基于超声的影像组学在临床疾病诊断中的应用进展

2022-07-12 20:01王斯麒冉张申
中国医学创新 2022年18期
关键词:疾病诊断机器学习发展前景

王斯麒 冉张申

【摘要】 随着医学技术的成熟和发展,影像组学得到了快速的发展和广泛的应用,以往的影像组学研究大多基于CT或MRI成像,近年来,基于超声的影像组学也被广泛应用于临床中,目前在疾病的辅助诊断、预测肿瘤生物学行为、评价疾病治疗效果等方面发挥着重要作用。该综述将对基于超声的影像组学的工作流程、临床应用、发展前景以及目前在工作中展现出来的缺陷进行总结,以便于临床工作者更好地了解超声组学,并将其更广泛地应用于临床工作中,为临床诊疗工作提供新的诊疗方法和思路。

【关键词】 超声影像组学 人工智能 机器学习 疾病诊断 发展前景

Application Progress of Ultrasound-based Imaging Radiomics in Clinical Disease Diagnosis/WANG Siqi, RAN Zhangshen. //Medical Innovation of China, 2022, 19(18): 180-185

[Abstract] With the maturity and development of medical technology, imaging radiomics has been used developed rapidly and widely. Most of the previous imaging radiomics research are based on CT or MRI imaging. In recent years, imaging radiomics based on ultrasound is also widely used in clinic. At present, it plays an important role in the auxiliary diagnosis of disease, the prediction of tumor biological behavior, the evaluation of disease treatment effect and so on. This review will summarize the workflow, clinical application, development prospect and defects of ultrasound-based imaging radiomics, so that more clinical workers can understand the concept of ultrasound radiomics and apply it more widely in clinical work, so as to provide new diagnosis and treatment methods and ideas for clinical diagnosis and treatment.

[Key words] Ultrasound-based radiomics Artificial intelligence Machine learning Disease diagnosis Development prospect

First-author’s address: The Second Affiliated Hospital of Shandong First Medical University, Taian 271000, China

doi:10.3969/j.issn.1674-4985.2022.18.044

超聲成像作为传统医学成像的一部分,具有低成本、非电离、能够实时采集图像等优点,然而在部分病例中,超声的诊断能力有限。随着基于CT和MRI的影像组学在临床中得到了很好的应用和发展,越来越多的学者试图建立基于超声图像的影像组学,超声影像组学是指从超声图像中提取大量的图像信息,利用人工智能等方法,将超声图像与疾病的病理组织学、基因学或蛋白质组学数据相结合,提供常规超声所能探查之外的附加信息,从而提高超声诊断的准确性[1],目前在甲状腺、乳腺、肝脏、前列腺、子宫等领域均有涉及。随着图像处理技术的不断更新以及机器算法的应用,超声放射组学具有广阔的发展前景,甚至可以为肿瘤的异质性提供补充信息以及改善分层和风险预测[2]。在个性化医学时代,以超声为基础的影像组学具有提高诊断能力、预测风险和评估治疗反应的潜力,也将为临床诊疗工作提供保障。

1 影像组学概念及工作流程

影像组学是指通过算法从感兴趣区(ROI)内提取大量的图像信息,然后通过多种途径分析和数据挖掘的方法提取出关键信息,并将这些信息进行建模用于临床决策[3]。超声影像组学的工作流程分为:(1)图像和数据采集。收集超声图像以及相关的临床资料,涉及的超声成像模式越多,可以提取的放射组学特征就越多,预测模型的效果就越好。(2)感兴趣区分割。利用成像软件(如3D-Slicer、ITK-SNAP、A.K.软件)手动、半自动或全自动的方法获取ROI[4]。所描绘的ROI可以是肿块、肿瘤亚区、转移组织、癌旁组织,甚至是正常组织。(3)特征提取。提取的特征主要包括形状特征、一阶灰度直方图特征、二阶和高阶纹理特征以及基于滤波和变换的特征如小波特征等[5]。一些学者认为,高阶特征和二阶纹理特征在一定程度上能反映肿瘤内部的异质性,这为提高肿瘤的诊断效率提供了有用的信息[6]。(4)特征选择和建立模型。传统机器学习常用的建模算法包括支持向量机(SVM)、最大相关性最小冗余度、随机森林、贝叶斯分类器、最小绝对收缩和选择算子回归等[1]。近年来,深度学习(deep learning,DL)在超声影像组学中得到越来越多的应用,其减少了人工输入的不确定性,极大地弥补了超声图像鲁棒性差的缺陷,对超声影像组学的发展具有重要意义[7]。DL是指机器学习领域中的一种从数据中提取非线性特征的方法,其中神经网络学习是超声放射组学中最常用的方法[8]。(5)评估和验证。临床预测模型的评估可以根据受试者工作特征曲线(ROC)或ROC曲线下的面积(AUC)来报告[9]。验证是指观测结果与模型预测的一致性,常用的验证方法包括内部验证和外部验证[10]。

