乳腺肿瘤常规超声联合超声造影影像组学特征及其与乳腺癌分子分型相关性的研究进展

影像组学是一种从医学影像中高通量地提取影像特征来深入挖掘内部数据信息的技术方法,通过肿瘤分割、特征提取与模型建立来辅助临床对肿瘤进行诊断与治疗。在精准医疗时代,乳腺癌的个体化早期诊治尤为重要。常规超声是诊断乳腺肿瘤的重要影像学方法;超声造影可以实时显示乳腺肿瘤微血管灌注的形态学及功能学变化,在此基础上产生的超声及超声造影影像组学在乳腺肿瘤良恶性鉴别诊断及判断乳腺癌分子分型中具有潜在的临床应用价值。本文就乳腺肿瘤常规超声联合超声造影影像组学特征及其与乳腺癌分子分型相关性方面的研究进行综述。     

影像组学研究浅见

<正>影像组学(Radiomics)是一个新兴的概念,2012年由荷兰学者Philippe Lambin首次提出,其定义是借助计算机软件,从医学影像图像中挖掘海量的定量影像特征,使用统计学和/或机器学习的方法,筛选最有价值的影像组学特征,用以解析临床信息,用于疾病的定性、肿瘤分级分期、疗效评估和预后预测等[1]。自其概念提出后,影像组学得到了迅猛的发展,在临床抉择中的指导价值也受到越来越广泛的重视。影像组学技术突破了目前临床广泛运用的依赖于医师主观判读图像的局限性,极大地拓展了医学影像     

乳腺肿瘤常规超声联合超声造影影像组学特征与乳腺癌分子分型相关性的研究进展

影像组学（radiomics）是一种从医学影像中高通量地提取影像特征来深入挖掘内部数据信息的技术方法,通过肿瘤分割、特征提取与模型建立来辅助临床对肿瘤的诊断与治疗。在精准医疗时代,乳腺癌（breast cancer,BC）的个体化早期诊治尤为重要。常规超声是诊断乳腺肿瘤的重要影像学方法,超声造影（contrast enhanced ultrasound,CEUS）可以实时显示乳腺肿瘤微血管灌注的形态学及功能学变化,在此基础上产生的超声及超声造影影像组学在乳腺肿瘤良恶性诊断及判断乳腺癌分子分型中具有潜在临床应用价值。本文就乳腺肿瘤常规超声联合超声造影影像组学特征与乳腺癌分子分型相关性方面进行综述。     

基于可扩展标记语言技术构建中国人大脑MR影像库

医学影像数据库及信息系统是医学影像数据有效检索与分析的重要手段,是医学临床、教育与研究的基础。本文提出一种基于可扩展标记语言(XML)的医学影像数据库及信息系统的构建方法,实现中国正常人脑MR影像库及信息系统,该系统支持医学影像数据的有效组织、存储、检索和挖掘。临床实际应用证明该系统具有可扩展性强、结构稳定、功能独立、存取效率高等特点,满足人脑MR影像数据存储、检索和处理分析的需求,具有良好的应用价值。     

影像组学中特征提取研究进展

影像组学是从CT、MRI、PET等医学影像的ROI提取大量影像特征,来描述肿瘤生物学特征和异质性等信息的一种定量分析方法。随着数据科学发展,影像组学的研究方法日益受到国内外的重视。影像组学的特征提取是其中的重要步骤。本文对影像组学的特征提取进行综述。     

促进影像组学的转化研究

影像组学是近年来研究的热点之一,可利用计算机软件从医学图像中提取海量的定量图像特征,在协助肿瘤患者的个体化治疗决策方面具有广阔的应用前景。尽管影像组学方法可量化肿瘤异质性,在肿瘤精准医疗临床决策中有重要辅助价值,且有巨大临床转化潜力,但欲将影像组学研究成果成熟应用于临床实践中仍须面对诸多挑战,希望国内学者能共同努力推动其临床应用转化,辅助个体化临床决策。     

