该技术标准化的不同方法与挑战。
- 文章分为两部分,第一部分讨论放射组学在肺部疾病评估与诊断中的应用及影响放射组学分析的因素,第二部分讨论放射组学特征标准化的挑战及形态学、纹理与统计特征标准化的方法。
关键影像表现/征象
- 18F-FDG PET/CT可无创、高通量地捕捉代谢与解剖变化,其放射组学纹理分析可提取人眼不可见的特征与模式。
- 肺部结节高浓度18F-FDG可能代表病灶为恶性,纹理分析较单独最大标准化摄取值显著提高特异度。
- SUVmax可能难以鉴别结核与肺癌,因两者均有大量活化巨噬细胞和淋巴细胞聚集而呈高18F-FDG亲和力。
- 组织胞浆菌病在影像上常表现为胸膜病变,CT可见环形钙化层且18F-FDG PET亲和力高,类似肺癌特征。
诊断标准与关键数值
- 一项回顾性研究在较大患者队列(n=545)中采用纹理分析区分原发与转移病灶。
- 一项研究报道亚厘米肺结节18F-FDG摄取极低时98%的病例为良性。
- PET肺癌分期多中心随机试验中,18F-FDG PET与治疗技术和有创诊断整合较单纯传统检查使不必要开胸术减少51%,相当于总体消除五分之一的关键手术。
临床应用与阅片要点
- 美国国家综合癌症网络认可18F-FDG PET/CT对非小细胞肺癌患者的评估能力。
- 美国放射学会适宜性标准与美国胸科医师学会指南因18F-FDG-PET/CT公认的有效性推荐其用于非小细胞肺癌分期。
局限性
- 放射组学纹理分析受图像采集与处理相关的多个因素影响,包括18F-FDG PET/CT成像方案、扫描仪类型、扫描时间、肺运动、图像重建、图像质量、分割技术和信息分析。
- 呼吸门控在医疗环境中的应用尚未良好建立。
- 从4D-PET推断高级纹理特征的假设需要未来评估与研究。
- 特征命名与特征提取指南尚未建立,导致提取特征存在变异。
- PET图像体素较MRI和CT大,异质性量化存在偏倚并导致肿瘤采样更粗糙。
全文中译9 节 · 点击展开
要点
肺部疾病的微观层面变化无法仅通过CT检测到。
采用18F-FDG PET/CT放射组学朝着肺部疾病管理的个体化方向发展。
然而,大量的特征和特征提取技术带来了巨大的复杂性。
这种复杂性只能通过放射组学分析的标准化来消除。
人工智能和机器学习结合放射组学分析可改善诊断和治疗。
背景
生理异常的分子表征传统上通过对疑似部位进行活检或随机采样来诊断和鉴定。然而,活检是一种侵入性过程,存在感染等并发症风险[1, 2]。肺癌是成人呼吸系统发病和死亡的主要原因之一[3]。因此,为避免这一风险,医学影像技术,例如磁共振成像(MRI)、计算机断层扫描(CT)和正电子发射断层扫描(PET),以及PET/CT和PET/MRI等混合成像模式,被广泛用于以非侵入性方式确定肿瘤异质性和形态学异常[4, 5]。18F-氟代脱氧葡萄糖(18F-FDG)PET/CT是常用的诊断工具之一,尤其在肿瘤学和其他临床疾病领域,因其在诊断、预后和治疗反应评估方面具有较高的准确性[6–11]。肺癌是全球主要死亡原因之一[12]。18F-FDG PET/CT的应用被认为可降低发病率[13]。PET成像在神经影像学、心脏成像和血管异常检测领域也引起了关注[14–16]。
医学图像能够捕捉反映在表型中的细胞和分子水平的肿瘤特征[17–20]。一项关于肺部肿瘤间变性淋巴瘤激酶突变CT图像的研究捕捉到大量肺液且无肺尾征[21]。在另一项研究中,互补对比剂的CT图像表明,位于肾细胞癌中的von Hippel–Lindau病变与肿瘤内总血管化、肿瘤边缘锐利及肿瘤结节状进展显著相关[22]。传统上,CT扫描在癌症治疗的不同阶段进行以了解药物疗效[23]。手术前,通过治疗技术和侵入性诊断评估肺癌的严重程度。这些被称为传统检查方案。在肺癌分期PET多中心随机试验中,与仅采用传统检查方案相比,将18F-FDG PET与治疗技术和侵入性诊断相结合可使不切实际的开胸手术减少51%,例如总体上消除五分之一的关键手术[24]。
葡萄糖代谢升高是公认的癌症标志,分子PET成像主要捕获这些升高的代谢用于诊断目的[25]。通过识别葡萄糖类似物18F-FDG的高摄取和蓄积,可以确定暴露于异常增殖、感染和炎症的细胞部位[13, 26]。18F-FDG与细胞中存在的葡萄糖转运蛋白结合并被己糖激酶磷酸化,导致18F-FDG-6-磷酸缺少糖酵解所需的2-羟基基团[13, 27, 28]。这种复杂化学成分在代谢上被捕获在细胞内,并可通过PET成像检测到[13, 14, 29]。PET成像中18F-FDG的摄取取决于活性癌细胞的数量、肿瘤的组织病理学以及负责持续肿瘤发生的生物学过程[30–33]。因此,研究表明肿瘤的异质性可能与18F-FDG的稀疏分布相关[17, 34, 35]。根据一项荟萃分析研究,18F-FDG PET已被证明比CT具有更强的纵隔分期能力[36]。此外,与任一成像方式单独相比,18F-FDG PET/CT产生更精确的图像定量信息[37]。