2 临床应用

2.1 良恶性肿瘤的鉴别 基于超声的影像组学研究最常见的应用即良恶性肿瘤的鉴别。Yao等[11]纳入177例肝局灶性病变患者,从患者的B型超声、剪切波弹性成像(shear wave elastography,SWE)和剪切波粘度成像中提取图像特征,构建放射组学评分系统,结果显示,该放射组学评分系统对良恶性肿瘤预测的AUC分别为0.94和0.97,其诊断效能优于有经验的超声医师。无创预测原发性肝癌的病理类型目前在临床上难以实现,为此Peng等[12]回顾性分析不同病理亚型原发性肝癌患者的超声图像,提取高通量放射组学特征,包括一阶图像特征、形状特征、小波特征以及纹理特征,其建立的放射组学模型实现了对肝细胞癌的分型,为临床治疗提供了决策。浅表小器官如甲状腺、乳腺的超声检查大部分依赖于操作者的手法和经验,其对于良恶性结节的鉴别具有很强的主观性。Zhang等[13]回顾性纳入甲状腺结节2 064例,从B型超声和实时弹性成像图像中提取超声组学特征,利用9种常用算法建立模型,结果显示随机森林算法获得了最佳诊断模型,其诊断能力优于仅基于常规超声和实时弹性成像的诊断。相似的,也有学者利用超声影像组学对乳腺肿块进行鉴别诊断。Chang等[14]采用SVM从经病理证实的120例乳腺良性肿瘤患者和90例乳腺癌患者的超声图像中提取了6个形态特征,研究结果表明,基于形态特征的SVM对恶性肿瘤分类准确率为90.95%,灵敏度为88.89%,特异度为92.5%。且在该研究中发现,纹理和形态特征是乳腺肿瘤超声图像的关键表征,但是由于高维纹理特征过于激进,淹没了低维形态特征的影响,直接结合对改善良恶性分类效果不大。为此,Wei等[5]提出将对纹理特征的高维参数化SVM分类器和针对形态特征的低维非参数化贝叶斯分类器进行加权融合,使得纹理和形态特征被有效地结合,综合实验分析,该方法对乳腺良恶性肿瘤诊断的准确率为91.11%,灵敏度为94.34%,特异度为86.49%,优于单一分类器建立的模型,提高了诊断率。Liang等[15]回顾性研究112例前列腺病变患者,并且收集了与前列腺癌相关的临床危险因素,患者术前均接受经直肠超声、SWE和经直肠超声引导下的前列腺活检,通过应用LASSO(least absolute shrinkage and selection operator,LASSO)回归建立超声组学模型,结果显示多参数超声组学预测前列腺癌的AUC值高于单一超声模式下AUC值。此外,超声影像组学还被应用于鉴别卵巢良恶性肿瘤[16]、子宫内膜癌[17]、胆囊局限性病变如胆囊息肉[18]。