前列腺癌影像组学研究进展

影像组学可将数字医学图像转换为可挖掘的高维数据，将图像"特征"转换为生物标记，以帮助检测和定位肿瘤以及预测治疗后反应。目前影像组学已应用于前列腺癌的诊断、判断治疗效果及评估预后等方面，并取得显著成果，但其用于前列腺癌仍面临很多挑战。本文对影像组学在前列腺癌中的应用进展进行综述。     

基于中国人群建设PET神经影像数据库

<正>医学影像学技术的发展推动了神经影像学临床及科研进步，但获取数据难度及成本均较高。建设神经影像数据库可避免重复采集数据所致成本增加和周期延长，支持在不同背景和目的下深入挖掘数据，提高其利用率。目前国内外已有多个神经影像学数据库，但多针对MRI,核医学PET神经影像学数据库发展相对滞后，尤其缺少基于我国人群的PET神经影像学资料。本研究基于复旦大学附属华山医院资料尝试建立基于我国人群的PET神经影像学数据库，     

宫颈癌MRI影像组学研究现状及进展

宫颈癌发病率及死亡率逐年升高,早期诊断可改善其预后。影像组学可自动化、高通量提取医学影像的定量特征并实现数据转化,更准确地评估宫颈癌的发生、发展及转归。本文围绕MRI影像组学用于研究宫颈癌的现状及进展进行综述。     

影像组学在18F-FDG PET/CT研究进展及临床应用

近年来，PET临床应用发展迅速，借助¹⁸F-FDG或多种类型在体放射性分子示踪剂，可无创地从功能及分子水平提供活体内肿瘤信息。影像组学是基于计算机学习的医学影像分析方法。微观分子水平上的基因或蛋白质变化可在宏观影像图片上有所体现。深度挖掘影像特征，可反映人体组织、细胞和基因水平变化，预测和评估肿瘤异质性。本文聚焦于影像组学流程和研究重点、难点及¹⁸F-FDG PET影像组学临床应用，对目前¹⁸F-FDG PET影像组学预测肿瘤分子分型相关进展进行综述。     

基于增强CT放射组学预测肝细胞肝癌病理分级

目的 观察增强CT放射组学术前预测肝细胞肝癌（HCC）病理分级的可行性及价值。方法 回顾分析429例经手术病理证实的HCC患者，分为训练组（n=329）和测试组（n=100），记录其临床特征；提取动脉期（AP）及静脉期（VP）CT图像的放射组学特征，应用最小绝对值收敛和选择算子（LASSO）回归分析法对其进行降维，筛选最有价值的组学特征后，构建基于AP、VP、AP+VP图像特征的组学模型，计算2组放射学评分并进行二分类判别。根据病理结果定义高级别和低级别HCC，采用10倍交叉验证训练选择最优组学预测模型，筛选对预测HCC病理分级有意义的临床特征后，构建临床模型以及联合组学特征和临床特征的联合模型。绘制3种模型预测训练组和测试组HCC病理分级的ROC曲线，评估其诊断能力。结果 联合组学模型最优，其判别训练组及测试组高级别和低级别HCC的放射学评分的差异均有统计学意义（Z=8.58、3.24，P均<0.05）。测试组中，联合模型预测HCC病理分级的AUC值（0.70）与组学模型（0.69）和临床模型（0.63）差异均无统计学意义（P均>0.05）。结论 基于增强CT图像的放射组学特征可用于术前预测HCC病理分级。     