放射组学分析是医学成像领域的一个新兴领域,它被认为是一种有前景的分类工具,具有彻底改变疾病诊断特别是癌症诊断的内在潜力[38–42]。放射组学已被引入成像领域,通过识别特征和模式来增强传统和人工图像理解,而这些特征和模式在很大程度上仍未被人类肉眼检测到[43, 44]。放射组学通过将放射学信息转换为大规模可挖掘实体,能够提取、收集和评估高阶和统计数据集[44–47]。通常,放射组学分析过程对所研究的疾病是公正的,并按数据采集、数据预过滤、感兴趣区(ROI)选择、特征推导、数据研究后过滤的顺序进行[37]。放射组学领域主要致力于改善患者管理,如疾病类型预测、生存率和治疗疗效[45, 48–55]。对单个结节以及感兴趣区内更多结节进行详细研究,并几乎实时产生结果,是放射组学的众多技术优势之一[56]。既往研究侧重于开发和验证基于机器学习的临床模型以预测患者结局,以确保其变得可行和实用[54]。然而,这些多中心模型包含大量高阶和基于多样功能的图像特征;因此,解释和理解这些特征即使对该领域的专家来说也变得不堪重负[57, 58]。目前,研究人员正在致力于提升放射组学模型定量信息的可读性,以便放射科医生和医师能够轻松理解数据[59]。要取代当前成像技术的诊断评估(人眼解读),特征必须准确、稳健且可重复。为实现这一目标,已开展了专门的研究工作,一些已发表的工作具有非常令人鼓舞的结果[53, 59, 60]。
影像组学可作为生物标志物,与人工智能(AI)结合,并可用于开发预测模型,这些模型可能实现更详细、更精确和微观层面的评估,远远超出目前医学图像评估中主要使用的方法学技术[42, 61]。早在1999年,18F-FDG PET作为评估治疗反应的潜在生物标志物就已被认可[62]。18F-FDG PET/CT生物标志物有助于晚期非小细胞肺癌(NSCLC)的免疫治疗反应预测[63]。然而,由于缺乏标准化的成像和数据探索技术,18F-FDG PET/CT作为可计算生物标志物的普遍建立和认可仍然不足[64]。从更乐观的方面来看,文献综述证实,研究人员正在努力克服这些挑战;因此,在不久的将来,18F-FDG PET/CT有望被确立为定量生物标志物[56, 61]。
将影像组学发现转化为治疗实践是该领域和纹理分析的最终目标。图1显示了影像组学特征优化用于临床实践转化的概述。该过程首先通过计算机化方法从感兴趣区域提取特征(图1a)[65]。接下来,通过评估Spearman相关系数、Pearson相关系数、一致性相关系数或组内相关系数来确定特征的稳健性和可重复性(图1b)。基于稳健性和可重复性结果,选择最优特征并去除冗余特征(图1c)[66]。为实现临床实践的自动化,开发基于人工智能的模型用于肺部疾病的预测、预后和诊断(图1d)[65]。最后,通过应用影像组学可以实现生存预测和预后预测等临床结局(图1e)[67]。
在这篇综述论文中,我们讨论了18F-FDG PET/CT影像组学在肺部疾病(癌症、感染和炎症)适当管理中的重要方面,以及标准化举措、进展和挑战。本文的撰写认可了18F-FDG PET/CT的重要性,以期其能够被认定为定量生物标志物。文章分为两部分:第一部分讨论影像组学在评估和诊断肺部疾病中的应用以及影响影像组学分析的因素。本文第二部分讨论影像组学特征标准化所面临的挑战以及涉及形态学、纹理和统计学影像组学特征标准化的方法。
18F-FDG PET/CT影像组学的应用
肺癌检测与评估
癌症是在早期阶段未经适当检测、评估和治疗而发生后出现的失控性细胞增殖[68]。PET在肿瘤学领域的应用已得到广泛认可,因为PET成像能够提取肿瘤表型和功能异质性信息[61]。在癌症治疗过程中,代谢改变通常发生在解剖结构变化之前,这可通过18F-FDG PET发现[69]。常用的18F-FDG PET/CT参数,如标准化摄取值衍生指标、代谢活性肿瘤体积和总病灶糖酵解,在肿瘤医学中有着广泛的应用[70, 71]。肿瘤往往具有复杂的拓扑排列,称为瘤内异质性,而通过瘤内异质性量化进行肿瘤表型评估超出了这些指标的范围[71]。已建立预测模型以区分良性、恶性和炎性肺部病变,强调可计算成像特征[42, 72–75]。放射性示踪剂摄取值的纹理分析相比单独的最大标准化摄取值显著提高了特异性[7, 76]。在一项回顾性研究中,纹理分析已被用于在相当大的患者队列(n = 545)中区分原发性和转移性病灶[77]。