2.2 评价肿瘤的生物学行为 肿瘤的进展常伴随着肿瘤及其周围环境复杂的生理生化变化。原发病灶的形态学特征与肿瘤的生物学行为有一定的关系,如淋巴结转移、肿瘤的浸润、基因改变等,及时地对病变的生物学行为进行评估在临床工作中至关重要。术前准确地预测颈侧淋巴结转移(lateral cervical lymph node metastasis,LLNM)对于甲状腺乳头状癌(papillary thyroid carcinoma,PTC)患者的个体化决策和临床治疗具有重要意义。Jiang等[19]从来自两个中心的PTC患者的SWE图像和B型超声图像中提取放射组学特征,构建放射组学评分。多因素logistic回归表明SWE放射组学评分、多灶性和超声诊断的淋巴结(lymph node,LN)状态是与LLNM相关的独立危险因素。结果顯示包含这三个变量的放射组学模型在训练集和验证集中均有良好的诊断效能,且该放射组学模型在B型超声报道的LN阴性亚组中也显示出良好的预判能力。腋窝淋巴结(axillary lymph nodes,ALN)被认为是影响乳腺癌预后的重要因素[20]。Qiu等[21]采用弹性网络回归技术对训练集患者的超声图像进行特征选择和构建,并建立基于放射组学特征和超声报道的ALN状态的放射组学诺模图,结果显示,在训练集中的AUC为0.816,验证集中的AUC为0.759,均展示出良好的预测能力。Gao等[22]回顾性收集经病理诊断为膀胱癌患者的157张超声图像,共提取出5 936个放射学特征,然后构建肿瘤分期和病理分级预测的分类器,结果显示基于超声的放射组学模型对膀胱癌患者的术前肿瘤分期和病理分级有较好的应用价值,从而优化了膀胱癌的治疗。研究表明,影像学特征与潜在的肿瘤遗传学之间存在很强的相关性,这可能为放射组学的临床应用提供了生物学基础[23]。随着分子遗传学的发展,各种基因改变被发现并用作辅助诊断方法或预测PTC患者的预后[24]。Kwon等[25]对96例经病理证实的PTC患者的超声图像进行了放射组学分析,获得86个放射组学特征,建立预测模型,成功预测了PTC中BRAF突变。然而,在另一项研究中,Yoon等[26]纳入527例接受过PTC手术治疗的患者,对所有患者的手术标本进行BRAFV600E基因突变分析。从术前超声图像进行特征提取,建立放射组学评分,结果显示超声放射组学预测PTC是否存在BRAFV600E突变的价值有限,但是作为一项初步研究,其预测肿瘤分子特征的潜力不可否认,未来还应进行更深入的研究。

2.3 治疗效果和预后评价 肿瘤的治疗逐渐趋于个体化,因此临床工作中要及时关注癌症患者的治疗效果及预后评价。微血管侵袭(microvascular invasion,MVI)被认为是肝癌治疗后早期复发的一个预测因素,在显微镜下于内皮细胞衬附的血管腔内发现肿瘤细胞的侵袭[27],在肝移植和肝切除前,准确的术前MVI预测是十分困难的。Hu等[28]从肝细胞癌的超声造影的图像中提取放射学特征,生成放射学评分模型。多因素logistic回归分析显示,放射组学评分、甲胎蛋白和肿瘤大小是MVI的独立预测因素,结果显示,基于上述因素构建的放射组学诺模图检测MVI的能力优于临床诺模图(基于甲胎蛋白和肿瘤大小),表明将超声放射组学评分与临床因素相结合,提高了MVI的预测能力。新辅助化疗(neoadjuvant chemotherapy,NAC)是局部晚期乳腺癌的常用治疗方法,且NAC的病理完全缓解(pathological complete response,PCR)已被提出作为预测无病生存期和总生存期的早期替代终点[29]。Jiang等[30]开发了一种基于治疗前和治疗后超声图像的深度学习放射组诺模图(deep learning radiomic nomogram,DLRN)术前评估PCR的方法,其纳入经活检证实的局部晚期乳腺癌术前行NAC的患者,通过卷神经网络,从同一病灶NAC前后的超声图像中提取放射组学特征。根据放射组学特征和独立的临床危险因素开发DLRN,结果显示,在独立外部验证队列中校准良好,为个体化治疗提供了有效信息。研究表明80%以上的卵巢上皮癌患者在初始治疗后完全缓解,但最终复发[31],Yao等[32]利用基于111例卵巢上皮癌患者的超声图像建立的放射组学评分和临床变量建立5年无进展生存预测模型。结果显示放射组学评分与预后呈负相关,实现了结合临床参数和超声影像学特征的联合模型对卵巢癌患者的预后评价。PTC是最常见的甲状腺癌病理类型,是一种惰性的、分化的癌症,其复发率相对较低[33],然而,仍有一些PTC亚型具有侵袭性,并伴有甲状腺被膜外侵犯(extrathyroidal extension,ETE)、血管侵犯和远处转移,ETE是PTC患者高复发率和高死亡率的独立危险因素[34]。Wang等[35]根据病理结果将接受术前超声检查的161例PTC患者分为非ETE组和ETE组,从超声图像中提取图像特征,建立放射组学诺模图,在训练队列中该诺模图下AUC为0.837,在验证队列中为0.824,表明该模型是一种无创且准确性高的预测PTC患者ETE的工具。

