影像组学在非小细胞肺癌EGFR突变诊疗中的研究进展

徐鑫，李继会，周夜夜，葛书山，曹津铭，桑士标，邓胜明

肺癌是世界上发病率和死亡率最高的恶性肿瘤，其中80%为非小细胞肺癌(non-small-cell lung cancer，NSCLC)[1]。根据美国国立卫生研究院的一项调查显示[2]：超过60%的NSCLC患者表达表皮生长因子受体(epidermal growth factor receptor，EGFR)。尽管现代医学治疗方法逐渐精细化、个体化，NSCLC患者的预后生存仍不理想[3]。近年来，随着分子生物学的发展，针对EGFR突变的靶向治疗也逐渐发挥重要作用，并被证实能够有效改善EGFR突变患者的预后生存[4]。因此，EGFR突变状态是确定个性化治疗策略的重要生物标志物。影像组学能够从计算机断层扫描(computed tomography，CT)和正电子发射扫描成像(positron emission tomography，PET)等图像中提取特征来描述肿瘤的生物学特性。本文旨在展示影像组学在非小细胞肺癌EGFR突变诊疗中的价值。

影像组学特征鉴别非小细胞肺癌EGFR突变

1.鉴别EGFR突变与EGFR野生型

影像组学不可能完全取代组织活检，但可以提供额外的生物学信息，如肿瘤内部的异质性[5]。NSCLC与大多数实体肿瘤一样，也表现出广泛的分子异质性，因肿瘤代谢、氧化作用及基因突变产生的区域异质性也被证实[6]。标准取样方法获得的肿瘤组织随机样本不能完全反映肿瘤的异质性，也不能提供完整的肿瘤基因型信息[7]。因此，应用影像组学特征来预测非小细胞肺癌EGFR突变的可行性被广泛研究。

Sacconi等[8]对比68例ⅢB或Ⅳ期肺腺癌患者的影像组学特征，多因素分析表明均值、标准差、偏度与EGFR突变明显相关。Agazzi等[9]的研究也得出类似结果，他们将84例转移性肺腺癌分为EGFR突变、ALK重排及野生型三个亚组，发现组间偏度的差异显著，其中EGFR突变组偏度最高，ALK重排组偏度最低。Digumarthy等[10]分析25例EGFR突变与44例野生型肺腺癌的影像组学特征，多因素分析表明峰度是EGFR突变的独立预测因素。Sacconi等[8]和Agazzi等[9]的研究均认为偏度能够预测EGFR突变，峰度则不能，原因可能是他们的研究样本均为晚期，而Digumarthy等[10]的纳入标准无临床分期的限制。

上述研究中，影像组学特征的提取均在抗肿瘤治疗前完成，避免因治疗引起的肿瘤生物学改变影响定量特征的数值。与之相反，Aerts等[11]分析47例早期NSCLC患者的图像资料，发现吉非替尼治疗前后，Gabor Energy的变化能够预测EGFR突变。Huang等[12]纳入50例早期(I或II期)NSCLC病例，发现吉非替尼治疗三周前后紧凑系数和强度均值的差值也能预测EGFR突变。