在肿瘤学领域,研究人员已认识到,与CT成像相比,18F-FDG PET/CT具有卓越的肿瘤-本底比和更强的肿瘤检查能力[16]。关于18F-FDG PET/CT在肿瘤患者中医学应用的研究表明,肺结节中高浓度的18F-FDG可能代表所检查病灶的恶性[78]。在肺癌各类型中,非小细胞肺癌(NSCLC)备受关注[79]。腺癌、鳞状细胞癌和大细胞癌是其主要的亚型[37]。医疗专业人员、放射科医师和科学家正在携手应对其危害,并试图通过提取和解读这些相关组织学亚型、微观肿瘤特征的信息,以及利用CT和PET放射组学特征理解肿瘤分期来管理癌症风险[37, 71, 80, 81]。18F-FDG PET有助于在微观层面详细理解和评估癌的特征,如其代谢和受体识别,因此其在NSCLC患者管理中的应用具有临床重要意义[37]。18F-FDG PET/CT因具备NSCLC患者评估能力而获得了美国国家综合癌症网络的认可[82]。美国放射学会适宜性标准和美国胸科医师学会指南也因其公认的有效性推荐18F-FDG-PET/CT用于NSCLC分期[83, 84]。在一项对大人群队列进行的研究中,亚厘米肺结节对18F-FDG的微小摄取在98%的病例中被报告为良性[71, 85]。在靶向药物作用下,肿瘤大小检测的减退可能极其缓慢或保持隐匿;例如,胸苷激酶抑制剂的治疗周期及其疗效评估可通过18F-FDG PET/CT更早完成[86]。可计算的18F-FDG PET/CT研究可能促进不依赖观察者的示踪剂摄取评估,从而扩展其成为影像生物标志物的能力[87, 88]。此外,CT与18F-FDG PET的结合通过整合解剖学和生物学信息增强了NSCLC患者的管理[89]。
纹理分析是放射组学的一个专门分支,专注于图像体素密度的定量分析和区域拓扑变异的离散化[47, 90, 91]。最初,当研究人员意识到诊断图像中存在的表型特征可以被区分,而高阶统计方面仅凭视觉感知仍无法识别时,他们对纹理产生了浓厚兴趣[91, 92]。
图2展示了放射组学纹理分析的工作流程。纹理分析的工作流程从图像采集开始。随后,采集的图像使用不同的软件平台进行重建。在图像重建过程中,滤波处理包括锐化和平滑。接下来,进行感兴趣区(ROI)的勾画,也称为分割,即确定肿瘤的位置。从ROI中提取纹理特征,最后建立统计模型或机器学习算法。基于18F-FDG PET/CT的纹理特征与接受放疗患者的区域复发和病因特异性生存相关,并能预测NSCLC患者侵入性手术后的无病生存[6, 93, 94]。
肺部感染与炎症的检测与诊断
已有大量研究强调18F-FDG PET/CT的肿瘤学作用[44]。然而,18F-FDG PET/CT在分析其他医学状况方面的作用同样值得关注[26, 27, 95]。结核与肺癌的鉴别可能令人困惑,因为两种疾病具有某些相似的表型特征且均表现为实性结节[96, 97]。肺癌等危重恶性肿瘤若未能早期诊断,其临床状况较活动性实性肺结核更为严重[98]。更糟糕的情况是,因未能成功从肺癌中检出结核而导致的诊断错误,可能造成不便、费用高昂,更不用说不必要的侵入性医疗操作。相反,肺癌的诊断延迟会忽视所需治疗,导致肿瘤进展无法控制及致命后果[99]。SUVmax作为一种代谢PET参数,可能难以区分这两种状况,因为活化巨噬细胞和淋巴细胞的广泛聚集在两种状况中均促进高18F-FDG亲和力[100, 101]。针对这些问题,一个研究团队证明,使用影像组学列线图可能实现对活动性实性肺结核与实性肺癌的个性化、差异化诊断[102]。
组织胞浆菌病是一种真菌感染,在放射影像学上常表现为胸膜病变,因为它类似多种肺癌特征,如CT上的环形钙化层及18F-FDG PET上的较高亲和力[103–105]。根据文献综述,组织胞浆菌结节的识别存在一些局限性[105]。使用已记录的放射学特征,可能可以在可疑胸腔积液中识别组织胞浆菌病[103, 106, 107]。既往研究提示,影像组学可能完成从肺癌中选择性识别组织胞浆菌病的复杂工作[103]。该工作基于以下假设:结节及周围结节旁实质的影像组学特征可能能够精确区分可疑组织胞浆菌肺结节与NSCLC[103]。CT和MRI成像被发现不足以区分术后肿瘤与炎症部位[108–110]。此外,软组织炎症导致的葡萄糖代谢升高增加了这些健康状况之间区分的难度[111]。仅有少量研究探讨了特征指定与框架设计相结合在影像组学分析辅助医学评估中的潜力[54, 72, 112]。此外,协调一致的机器学习需要系统评估,因为对比特征高度影响学习算法的应用。