超声影像组学在鉴别诊断甲状旁腺腺瘤和甲状旁腺增生中的价值

目的 探讨超声影像组学方法在鉴别诊断甲状旁腺腺瘤（PA）和甲状旁腺增生（PH）中的临床应用价值。方法 选取2019年1月至2023年6月我院收治的133例甲状旁腺功能亢进症患者（共181枚病灶）,其中腺瘤66例（67枚）,增生67例（114枚）,比较两组临床资料及病灶常规超声特征。所有病灶按7:3分为训练集（126枚）和验证集（55枚）,基于灰阶超声图像勾画感兴趣区（ROI）并提取影像组学特征。应用最小绝对收缩和选择算子（LASSO）回归筛选特征并构建影像组学模型;应用多因素Logistic回归筛选重要的常规超声特征并构建常规超声模型;应用多因素Logistic回归构建基于影像组学特征和常规超声特征的联合模型。绘制受试者工作特征曲线（ROC）以评估各模型的效能并在验证集中进行验证;绘制校准曲线分析影像组学模型和联合模型预测结果与实际结果的一致性。结果 基于LASSO算法筛选出8个影像组学特征用于构建影像组学模型。单因素和多因素Logistic回归分析显示,病灶最大径、外周线状高回声和极性供支血管征为鉴别PA和PH的重要常规超声特征（均P＜0.05）。在训练集和验证集中,影像组学模型曲线下面积（AUC）分别为0.764和0.750,常规超声模型AUC分别为0.812和0.838,联合模型AUC分别为0.825和0.856。联合模型AUC在训练集和验证集中均高于影像组学模型,差异均有统计学意义（均P＜0.05）;其余各模型间AUC比较差异均无统计学意义。结论 影像组学联合模型能较准确地鉴别甲状旁腺腺瘤和甲状旁腺增生,可为临床制定手术方案提供一定的参考价值。     

基于T2WI影像组学模型产前预测胎盘植入性病变

目的 评估基于MR T2WI影像组学模型产前预测胎盘植入性病变（PAS）的价值。方法 回顾性分析241例孕妇及胎儿MRI,其中116例PAS、125例无PAS。按7：3比例将其分为训练集（n=168）和验证集（n=73）,于训练集提取并筛选半傅立叶采集单次激发快速自旋回波（HASTE）及真实稳态进动快速成像（TrueFISP）序列图像的影像组学特征,构建预测PAS的影像组学模型,并以回归分析方法构建临床模型、影像组学模型及临床-影像组学模型。采用校准曲线和受试者工作特征（ROC）曲线分析模型的效能,以决策曲线分析（DCA）评估其临床实用性。结果 对各序列图像分别提取1 130个影像组学特征,经LASSO回归等处理后,各筛选出9个影像组学特征,用于构建预测PAS的HASTE及TrueFISP影像组学模型。ROC曲线显示,临床模型、HASTE影像组学模型及TrueFISP影像组学模型在验证集中诊断PAS的曲线下面积（AUC）分别为0.882、0.968和0.930（P均>0.05）;HASTE联合TrueFISP影像组学模型的AUC为0.990,高于临床（Z=-2.36,P=0.02）、HASTE影像组学（Z=-2.48,P=0.02）及TrueFISP影像组学模型（Z=-2.43,P=0.02）;临床-HASTE-TrueFISP影像组学模型的AUC为0.995,与HASTE联合TrueFISP影像组学模型差异无统计学意义（Z=-0.85,P=0.40）,高于HASTE或TrueFISP影像组学模型（Z=-2.64、-2.47,P均<0.05）。临床模型之外,各模型在验证集数据中的校准度均较好;阈值取0~0.6时,其在验证集的临床净获益均大于临床模型。结论 基于产前HASTE及TrueFISP序列图像的联合影像组学模型有助于准确预测PAS。     