2.4 其他 超声心动图是诊断和治疗心血管疾病的一种有效方法,但最终的诊断仍然强烈依赖于观察者的经验。因此基于超声心动图的放射组学模型也在不断地开发并逐步优化,如射血分数的预测模型和心肌节段运动异常的评估模型在临床上都逐渐崭露头角[36]。最近的一项研究应用基于超声的放射组学技术,从胎儿肺超声图像中提取高通量特征,分析比较妊娠期糖尿病、子痫前期和正常妊娠不同胎龄时胎儿肺结构的变化,证实了基于超声的放射组学技术可区分胎儿肺与妊娠期糖尿病、子痫前期及胎龄的关系[37],该结果也为在妊娠期糖尿病、子痫前期背景下进一步预测新生儿的呼吸并发症奠定了基础。超声影像组学的应用远不仅限于此,未来将应用于更多的领域。

3 缺陷及发展前景

超声图像相对不固定、操作人员依赖、超声设备和参数设置不一致是限制超声影像组学发展的主要原因[6],未来应尽可能减少非生物因素对模型建立造成的影响。其次,大多数超声影像组学的研究是回顾性的,前瞻性设计可能会提高研究质量。此外,目前利用超声放射组学对肿瘤基因的研究尚少且预期并不理想,期待多中心研究来评估其预测能力。由于超声影像组学的快速发展,许多已发表的研究缺乏科学完整性和临床相关性的标准化评估,为了使超声放射组学成为一门成熟的学科,需要建立严格的评价标准和报告指南。

随着动态视频处理技术的发展,超声造影动态视频或三维超声可以提供更多的时空数据,提取更有价值的放射组学特征,这是基于超声的影像组学研究领域的又一重大突破[5]。超声诊断作为医学影像的重要组成部分,将会为影像组学发展注入源源不断的活力。

参考文献

[1] GILLIES R J, KINAHAN P E. Radiomics:Images are more than pictures, they are data[J].Radiology,2016,278(2):563-577.

[2] KUO M D,GOLLUB J,SIRLIN C B,et al.Radiogenomic analysis to identify imaging phenotypes associated with drug response gene expression programs in hepatocellular carcinoma[J].Vasc Interv Radiol,2007,18:821-831.

[3]查海玲,栗翠英.超声影像组学在乳腺癌中应用的研究进展[J].肿瘤影像学,2021,30(3):214-217.

[4]鐘依凡,周乐,孙辉.超声影像组学在评估甲状腺乳头状癌淋巴结转移中的应用进展[J].中国实验诊断学,2020,24(12):2069-2072.

[5] WEI M,DU Y,WU X,et al.A Benign and Malignant Breast Tumor Classification Method via Efficiently Combining Texture and Morphological Features on Ultrasound Images[J].Comput Math Methods Med,2020.

[6] LUBNER M G,SMITH A,SANDRASEGARAN K,et al.