近年来,COVID-19 促使研究人员评估放射组学在区分冠状病毒感染(COVID)与非 COVID 方面的潜在能力 [113, 114]。研究发现,从 COVID-19 患者 CT 图像中提取的放射组学特征与识别肺炎的放射组学特征具有显著相似性 [113]。针对这一问题,一项初步调查显示,COVID-19 肺炎与其他肺炎(如流感、细菌性和支原体依赖性肺炎)之间存在区别,这种区别可能通过基于放射组学特征的模型来实现 [113]。在另一项研究中,使用从肺部 CT 扫描图像中提取的放射组学特征对 COVID-19 和非 COVID-19 患者进行分类。他们采用双机器学习技术来区分 COVID-19 与非 COVID-19 患者 [115]。
影响放射组学特征的变量的评估
放射组学是包括 PET、CT、PET/CT 在内的临床影像的可计算表达。总体而言,建立基于定量特征的分类和/或回归模型是放射组学的目的。以传统方式检查图像时,疾病复杂而细微的痕迹仍未被注意到。选择可重复且稳健的特征是一项艰巨而审慎的工作,放射组学具有挖掘和检测这些特征的潜力,从而可以充分利用成像模态 [37, 44]。一般来说,有若干因素会影响肺部疾病的放射组学特征分析,如图 3 所示。18F-FDG PET/CT 成像方案、后处理技术、图像重建、图像质量、分割技术和信息分析都会影响放射组学特征分析。影响放射组学的主要因素是 18F-FDG PET/CT 成像,即图像采集方案、扫描仪类型、扫描时间、肺部运动的存在 [13]。
方案的变化、扫描仪类型的差异以及扫描时间的不同,即使对同一受试者也会产生不同的结果。肺部运动会影响从 PET 扫描收集的图像数据,导致纹理特征分析中出现伪影,因为 PET 采集通常在每个床位位置进行几分钟 [61, 116–118]。肺部运动的存在会引入噪声(图像模糊),因此放射组学分析变得具有挑战性。引入呼吸门控以尽量减少肺部运动的影响。呼吸门控可提高成像准确性,因为呼吸运动引起的模糊变得可以忽略不计,但呼吸门控在医疗环境中的应用尚未得到充分确立 [119–121]。4D PET 成像可能消除呼吸运动的影响,而呼吸运动会导致 3D PET 图像上存在的纹理特征失真 [122]。
然而,先进纹理的假设可能被解读为来自4D-PET,这需要未来的评估和研究[122]。影响CT采集的因素,如金属伪影[123]、X射线管峰值电压和电流[124]、矩阵大小和衰减校正因子,也会影响PET放射组学特征的量化。尽管这些因素具有明显影响,但仍可观察到特征的稳健分析指征[122, 123, 125–127]。重建是影响18F-FDG PET/CT图像放射组学分析的关键因素之一[128]。临床环境中常用的迭代重建算法有两种,即有序子集期望最大化(OSEM)和块序列正则化期望最大化(BSREM)。BSREM已被证明对重建更为敏感[71, 192]。一项研究最近探讨了深度学习在PET/CT肺结节检测中的作用,因为在近80%的病例中,肺结节对18F-FDG摄取增高会转为恶性。他们认为深度学习在该领域具有潜力,人工智能在BSREM上检测病变的表现优于OSEM,从而产生更高的灵敏度[71]。Yan等人进行的研究表明,PET图像重建配置的变化不会改变某些特征,如归一化灰度共生矩阵、游程矩阵和尺寸区域矩阵[129, 130]。然而,需要进一步阐述以确定放射组学特征灵敏度变化背后的原因[129, 130]。PET图像的体素大于MRI和CT。
因此,异质性的量化变得有偏[119, 131, 132],并导致更粗糙的肿瘤采样。大量放射学特征对体素尺寸敏感,因此稳定且相等的体素间距对于重现不同的图像特征至关重要[45]。一项旨在消除PET成像中体素大小偏倚的研究得出结论,无偏肿瘤采样的体积下限为45 cm3,但以牺牲二阶熵的灵敏度为代价[132]。对比度、分辨率和噪声是任何数字成像技术不可或缺的组成部分。信噪比(SNR)和对比噪声比(CNR)等图像矩阵用于理解图像质量。放射组学分析受PET扫描低SNR和CNR的影响。在PET成像中,CNR可通过选择最佳可能的分割方法来优化。就SNR而言,PET图像本身具有高噪声;因此,实现高SNR始终具有挑战性。然而,优化扫描仪灵敏度、给药剂量和扫描时间可能有助于实现高SNR。飞行时间(TOF)和点扩散函数(PSF)建模的应用在优化SNR和对比度方面起着至关重要的作用。然而,如表1所示,纳入这两种技术的研究数量有限。
飞行时间(TOF)可获得更高的信噪比(SNR),从而产生由噪声引起的异质性并改善图像质量。另一方面,通过点扩散函数(PSF)建模可获得更高的分辨率,因为它对矩阵物理过程进行建模,生成病灶内部的精细结构。后处理技术包括通过像素平均进行平滑、应用高斯滤波器以改善扫描图像质量、图像噪声调控以及借助直方图均衡化、去模糊和重采样进行图像增强[55, 133]。为抑制图像采集噪声而进行的量化是断层图像处理的重要步骤,用于纹理特征的可追溯计算,这也会影响影像组学特征分析[45]。
