乳腺癌影像组学的研究进展(2) - 肿瘤学杂志杂志社投稿_期刊论文发表|版面费|电话|编辑部- 肿瘤学杂志

一、稿件要求： 1、稿件内容应该是与某一计算机类具体产品紧密相关的新闻评论、购买体验、性能详析等文章。要求稿件论点中立，论述详实，能够对读者的购买起到指导作用。文章体裁不限，字数不限。 2、稿件建议采用纯文本格式(*.txt)。如果是文本文件，请注明插图位置。插图应清晰可辨，可保存为*.jpg、*.gif格式。如使用word等编辑的文本，建议不要将图片直接嵌在word文件中，而将插图另存，并注明插图位置。 3、如果用电子邮件投稿，最好压缩后发送。 4、请使用中文的标点符号。例如句号为。而不是.。 5、来稿请注明作者署名(真实姓名、笔名)、详细地址、邮编、联系电话、E-mail地址等，以便联系。 6、我们保留对稿件的增删权。 7、我们对有一稿多投、剽窃或抄袭行为者，将保留追究由此引起的法律、经济责任的权利。二、投稿方式： 1、请使用电子邮件方式投递稿件。 2、编译的稿件，请注明出处并附带原文。 3、请按稿件内容投递到相关编辑信箱三、稿件著作权： 1、投稿人保证其向我方所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、投稿人保证向我方所投之稿件，尚未在任何媒体上发表。 3、投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、投稿人向我方所投之作品不得同时向第三方投送，即不允许一稿多投。若投稿人有违反该款约定的行为，则我方有权不向投稿人支付报酬。但我方在收到投稿人所投作品10日内未作出采用通知的除外。 5、投稿人授予我方享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、投稿人委托我方声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。

乳腺癌影像组学的研究进展(2)

作者:

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。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