临床及CT影像组学特征预测胃癌微卫星高度不稳定状态

目的 观察临床和CT影像组学特征用于预测胃癌微卫星高度不稳定(MSI-H)状态的价值。方法 纳入150例胃癌患者,MSI-H阳性30例、阴性120例;按7∶3比例将其分为训练集(n=105)和验证集(n=45)。基于腹部静脉期增强CT图提取病灶影像组学特征并加以筛选,计算影像组学评分(Radscore);比较训练集和验证集MSI-H阳性与阴性患者临床资料及Radscore差异;分别基于其间差异有统计学意义的临床因素和Radscore构建临床模型、CT影像组学模型及临床-CT影像组学联合模型,评估其预测胃癌MSI-H状态的价值。结果 训练集和验证集中,MSI-H阳性与阴性肿瘤位置、Radscore差异均有统计学意义(P均<0.05)。临床模型、CT影像组学模型及联合模型评估训练集胃癌MSI-H状态的曲线下面积(AUC)分别0.760、0.799及0.864,在验证集分别为0.735、0.812及0.849;联合模型的AUC大于2种单一模型(P均<0.05)。结论 基于肿瘤位置和Radscore的临床-CT影像组学联合特征可有效预测胃癌MSI-H状态。     

A review in radiomics: Making personalized medicine a reality via routine imaging

Radiomics is the quantitative analysis of standard-of?care medical imaging; the information obtained can be applied within clinical decision support systems to create diagnostic, prognostic, and/or predictive models. Radiomics analysis can be performed by extracting hand-crafted radiomics features or via deep learning algorithms. Radiomics has evolved tremendously in the last decade, becoming a bridge between imaging and precision medicine. Radiomics exploits sophisticated image analysis tools coupled with statistical elaboration to extract the wealth of information hidden inside medical images, such as computed tomography (CT), magnetic resonance (MR), and/or Positron emission tomography (PET) scans, routinely performed in the everyday clinical practice. Many efforts have been devoted in recent years to the standardization and validation of radiomics approaches, to demonstrate their usefulness and robustness beyond any reasonable doubts. However, the booming of publications and commercial applications of radiomics approaches warrant caution and proper understanding of all the factors involved to avoid “scientific pollution” and overly enthusiastic claims by researchers and clinicians alike. For these reasons the present review aims to be a guidebook of sorts, describing the process of radiomics, its pitfalls, challenges, and opportunities, along with its ability to improve clinical decision-making, from oncology and respiratory medicine to pharmacological and genotyping studies.     

瘤内及瘤周表观弥散系数影像组学特征预测髓母细胞瘤患儿预后

目的 观察瘤内及瘤周表观弥散系数（ADC）影像组学特征预测髓母细胞瘤（MB）患儿预后的价值。方法 回顾性分析74例MB患儿资料,根据术后2年随访结果将其分为进展组（n=29）及无进展组（n=45）,并按6：4比例分为训练集（n=44）或验证集（n=30）。基于ADC图提取并筛选瘤内及瘤周影像组学特征,分别建立瘤内、瘤周及瘤内+瘤周影像组学模型,并以之结合临床及常规影像学特征建立联合模型;比较各模型预测MB患儿预后的效能。结果 训练集中,临床-常规影像-瘤周影像组学模型、临床-常规影像-瘤内+瘤周影像组学模型曲线下面积（AUC）均大于单一瘤周影像组学模型（P均<0.05）;验证集中,临床-常规影像学-瘤内+瘤周影像组学模型的AUC最大,但与其他模型差异均无统计学意义（P均>0.05）。结论 瘤内及瘤周ADC影像组学特征可用于预测MB患儿预后;联合临床及常规影像学特征或有助于提高预测效能。     

基于增强CT影像组学模型预测胰十二指肠切除术后胰瘘

目的 评估基于术前腹部增强CT影像组学模型预测胰十二指肠切除术（PD）术后胰瘘（POPF）的价值。方法 回顾性分析252例接受PD患者的术前腹部增强CT资料,按7：3比例将其分为训练集（n=177）和验证集（n=75）。于训练集增强静脉期CT图像中勾画胰腺实质作为感兴趣容积（VOI）,提取其影像组学特征,并筛选最优特征建立影像组学模型;绘制模型预测PD术后POPF的受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评价模型预测效能;以验证集数据进行验证。结果 共选出14个最优影像组学特征用于构建影像组学模型。影像组学模型在训练集和验证集的AUC分别为0.82[95%CI（0.76,0.88）]和0.82[95%CI（0.72,0.91）]。结论 基于术前增强CT影像组学模型能有效预测PD术后POPF。     

Preoperative Prediction of Extracapsular Extension: Radiomics Signature Based on Magnetic Resonance Imaging to Stage Prostate Cancer

Purpose

To investigate and validate the potential role of a radiomics signature in predicting the side-specific probability of extracapsular extension (ECE) of prostate cancer (PCa).