传统上,固定箱数和固定箱宽是两种量化方法,这两种技术各有其特定特点以适应不同需求下的使用[45, 134]。分割的效果已被广泛认识,因为分割方法的选择决定了准确性与可重复性之间的平衡。在手动分割的情况下,观察者间和观察者内变异始终毫无疑问地存在[135–139]。特征命名和特征提取指南尚未建立。因此,提取的特征中存在变异,导致影像组学分析的变异。从感兴趣区(ROI)主要提取三类特征。这些是纹理特征、形态学特征和统计特征。纹理提供图像中强度空间排列的信息。纹理特征计算涉及数据集比较和旋转均匀的体素间距分布[45]。
常见的纹理特征集是那些源自灰度共生矩阵(GLCM)和灰度游程矩阵(GLRLM)的特征。形态学特征描述所勾画ROI的形状及其属性,包括体积、最大直径、最大表面积、肿瘤紧凑度和球形度。统计特征包括均值、中位数、偏度、峰度、均匀性和熵。影响影像组学研究的另一个关键因素是统计计算[13]。在处理大型数据集时,多重检验校正是对特征准确性重要的步骤之一[119, 140]。令人惊讶的是,Alic等人的一项回顾性系统综述显示,当应用校正因子时,相当数量的影像组学特征在统计学上变得无关紧要[141]。
放射组学特征的验证与标准化构成重大挑战[142–144]。部分研究存在验证层面的局限性,例如统计研究不充分,如多重检验中p值非同步,缺乏足够的独立验证数据集导致发现率偏倚[7, 145]。放射组学方法的验证需要充足的多中心数据集[7]。阳性结果相对于阴性结果的夸大也是另一个关键因素[146, 147]。同名放射组学特征的量化可能因放射组学研究缺乏标准定义而具有不同的实现方式。例如,灰度共生矩阵(GLCM)的计算可以通过对13个不同方向的矩阵值取平均,或使用涵盖所有13个方向肿瘤共现值的单一矩阵来完成[131]。不清晰的特征术语以及由不同操作系统(MaZda1、CGITA2、IBEX3、LIFEx4、MITK Phenotyping5、RaCaT6、CERR放射组学扩展7和Pyradiomics8)引起的特征定义差异也影响放射组学分析[148]。这些问题已通过影像生物标志物标准化倡议(IBSI)得到解决[148]。
18F-FDG PET/CT图像生物标志物标准化的重要性
放射组学在医学科学领域受到了广泛关注和兴趣。然而,已发表工作的可重复性和验证仍然是一个巨大挑战[44, 149–152]。缺乏公认的参考值和定义阻碍了18F-FDG PET/CT图像生物标志物的临床使用。此外,分析特征所需的图像处理平台缺乏统一性[153–155]。在两个不同软件平台上对同一图像集进行操作和评估会导致特征值不同[156]。成像流程、18F-FDG活度、图像重建、数据理解和摄取时间的变异是显著的[128, 157, 158]。由于缺乏对实验可重复性的详细报告,可重复性频繁受到质疑。包括缺乏开源数据和标准化方案在内的多种因素限制了放射组学特征的可重复性研究[159–161]。该问题可以通过标准化放射组学特征定义并辅以可支持的参考文献以及一致执行用于特征量化的图像评估策略来解决[103, 154, 156, 162]。18F-FDG PET/CT的主流量化是通过使用称为SUV的示踪剂摄取定量指标来完成的。
尽管存在因素[64]的变异,基于标准化摄取值(SUV)的定量仍被广泛认可。为加强18F-FDG PET/CT作为影像生物标志物的应用,关于使用18F-FDG PET/CT进行肿瘤成像的指南已经发布并修订[163, 164]。目前,人们已充分认识到,影像模态的协调统一与标准化成像性能同等重要,以便标准化18F-FDG PET/CT作为生物标志物的计算[64]。如果不对不同研究机构所使用的软件平台进行标准化,放射组学特征的可重复性和验证就难以实现。一项关于IBSI指南与开源放射组学软件图像生物标志物探索器(IBEX)之间一致性水平的研究,与S-IBEX的开发和验证一同进行[165, 166]。该软件平台通过采用IBSI提出的五种不同预处理配置而获得了验证[143, 166]。
从文献中可以充分了解,过去几年中放射组学在肺部疾病管理中的应用已引起了极大兴趣。例如,一项研究进行了特征选择,以识别非小细胞肺癌(NSCLC)中存在的腺癌组织学亚型[167]。图4展示了特征选择的详细流程。在这项研究中,初始PET/CT数据采集自癌症影像档案库[168]。对图像应用半自动分割以勾画感兴趣区。随后使用开源平台长庚图像纹理分析(CGITA)从分割后的感兴趣区中提取纹理特征。在特征选择之前,在MATLAB中进行了主成分分析(PCA),以最小化特征空间并最大化相关信息。特征选择标准被设定为选择具有与一个主成分的系数且该主成分具有主要方差、同时归一化值保留99%变异性的特征。