CT Texture Analysis:Definitions,Applications,Biologic Correlates,and Challenges[J].Radiographics,2017,37(5):1483-1503.

[7] JIA Y,YANG J,ZHU Y,et al.Ultrasound-based radiomics: current status, challenges and future opportunities[J].Medical Ultrasonography,2021.

[8] SHIN H C,ROTH H R,GAO M,et al.Deep Convolutional Neural Networks for Computer-Aided Detection:CNN Architectures,Dataset Characteristics and Transfer Learning[J].IEEE Trans Med Imaging,2016,35(5):1285-1298.

[9] OBUCHOWSKI N A,BULLEN J A.Receiver operating characteristic (ROC) curves:review of methods with applications in diagnostic medicine[J].Physics in Medicine & Biology,2018,63(7):07TR01.

[10] ZHAO B,TAN Y,TSAI W Y,et al.Reproducibility of radiomics for deciphering tumor phenotype with imaging[J].Scientific Reports,2016,6(1):1-7.

[11] YAO Z,DONG Y,WU G,et al.Preoperative diagnosis and prediction of hepatocellular carcinoma:Radiomics analysis based on multi-modal ultrasound image[J].BMC Cancer,2018,18(1):1089.

[12] PENG Y,LIN P,WU L,et al.Ultrasound-Based Radiomics Analysis for Preoperatively Predicting Different Histopathological Subtypes of Primary Liver Cance[J].Frontiers in Oncology,2020,10:1646.

[13] ZHANG B,TIAN J,PEI S,et al.Machine Learning-Assisted System for Thyroid Nodule Diagnosis[J].Thyroid:Official Journal of the American Thyroid Association,2019,29(6):858-867.

[14] CHANG R F,WU W J,MOON W K,et al.Automatic ultrasound segmentation and morphology based diagnosis of solid breast tumors[J].Breast Cancer Res Treat,2005,89(2):179-185.

[15] LIANG L,ZHI X,SUN Y,et al.A Nomogram Based on a Multiparametric Ultrasound Radiomics Model for Discrimination Between Malignant and Benign Prostate Lesions[J].Frontiers in Oncology,2021,11:610785.

[16] MARTÍNEZ-MÁS J,BUENO-CRESPO A,KHAZENDAR S,et al.Evaluation of machine learning methods with Fourier Transform features forclassifying ovarian tumors based on ultrasound images[J/OL].PLoS One,2019,14(7):e0219388.

[17] MORO F,ALBANESE M,BOLDRINI L,et al.Developing and validating ultrasound-based radiomics models for predicting high-risk endometrial cancer[J].Ultrasound Obstet Gynecol,2021.

[18] YUAN H X,YU Q H,ZHANG Y Q,et al.Ultrasound Radiomics Effective for Preoperative Identification of True and Pseudo Gallbladder Polyps Based on Spatial and Morphological Features[J].Frontiers in Oncology,2020,10:1719.

[19] JIANG M,LI C,TANG S,et al.Nomogram Based on Shear-Wave Elastography Radiomics Can Improve Preoperative Cervical Lymph Node Staging for Papillary Thyroid Carcinoma[J].Thyroid:Official Journal of the American Thyroid Association,2020,30(6):885-897.

[20] KOLARIK D,PECHA V,SKOVAJSOVA M,et al.Predicting axillary sentinel node status in patients with primary breast cancer [J].Neoplasma,2013,60(3):334-342.

[21] QIU X,JIANG Y,ZHAO Q,et al.Could Ultrasound-Based Radiomics Noninvasively Predict Axillary Lymph Node Metastasis in Breast Cancer?[J].Journal of Ultrasound in Medicine,2020,39(10):1897-1905.

[22] GAO R Z,WEN R,WEN D Y,et al.Radiomics Analysis Based on Ultrasound Images to Distinguish the Tumor Stage and Pathological Grade of Bladder Cancer[J].Journal of Ultrasound in Medicine,2021,40(12):2685-2697.

[23] LAMBIN P,RIOS-VELAZQUEZ E,LEIJENAAR R,et al.