Procedures

The preoperative magnetic resonance imaging data of 238 prostatic samples from 119 enrolled PCa patients were retrospectively assessed. The samples with were randomized in a two-to-one ratio into training (n?=?74) and validation (n?=?45) datasets. The radiomics features were derived from T2-weighted images (T2WIs). The optimal radiomics features were identified from the least absolute shrinkage and selection operator (LASSO) logistic regression model and were used to construct a predictive radiomics signature via dimension reduction and selection approaches. The association between the radiomics signatures and pathological ECE status was explored. Receiver operating characteristic (ROC) analysis was used to assess the discriminatory ability of the signature. The calibration performance and clinical usefulness of the radiomics signature were subsequently assessed by calibration curve and decision curve analyses.

Results

The proposed radiomics signature that incorporated 17 selected radiomics features was significantly associated with pathological ECE outcomes (P?<?0.001) in both the training and validation datasets. The constructed model displayed good discrimination, with areas under the curve (AUC) of 0.906 (95 % confidence interval (CI), 0.847, 0.948) and 0.821 (95 % CI, 0.726, 0.894) for the training and validation datasets, respectively, and had a good calibration performance. The clinical utility of this model was confirmed through decision curve analysis.

Conclusions

The radiomics signature based on T2WIs showed the potential to predict the side-specific probability of pathological ECE status and can facilitate the preoperative individualized predictions for PCa patients.

     

基于T2加权成像的影像组学特征和临床特征模型在早期宫颈鳞状细胞癌深间质浸润中的诊断价值

  目的  初步探讨基于T2加权成像(T2-weighted imaging, T2WI)的影像组学特征联合患者临床特征构建的模型对早期宫颈鳞状细胞癌深间质浸润(deep stromal invasion, DSI)的诊断价值。  方法  回顾性纳入2017年1月至2021年2月在北京协和医院行根治性子宫切除术的早期宫颈鳞状细胞癌患者,并按8∶2的比例随机分为训练集和验证集。收集训练集患者的术前临床特征和矢状位T2WI图像影像组学特征资料,经筛选、特征降维后,采用Logistic回归分析法建立早期宫颈癌DSI诊断模型,包括临床特征模型、影像组学模型和临床-影像组学模型。基于验证集数据,采用受试者工作特征(receiver operating characteristic, ROC)曲线对上述模型的性能进行验证。  结果  共168例符合纳入和排除标准的早期宫颈鳞状细胞癌患者入选本研究。其中训练集135例,验证集33例;经组织病理学证实为浅间质浸润的患者72例,DSI患者96例。共筛选出患者年龄、术前鳞状细胞癌抗原水平、国际妇产科联盟分期3个临床特征和4个影像组学特征用于模型构建。ROC曲线分析显示,临床特征模型、影像组学模型和临床-影像组学模型诊断早期宫颈鳞状细胞癌DSI的曲线下面积分别为0.797(95% CI: 0.623~0.971)、0.793(95% CI: 0.633~0.954)和0.820(95% CI: 0.665~0.974),且以临床-影像组学模型的诊断效能最高,其灵敏度、特异度和准确度分别为85.7%(95% CI: 49.8%~100%)、73.7%(95% CI: 57.9%~100%)和78.8%(95% CI: 69.7%~93.9%)。  结论  基于T2WI图像的影像组学特征联合临床特征构建的临床-影像组学模型可作为一种无创的术前检查手段高效判断早期宫颈鳞状细胞癌间质浸润深度。