在另一项研究中,对局部晚期NSCLC的预测结果进行了研究[169]。详细工作流程如图5所示。该研究强调了PET采集标准化的重要性。他们强调了预选在确定稳健放射组学特征中的作用。该方法首先提取1404个放射组学特征。数据集包括IIIA/N2期或IIIB期NSCLC患者治疗前的18F-FDG PET扫描。在这项前瞻性研究中,稳健性针对肿瘤运动、勾画变异和衰减校正进行了确定。最后,使用标准化成像进行回归模型的训练。验证通过两种方式进行,包括独立的单中心数据集和五折交叉验证。模型的性能以受试者工作特征曲线下面积(AUC)表示。
另一项研究提出了一种计算机辅助诊断(CAD)方法,利用CT图像的放射组学来识别良性和恶性肺癌[170]。该方法在区分良性和恶性原发性肺结节方面达到了82.7%的准确率。疑似结节的强度、异质性信息和形状通过583个特征在多频率下进行了定量。随后应用随机森林方法,通过分析所有这些特征来识别良性或恶性结节。逐步流程图如图6所示。
此外,图7展示了另一种用于非小细胞肺癌(NSCLC)诊断的稳健特征选择方法[171]。该方法不存在假阳性结果和过拟合问题。在该方法中,提取影像组学特征之前采用了半自动分割方法。随后使用遵循影像生物标志物标准化倡议(IBSI)[166]的开源平台RaCaT对特征进行分析。最后,使用Python进行数据分析。
18F-FDG PET/CT图像生物标志物标准化中需要克服的挑战
标准化是应对提升临床诊疗质量与安全方面任何挑战的首要解决方案。在这个技术进步的时代,当新发现与现实接轨、新信息每秒钟都在累积时,18F-FDG PET/CT的标准化远非易事。特征计算的优化是实现可重复影像组学的重要一步。在影像组学分析中,图像采集、重建和分割对异质性有相当大的影响[16]。即使使用优化的影像组学工具从同一图像中可重复提取的特征,在多中心或多扫描仪配置下仍可能缺乏可重复性,除非与图像采集、重建和分割相关的参数实现标准化和协调统一[159, 172]。影响18F-FDG PET/CT特征标准化的关键因素见图8。
如图所示,特征标准化可以通过明确定义的图像特征组合(分辨率、噪声)和数据分析方法来实现。其中任何因素的改变都会导致特征计算的改变。在肺部疾病的初始阶段,分子水平的变化发生在解剖结构改变之前。这种分子水平的变化是异质性的来源。当进行18F-FDG PET/CT扫描以检测生物学异质性时,扫描仪会引入机械异质性。图像分辨率、噪声和数据分析技术会引起机械异质性。通过在18F-FDG PET/CT成像过程中优化分辨率和噪声并进行协调统一,数据分析技术最终将实现18F-FDG PET/CT的标准化。
准确性、可行性和精确性是建立生物标志物并迈向标准化必须满足的标准。2001年,生物标志物定义工作组将生物标志物定义为可客观测量和评估的特征,作为稳态生物过程、致病过程或治疗期间药物反应的指标[173]。因此,生物标志物是表征生物学和功能活动的明确诊断和治疗标准[64]。这表明,当影像特征被标准化时,可被视为生物标志物。准确性由测量的正确性定义,并通过将测量值与真实值或公认值进行比较来确定。从医学科学的角度来看,准确性是在特定研究下所有计算病例中真阳性和真阴性的比率[174]。
在放射组学中,准确性可通过将计算值与数学上或理论上正确的值进行比较来保证,这需要持续和集中的努力。可行性意味着影像特征包含逻辑性、分析性和外推性价值。放射组学作为一种计算分析,通过图像处理可获得大量特征,因此从大规模数据队列中选择可行的特征极具挑战性。精确性通过满足可接受的保真度、重复性和再现性标准来实现。Traverso等人进行的系统综述证实,放射组学特征的重复性和再现性取决于采集、重建算法、预处理和用于计算特征的软件平台[159]。再现性是18F-FDG PET/CT放射组学研究中的重大挑战之一。影响生物标志物再现性的因素已得到一致认可[154, 159, 163, 172, 175]。在多中心临床试验中,如果没有对定量18F-FDG PET参数的校准和优化,将18F-FDG PET生物标志物与治疗反应相结合将是不可能的。一项旨在基于多中心资格处理研究癌症患者中18F-FDG PET/CT摄取测试-再测试再现性的研究发现,18F-FDG PET/CT扫描仪质量和设置可能导致肿瘤SUV测试-再测试测量具有显著的可重复性[176]。然而,SUVs中未考虑示踪剂摄取的动力学行为[177]。
