- · 《肿瘤学杂志》期刊栏目[01/26]
- · 《肿瘤学杂志》投稿方式[01/26]
- · 肿瘤学杂志版面费是多少[01/26]
乳腺癌影像组学的研究进展(2)
作者:网站采编关键词:
摘要:4 影像组学在评估淋巴结转移的应用 腋窝淋巴结转移是影响乳腺癌患者预后的重要因素,确定腋窝淋巴结状态是临床指导制定乳腺癌个性化治疗决策的关键
4 影像组学在评估淋巴结转移的应用
腋窝淋巴结转移是影响乳腺癌患者预后的重要因素,确定腋窝淋巴结状态是临床指导制定乳腺癌个性化治疗决策的关键。Liu 等[20]利用影像组学方法从肿瘤及肿瘤周围区域提取特征,结合临床因素建立模型来预测腋窝淋巴结转移,联合模型验证集AUC 达到了0.869。Shan 等[21]定义了三种动力学曲线模式来反映DCE-MRI 不同期之间像素信号变化,然后结合从淋巴结提取的影像组学特征建立淋巴结转移预测模型,验证组AUC达到了0.86,但是手动勾画目标淋巴结存在难度,虽然提取的特征组内相关系数大于0.75,但勾画误差仍对模型效能产生影响。本研究团队[22]则直接将DCE 动力学参数作为特征,融合DCE-MRI 影像组学特征建立联合模型,较好地预测了乳腺癌前哨淋巴结转移。瘤周特征、DCE动力学参数及其变化特征的利用有助于提高模型效能。并且由于最近临床试验的结论[23],非前哨淋巴结状态评估成为新的方向,超声领域目前已有相关文章[24]。
5 影像组学在乳腺癌治疗效果评价中的应用
新辅助化疗(neoadjuvant chemotherapy,NAC)是乳腺癌的主要治疗方式[25],大约10%~35%的患者对NAC 不敏感,5%的患者NAC 治疗后病情恶化[26]。利用影像组学方法评估NAC疗效有重要的临床意义。Liu 等[27]进行了一项多中心回顾性研究,以评估多参数MRI 在预测病理完全缓解方面的表现。研究共纳入了586 例患者,利用从T2 加权、T1 加权、DWI 和增强序列提取的13 950 个影像组学特征,计算了影像组学得分,并且在不同的分子亚型组对模型进行训练和内外部验证,同时建立临床模型和联合模型进行效能比较。结果表明在不同的分子分型亚组,包含多参数MRI 影像组学特征和临床特征的联合模型相较于临床模型表现更好,但该研究同样存在样本量有限、患者分布不均衡的问题。Sutton 等[28]纳入了NAC 前后均做过MRI 的乳腺癌患者,同时提取了NAC 前后的影像组学特征,并且将NAC 前后特征相减得到新的特征集,来反映治疗前后的特征变化,利用这些特征建立了影像组学模型预测病理完全缓解,最终展现了较好的预测能力。乳腺癌NAC后特征在疗效评估方面同样具有重要的意义,多中心研究保证了模型的泛化能力,是未来影像组学的发展方向,但由于NAC 作为乳腺癌重要治疗手段,效果较好,样本不均衡的问题较突出,可能影响模型训练效果。
6 影像组学在乳腺癌预后分析的应用
Nam 等[29]研究了乳腺癌MRI 影像组学特征和预测复发风险的多基因检测之间的潜在关联。这项研究回顾性纳入了127例ER阳性浸润性乳腺癌的患者,从DCE-MRI序列中自动提取了158 种影像组学特征。研究发现LASSO 建立的影像组学得分、Ki-67表达、p53与Oncotype DX计算的复发危险得分相关联,并且影像组学得分能够较好的区分高低风险组,然而乳腺癌复发情况需要经过长时间随访获得,文章中的复发风险分数并不能完全真实反映复发情况。乳腺基因序列同样包含了预后信息,结合乳腺癌基因数据的多尺度研究是影像组学新的发展方向。
7 影像组学的发展方向
7.1 多中心研究
目前乳腺影像组学研究中,单中心的回顾性研究占主体。然而,尽管单中心内部验证已经成为研究中重要的环节,但由于回顾性研究的本质、人群种族、地区等方面的差异,使单中心研究结果的稳定性值得怀疑,因此,多中心研究成为影像组学的未来趋势。
7.2 多尺度、多模态研究
医学图像并不是显示肿瘤信息的唯一方式,一些研究结果表明血液指标和生物标志物、病理及基因信息等同样包含肿瘤信息,对揭示肿瘤异质性有着重要的作用。Shao 等[30]从四家医院981 例患者多参数MRI 和病理全视野数字切片(whole slide image,WSI)中提取定量影像特征,建立了影像病理模型来预测直肠癌放化疗疗效,这项研究为影像组学的发展提供了新的方向,即“影像病理组学”,证明影像组学已经向多尺度的研究方向发展。另外,不同的成像方式可能包含不同的肿瘤信息,例如,本团队近期分别进行了各种模态的影像组学研究[31-33],证明不同模态影像组学特征均具有重要意义。融合来自多种成像方式的特征,将有助于提高影像组学模型的效能。
7.3 深度学习
影像组学研究在很大程度上依赖于机器学习,传统机器学习与深度学习最显著的区别是使用了手动特性,这意味着我们需要为不同的任务设计不同的特征,并且多为人工勾画ROI,总体过程费时费力,且容易受到人为因素干扰。深度学习网络可以从数据本身学习到具体的特征,不需要指定预定义的特征,这意味着人们可以用同样的深度学习方法来解决许多不同的任务,作为一种端到端的网络结构,深度学习网络整个学习过程无需人的参与,效率更高、结果更可靠。因此深度学习促进了目前影像组学的发展[34-35]。
文章来源:《肿瘤学杂志》 网址: http://www.zlxzzzz.cn/qikandaodu/2021/0620/512.html
上一篇:乳酸何去何从运动抗肿瘤的作用及其特异性研究
下一篇:国内外抗体药物的专利布局分析