目前，常用的影像组学分析软件主要为矩阵实验室或计算机编程语言，少部分研究应用其他软件进行分析，提取的特征较为新颖，但其诊断效能有待大规模研究进一步证实。Clay等[13]使用计算机辅助结节评估与风险收益(the computer-aided nodule assessment and risk yield，CANARY)工具分析129例Ⅰ期肺腺癌病灶的纹理特征，并以颜色为编码，分别为：紫(V)、靛蓝(I)、蓝色(B)、绿色(G)、黄色(Y)、橙色(O)、红色(R)、青色(C)和粉红色(P)，通过颜色符号的组合来表示病灶的纹理分布。研究发现肿瘤中V-I-R-O成分越多或Y-P成分越少(Y-P与V-I-R-O呈负相关，相关系数为-0.78)，EGFR突变几率越低，即V-I-R-O成分每减少10%，EGFR突变几率增加23%。当V-I-R-O成分≤71%肿瘤体积时，鉴别EGFR突变的敏感度为80%，特异度为52%；当Y-P成分≥23.5%肿瘤体积时，鉴别EGFR突变的敏感度为80%，特异度为53%。多因素分析表明：Y和G是EGFR突变的独立预测因素，Y和G在纹理分布中占比越大，EGFR突变几率越高。Li等[14]使用双能谱计算机层析成像工作站Viewer软件(GE Healthcare)提取定量特征，Logistic回归分析表明吸烟史与标准化碘浓度(normalized iodine concentration，NIC)是EGFR突变的独立预测因素。Viewer软件不支持肿瘤的三维体积分析，特征提取来源于二维图像，不能反映肿瘤整体生物学特征，这也是该研究的局限性。

上述研究表明影像组学特征能够有效鉴别EGFR突变，在患者拒绝活检或活检无法取得有效的肿瘤组织时为靶向治疗的选择提供参考。此外，靶向治疗前后影像组学特征的变化也能预测EGFR突变。

2.鉴别EGFR突变亚型

90%的EGFR突变表现为19外显子缺失和21外显子L858R点突变，少部分为18和20外显子突变[15]。部分研究侧重EGFR整体突变状态，没有进一步探讨与突变亚型的关系。研究表明肺癌对靶向治疗的敏感性因EGFR突变亚型的不同而有所差异，19外显子突变相较于21外显子突变具有更好的治疗效果和更长的生存期[16]。因此，为适应个体化治疗的需要，基于影像组学特征预测EGFR突变亚型的可行性被广泛研究。

Ozkan等[17]分析46例EGFR突变(25例19外显子突变、21例21外显子突变)及20例EGFR野生型的灰度纹理特征(gray-level texture feature)，结果显示EGFR突变组与EGFR野生组的对比度(contrast)、相关性(correlation)和逆差矩(inverse difference moment)差异有统计学意义(P<0.05)；在亚组分析中，逆差矩能进一步区分19外显子突变体与21外显子突变体，差异有统计学显著意义(P<0.05)，而对比度、相关性差异无明显统计学意义(P>0.05)，表明逆差矩不仅能够识别EGFR整体突变，也能进一步区分突变亚型。与Ozkan等[17]研究不同，Rossi等[18]对比9例19外显子缺失和7例21外显子L858R点突变的影像资料，发现两种突变亚型的影像组学特征差异无明显统计学意义(P>0.05)，原因可能是该研究样本量较小。

Mei等[19]分析296例肺腺癌患者的影像资料，多因素分析表明女性、无吸烟史和一种灰度区域大小矩阵特征(size zone non uniformity normalized)是EGFR整体突变的独立预测因素；在66例19外显子突变和78例21外显子突变的亚组分析中，多因素分析表明年龄较小和一种灰度共生矩阵特征(grey level non uniformity normalized)是19外显子突变的独立预测因素；年龄较大、女性和一种形态特征(maximum 2D diameter column)是21外显子突变的独立预测因素。Li等[20]分析75例19外显子突变与97例21外显子L858R点突变的临床资料，多因素分析表明：偏度、Gabor's MTR variance、Gabor's PTR entropy和女性是预测19外显子突变的独立预测因素；偏度、球度、女性和吸烟史是预测21外显子突变的独立预测因素。

Clay等[13]应用CANARY软件提取的影像组学特征也能预测突变亚型。在亚组分析中，他们对比了6例L858R点突变、9例EGFR其他突变及103例野生型影像组学特征分布，发现L858R点突变组的V-I-R-O成分占比低于EGFR其他突变组(17.6% vs 49.1%)，差异无统计学意义(P>0.05)；L858R点突变组的V-I-R-O成分占比明显低于野生型(17.6% vs 73.0%)，差异有统计学意义(P=0.02)。