放射组学分析的标准化取决于正电子发射断层扫描(PET)图像质量参数的优化,如对比噪声比(CNR)和信噪比(SNR)[178]。然而,与其他诊断成像模态相比,PET扫描本身具有较低的信噪比和对比噪声比[179]。重建算法类型和参数也会影响放射组学特征。似然期望最大化(MLEM)或有序子集期望最大化(OSEM)类算法受初始数据微小变化的影响很大。因此,随着迭代收敛,所得输出变得噪声较大。为尽量减少这种影响,通常在达到完全收敛之前停止迭代,这可能会在重建图像中引入偏差[180]。块序列正则化期望最大化(BSREM)包含边缘保留惩罚项,可用于消除所有这些问题。BSREM算法通过使用惩罚项实现最佳信噪比,因为它在高活性区域(如肿瘤)以及具有高强度边缘的邻域采用低平滑,而在低活性区域(如背景)采用高平滑[180]。
此外,Gabriel Reynés-Llompart等人进行了一项研究,通过使用BSRM方法的新重建算法并测试放射组学方法的实用性,证明放射组学方法在评估腹部PET成像图像质量方面的有前景的作用。该研究发现,对于OSEM + PSF尤其是BSRM重建,图像质量参数与主观图像质量仅呈现至多中等程度的相关性。所研究的参数均未对图像质量呈现出良好的预测能力,而一个简单的放射组学模型提高了图像质量预测的性能[192]。
统计方法的应用可以缩小队列大小对放射组学特征的影响[181],人工智能将改善CT成像中重建核之间的转换[182]。将人工智能纳入图像分析领域伴随着挑战。计算机辅助检测系统总是产生假阳性结果,这增加了放射科医师和医生消除假发现的工作量。该任务也耗时,尽管它在很大程度上不影响患者护理。医学成像仍需收集大量数据,以便人工智能算法能够严格训练。这一挑战可以通过引入基于神经网络的迁移学习来应对。神经网络的成功实施依赖于无偏且大型的训练集以及不同设置的同化[183, 184]。
PET图像生物标志物标准化方法概述
18F-FDG PET/CT在肿瘤影像学中的标准化进展值得关注[10, 148, 149, 185, 186]。已有研究致力于开发新型影像生物标志物[4, 187, 188]。标准化方法已应用于扫描阶段(图像重建修改、扫描框架重构)、患者层面(血糖水平调节与改善、放射性示踪剂剂量及摄取的可耐受延迟时间监控)和图像后处理层面(z分数、变换方法)[10, 186]。减轻不期望但不可避免的图像采集干扰因素,即体重、放射性示踪剂摄取间隔、部分容积效应[4],是聚焦于诊断和预后图像标准化的研究目标。
近年来,针对放射组学分析应用中所面临局限性的具体指导也已发表[154]。关于近100个放射组学特征的稳定性及观察者间变异性在肺部肿瘤识别中的研究[123]表明,基于PET的稳定特征对观察者间变异性也具有稳健性。根据他们的观察,他们提出可重复性差的特征可能也对其他因素敏感[122]。科学家们还证实了某些特征的不变性,无论所应用的重建配置如何[61, 121]。图像采集、重建、分割和特征计算均需要标准化。在本研究中,我们重点关注由国际协作组织如影像生物标志物标准化倡议(IBSI)推动的标准化举措,以及采集后标准化方法和组织学标准化技术。
图9展示了德岛大学和东京大学医院研究人员联合开展的协作研究中应用的标准化流程图[186]。他们成功提升了组织学推断的准确性。该研究在确诊为腺癌、鳞状细胞癌和非小细胞肺癌(NSCLC)患者的CT图像集(训练集和测试集)上进行[186]。他们通过考虑肿瘤的四种分割来考量观察者间变异。第一步,CT图像被转换为三维小波。然后,从原始图像和变换后图像中生成476个特征。接下来,使用固定阈值的单变量评估进行特征选择。为消除成像条件的影响,团队对特征进行了归一化。使用随机森林模型构建组织学预测模型,并通过测试队列的特异性、敏感性、准确性和受试者工作特征曲线验证其性能。然而,所建立的标准化技术应在大型患者队列中进行进一步验证。
2007年,北美放射学会组织了定量影像生物标志物联盟,以对多种放射学标志物进行系统验证和标准化[4]。该研究联盟在标准化169个放射组学特征和标准化图像处理框架方面取得的成就是迈向疾病诊断自动化的明确突破。他们完成了定义174个放射组学特征并有效重现从而标准化169个特征的巨大工作。图10展示了该研究的工作流程。