Radiomics:extracting more information from medical images using advanced feature analysis[J].European Journal of Cancer,2012,48(4):441-446.

[24] PENNA G C,VAISMAN F,VAISMAN M,et al.Molecular Markers Involved in Tumorigenesis of Thyroid Carcinoma:Focus on Aggressive Histotypes[J].Cytogenetic and Genome Research,2016,150(3-4):194-207.

[25] KWON M R,SHIN J H,PARK H,et al.Radiomics Study of Thyroid Ultrasound for Predicting BRAF Mutation in Papillary Thyroid Carcinoma:Preliminary Results[J].American Journal of Neuroradiology,2020,41(4):700-705.

[26] YOON J H,HAN K,LEE E,et al.Radiomics in predicting mutation status for thyroid cancer: A preliminary study using radiomics features for predicting BRAFV600E mutations in papillary thyroid carcinoma[J/OL].PLoS One,2020,15(2):e0228968.

[27] ROAYAIE S,BLUME I N,THUNG S N,et al.A system of classifying microvascular invasion to predict outcome after resection in patients with hepatocellular carcinoma[J].Gastroenterology,2009,137(3):850-855.

[28] HU H T,WANG Z,HUANG X W,et al.Ultrasound-based radiomics score: a potential biomarker for the prediction of microvascular invasion in hepatocellular carcinoma[J].European Radiology,2019,29(6):2890-2901.

[29] CORTAZAR P,ZHANG L,UNTCH M,et al.Pathological complete response and long-term clinical benefit in breast cancer:the CTNeoBC pooled analysis[J].The Lancet,2014,384(9938):164-172.

[30] JIANG M, LI C L, LUO X M, et al. Ultrasound-based deep learning radiomics in the assessment of pathological complete response to neoadjuvant chemotherapy in locally advan4ced breast cancer[J].European Journal of Cancer,2021,147:95-105.

[31] TORRE L A,TRABERT B,DESANTIS C E,et al.Ovarian cancer statistics,2018[J].CA Cancer J Clin,2018,68(4):284-296.

[32] YAO F,DING J,HU Z,et al.Ultrasound-based radiomics score: a potential biomarker for the prediction of progression-free survival in ovarian epithelial cancer[J].Abdom Radiol (NY),2021,46(10):4936-4945.

[33] KAMAYA A,TAHVILDARI A M,PATEL B N,et al.

Sonographic Detection of Extracapsular Extension in Papillary Thyroid Cancer[J].Journal of Ultrasound in Medicine,2015,34(12):2225-2230.

[34]陳启阳,胡向东.超声造影评估甲状腺乳头状癌被膜外侵犯的研究进展[J].中国医学装备,2021,18(11):188-192.

[35] WANG X,AGYEKUM E A,REN Y,et al.A Radiomic Nomogram for the Ultrasound-Based Evaluation of Extrathyroidal Extension in Papillary Thyroid Carcinoma[J].Frontiers in Oncology,2021,11:625646.

[36] KUSUNOSE K.Radiomics in Echocardiography: Deep Learning and Echocardiographic Analysis[J].Current Cardiology Reports,2020,22(9):89

[37] DU Y,FANG Z,JIAO J,et al.Application of ultrasound-based radiomics technology in fetal-lung-texture analysis in pregnancies complicated by gestational diabetes and/or pre-eclampsia[J].Ultrasound Obstet Gynecol,2021,57(5):804-812.

(收稿日期:2022-04-25) (本文编辑:占汇娟)

猜你喜欢
疾病诊断机器学习发展前景
生化检验指标在肝硬化疾病诊断中的应用
新生儿科常见疾病诊断编码思路分析
肺功能检查在慢性阻塞性肺疾病诊断及治疗中的临床意义
产科常见疾病诊断和手术操作编码思路分析
基于网络搜索数据的平遥旅游客流量预测分析
前缀字母为特征在维吾尔语文本情感分类中的研究
冷链物流基础上的生鲜电商发展研究
基于支持向量机的金融数据分析研究
建筑工程混凝土结构施工技术