上述研究表明影像组学特征不仅能够预测EGFR整体突变，也能预测其突变亚型，为临床个体化治疗提供帮助，进一步改善患者的预后生存。此外，由于18和20外显子突变几率较低，上述研究中两者的病例数均不足，未纳入统计学分析，影像组学特征对其预测价值有待后续大样本研究进一步证实。

不同图像的影像组学特征鉴别EGFR突变的对比分析

CT和PET图像均能提取影像组学特征。由于两者成像方式不同，各自特征也表达了不同的临床意义：基于CT图像的影像组学特征代表组织密度的分布规律，基于PET图像的影像组学特征代表肿瘤代谢的差异性。

Li等[21]纳入64例EGFR突变和51例EGFR野生型病例，分别从18F-FDG PET、CT和PET/CT图像中提取特征，建立模型预测EGFR突变。结果显示基于PET图像的特征模型预测效能显著优于CT(P<0.05)；基于PET/CT图像的特征模型预测效能最佳，曲线下面积(area under curve，AUC)为0.805，诊断EGFR突变的符合率、敏感度、特异度分别为80.80%、82.6%、78.3%。与Li等[21]研究结果相近。Nair等[22]回顾性分析50例NSCLC患者的影像资料，分别从增强CT及18F-FDG PET图像中提取特征，建立模型，结果表明无论是识别EGFR整体突变，还是区分突变亚型，基于PET图像的特征模型预测效能的AUC均高于CT(0.87 vs 0.83；0.86 vs 0.75)，但差异均无统计学意义(P>0.05)。

Li等[21]进一步研究表明PET影像组学特征预测EGFR突变效能优于平均标准摄取值(SUVmean)、最大标准摄取值(SUVmax)和标准摄取峰值(SUVpeak)等传统PET代谢参数。Yip等[23]分析348例NSCLC患者18F-FDG PET影像组学特征，结果显示InvDiffmomnor(一种影像组学特征)预测EGFR突变效能明显优于肿瘤代谢体积(tumor metabolic volume，MTV)，差异有统计学意义(P<0.05)；在腺癌的亚组分析中，InvDiffmomnor预测EGFR突变效能明显优于MTV和SUVmax(P<0.05)。

上述研究表明基于18F-FDG PET图像的影像组学特征预测EGFR突变效能优于CT。原因可能是EGFR突变通过激活AKT(蛋白激酶B)信号通路诱导糖酵解增加，促进葡萄糖消耗[24]，这些糖代谢的改变可被PET成像捕捉，而CT则不能。

影像组学特征联合临床特征、传统影像学特征鉴别EGFR突变

研究表明部分临床特征也能预测EGFR突变，如吸烟史、女性[10,14,19-20]等。Yang等[25]分析788例肺腺癌的影像资料，多因素分析显示：磨玻璃密度的体积、肿瘤直径与肿瘤实质部分的体积均为EGFR突变的独立预测因素。Liu等[26]分析385例肺腺癌的影像资料，多因素分析显示吸烟史、肿瘤体积、胸膜凹陷及强化特征均为EGFR突变的独立预测因素。他们进一步研究发现：临床和传统影像特征的联合模型预测EGFR突变效能明显优于单独的临床特征(AUC：0.778 vs 0.690，P<0.05)。两项研究表明临床特征和传统影像学特征均能预测EGFR突变，且两者联合预测效能更佳。在此基础上，影像组学的加入能否进一步改善预测效能被广泛研究。

多数研究表明影像组学特征联合临床特征鉴别EGFR突变能力优于单独特征[14,20,27-32]，差异有统计学意义(P<0.05)。影像组学特征联合传统影像特征鉴别EGFR突变能力优于单独特征[33](P<0.05)。Digumarthy等[10]和Tu等[34]联合影像组学、临床及传统影像特征鉴别EGFR突变效能同样优于单独特征(P<0.05)。Yang等[35]和Li等[36]研究则认为临床因素的加入并不能改善影像组学特征对EGFR突变的预测效能，两项研究均显示联合特征与影像组学特征的预测效能差异无统计学意义(P>0.05)，与大多数学者的观点不符，有待更多研究进一步证实(表1)。