该研究分三个阶段进行。第一阶段使用带有特定感兴趣区(ROI)掩模(74个体素)的数字体模作为数据集。在下一阶段,数据集取自开源CT图像,其中ROI由分割的肿瘤大体体积定义。研究组直接从ROI计算特征值,并根据要求应用预定义的图像处理路径。通过比较一致性的程度和一致性稳定性来实现计算值的标准化。在前两个阶段中,特征参考值通过迭代滤波一致性水平获得。只有一致性程度足够高时,这两个阶段计算的特征才被认定为标准。在第三阶段,从癌症影像档案中选择诊断为软组织肉瘤的患者数据集,该数据集由多模态成像(T1加权MRI和18F-FDG PET/CT)组成。与前一个阶段类似,图像附有肿瘤大体体积的分割。在此阶段,通过在数据集上使用预定义图像处理配置再现特征来验证(从前两个阶段获得的)标准化特征。最终,IBSI在本研究检查的174个特征中实现了169个特征的标准化。然而,出于可行性目的,该研究排除了不常见的特征和特性,如分形和图像滤波器。
一个研究团队最近提出了一种采集后标准化工作流程。他们提出的原理基于Nyul等人推荐的改良MRI标准化方法[189, 190]。本研究遵循的工作流程如图11所示。本研究使用两组18F-FDG PET/CT扫描数据作为训练集和验证集。首先,为图像集定义标准化强度尺度。这是通过初始从训练图像数据集中计算低百分位数、第50百分位数和高百分位数强度以及这些强度的均值来实现的。然后,将测试数据集图像的强度非线性映射到从训练数据集获得的均值区间中。
标准化过程的性能通过实施从训练数据集计算的平均代谢活动变异系数和平均活动变异系数来确定。该技术的一个用途是它不受患者和图像采集参数的影响。研究结果显示,标准化PET(sPET)实现了平均代谢活动变异系数的显著降低。此外,sPET被证明优于传统标准化方法,如SUV和z分数归一化[10]。然而,研究中采用的验证数据集是健康患者队列。开发的sPET方案还应应用于临床试验中的患病患者,以进一步研究其可行性。
结论
肺部疾病如肿瘤、感染或炎症进展的微观层面变化无法仅通过CT扫描检测到。18F-FDG PET/CT诊断仔细检查生物学领域详细多样的细胞异常。然而,PET图像的低级别分辨率和不规则噪声支持了额外的方法学边界。在肿瘤治疗反应评估领域,18F-FDG PET/CT的使用不如CT常见。这是因为全球公认的PET等效于基于CT的实体瘤疗效评价标准指南尚未建立。放射组学的应用可能增强成像技术的诊断能力,因为它从图像中提取大量定量特征,而这些特征原本未被关注。分子层面的生物学变化可以通过对计算特征的智能评估来追溯。18F-FDG PET/CT放射组学,尤其是纹理分析在肺部异常管理中的应用,引导其逐步迈向针对患者个体的肺部疾病管理方法。
近年来,18F-FDG PET/CT放射组学的应用也被用于肺部感染和炎症的诊断。然而,大量的特征和多种特征提取技术带来了巨大的复杂性。这种复杂性只能通过放射组学分析的标准化来消除。因此,如果没有通过充分且令人信服的科学证据进行标准化和协调,放射组学在医疗实践中的引入是不可能的。放射组学在临床试验中的标准化、可重复性和验证的重要性不容忽视。
要实现将放射组学分析作为常规医学诊断和预后组成部分的最终目标,其在不同重建算法和参数间的稳健性验证至关重要。然而,迄今为止放射组学研究缺乏适当的交叉验证,引发了对假阳性结果的担忧。放射组学纹理特征是一组数值及其人类解读,这通常很困难。这些特征统计的解释并非不会出错,例如假设相关意味着因果、相关性误读、过度概括[161]。只有适当解决这些挑战,才能实现适当放射组学特征的接受。目前,由于不同的方案和实践,不同研究之间的发现比较无法实现。只有建立统一的特征分析预后和预测因素,才能促进放射组学向临床实践领域的转变。基本上,现有的放射组学研究主要是回顾性的,因此展示了放射组学的认知。采用前瞻性研究对于将放射组学建立到医疗支持系统中至关重要。只有适当解决这些挑战,才能实现放射组学的接受。
18F-FDG PET/CT放射组学的标准化和定量化将进一步增加其潜在应用领域。人工智能和机器学习技术与放射组学研究的结合将稳健地支撑疾病诊断和治疗评估的基础,并加速医学转化。
引用
- Anan N, Zainon R, Tamal M, et al. A review on advances in 18F-FDG PET/CT radiomics standardisation and application in lung disease management. Insights Imaging. 2022. PMID: 35124733. doi:10.1186/s13244-021-01153-9
- 全文:PMC8817778(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8817778/
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。