上述研究表明影像组学特征能够预测EGFR突变，但不足以代表NSCLC的总体异质性，结合临床特征和传统影像组学特征可以显著提高EGFR突变的预测效能。

表1 影像组学特征联合临床、传统影像特征预测EGFR突变的受试者工作特征曲线下面积

评估EGFR突变患者靶向治疗的预后生存

针对EGFR突变的靶向治疗药物主要有吉非替尼和厄洛替尼，通过阻断酪氨酸激酶磷酸化抑制癌细胞的增殖、转移及血管形成[37]，属于酪氨酸激酶抑制剂(tyrosine Kinase Inhibitor，TKI)。近年来，应用影像组学评估EGFR-TKI治疗的预后生存价值也逐渐被广泛研究。

Song等[38]纳入370例IV期EGFR突变NSCLC患者，分为TKI治疗组和一线化疗组。从增强CT图像中提取出1032个表型特征，使用LASSO Cox回归模型筛选出12个影像组学特征。根据这些特征将TKI治疗组分为缓慢进展组和快速进展组。生存分析显示：快速进展组与一线化疗组的无进展生存时间(progress free survival，PFS)差异无统计学意义(P>0.05)，缓慢进展组的PFS与快速进展组和一线化疗组差异均有统计学意义(P<0.05)，表明影像组学特征能够进行风险分层，识别可能快速进展的高风险EGFR突变患者。该作者的另一项研究[39]纳入80例EGFR突变NSCLC病例，从增强CT图像中提取30个影像组学特征，行EGFR-TKI治疗后，生存分析显示其中两个特征是PFS的独立预测因素，分别是从游程矩阵中提取的特征(short run high gray level emphasis of run length)和从灰度共生矩阵中提取的特征(cluster prominence of gray level co-occurrence)。

上述研究表明影像组学特征不仅能够评估EGFR突变患者TKI治疗的预后生存，还能进行风险分层，识别高风险患者，实现EGFR-TKI治疗的个体化[40]。

挑战与展望

影像组学仍存在一些局限性：①采集参数的差异：Li等[41]对比1 mm和5 mm两种CT扫描层厚的影像组学特征预测EGFR突变能力，发现前者的预测效能优于后者。He等[42]应用影像组学特征鉴别孤立性肺结节的良恶性，对比1.25 mm和5 mm两种CT扫描层厚的预测效能，前者同样优于后者。上述研究均证实采集参数的差异影响影像组学特征的诊断效能，需要进一步研究确定最佳参数[43]。②肿瘤勾画的差异：Huang等[12]分别让三位放射科医师独立勾画肺癌轮廓，分别提取影像组学特征。结果显示：三组特征中能够预测EGFR突变的影像组学特征不尽相同，且预测效能差异有统计学意义(P<0.05)，表明观察者间的差异也会引起EGFR预测效能的改变，需要统一勾画标准。③算法的差异：建立模型的算法不同也可能影响诊断效能。常用的机器学习算法主要有随机森林(random forest，RF)、支持向量机(support vector machine，SVM)等。Koyasu等[44]对比梯度渐近树(gradient tree boosting)、贝叶斯优化(Bayesian optimization)与RF算法建立模型预测EGFR突变的效能，发现前两者均优于后者，差异有统计学意义(P<0.05)，表明随着计算机技术的不断发展，算法也需要不断优化以适应精准医疗的需求。

综上，我们回顾了影像组学在肺癌EGFR突变诊疗中的应用。影像组学不仅能够预测EGFR突变及其突变亚型，结合临床、传统影像特征还能进一步提高预测效能，更加全面的评估肺癌的异质性和靶向治疗的预后生存，实现个体化诊疗，具备广阔的临床应用前景。