影像组学在肺结节良恶性鉴别中的研究分析

影像组学在肺结节良恶性鉴别中的研究分析

李丽 1 王敏 2 （ 通讯作者）

1. 济宁医学院 山东济宁 272000 2. 济宁市第一人民医院 山东济宁 272000

[摘要]影像组学是将数字图像处理技术和数字建模技术与医学影像学相结合，通多自动和半自动算法对影像资料的感兴趣区（ROI）提取大量影像学特征，在统计数据分析的基础上，寻找影像学特征与临床诊疗数据之间的相关性。本文就影像组学在肺结节良恶性鉴别中的应用研究进行综述。

1.影像组学概述

影像组学将数字图像处理技术和数字建模技术与医学影像学相结合，探究肿瘤影像学特征与临床诊疗数据的相关性，总结肺癌的发生发展规律，从而精准鉴别肺结节的良恶性。^[1-3]。

2.影像组学工作流程

2.1图像采集

图像采集主要通过CT、MRI、PET-CT等扫描技术获得，CT因其具有较高的空间分辨率和灰度对比度，能有效分析肿瘤和淋巴结的形状、密度、纹理等特征，而广泛的而应用在肺结节良恶性鉴别^[2]。

2.2图像分割

对感兴趣区的分割有三种方法：人工分割法、半自动分割法、自动分割法。人工分割法准确度高，对不规则边界勾画精细，但容易受主观因素的影响^[4]；半自动和自动分割法是影像组学发展的未来方向，可重复性高^5]。

2.3图像体征提取和量化

利用GLCM、GLRLM、GLSZM、NGTDM等数学方法对影像学特征进项量化，例如用灰度均值、灰度方差等数值描述图像的灰度分部。目前常用的特种提取方法，如ROI分割算法和特征提取算法在特征提取中的速度和精度较慢，难以满足实时高效的研究要求，是目前影像组学多应用于回顾性分析的重要限制因素^[6]。

2.4 特征选择

特征选择的过程即标准制定过程，根据量化数据的稳定性和相关性制定评分标准，对量化数据进行筛选。常用的选择方法有：ASSOCox回归模型、mRMR、RELIEF、PCA等分析方法，其中ASSOCox回归模型利用罚对数似然函数最大化，是目前最常用的特征数据选择处理方法^[3]。

2.5 建立模型

影像组学的特征和分类模型建立方法主要有：logistic回归模型、随机森林（random forest）、“leave-one out”交差验证、支持向量机（SVM）等。：logistic回归模型建立过程简单，容易实现，成为目前主要的模型建立方法，在影像组学预测模型建立的过程中需要大量的专业人员对量化的影响特征进行整理，建立影像学特征和肿瘤表型的相关性关系^[7]。

3、影像组学在肺结节良恶性鉴别中的研究

传统的CT扫描对典型的良恶性肺结节诊断精确，但对于不典型的肺结节，例如肺小结节，传统的CT扫描图像特异性较低，白春学^[8]设计提出肺结节的高通量特征为：肺结节的大小、形状、密度与强化程度、边缘毛刺程度等。形态特征指肺结节的大小和规则程度等。Peikert 等^［9］经利用LASSO COX回归模型筛选出 7 个量化的影像组学特征，在肺结节良恶性鉴别中，特异性为0.856，敏感性为0.9。Chen等^［10］采用影像组学分析方法构建的分类器对于鉴别良恶性肺 结节表现出的敏感性 92. 9% ，特异性为 72. 7，准确性为 84. 0% 。Choi等^［11］在低剂量 CT 中比较了LASSO COX回归模型与ACＲ 研究的Lung － ＲADS 系统，结果表明 LASSO COX模型具有更高的敏感性和特异性。

4.讨论

研究表明，影像组学特征与肺结节的良恶性间存在一定的相关性，可以无创提取肿瘤特征，在肺癌的筛查、诊断、预后、疗效评估全过程中起重要的辅助作用，但由于缺少标准化的图像处理方法，目前影像组学仍停留在回顾性分析阶段，难以在临床诊断中广泛应用。如何提高影像组学特征提取精度和速度，标准化扫描过程是影像组学应用发展亟待解决的问题。

参考文献

[1]Chen W, Zheng R, Baade PD, et al. Cancer statistics in China, 2015 [J]. CA Cancer J Clin, 2016, 66(2):115-132.

[2]Bashir U, Siddique MM, Mclean E, et al. Imaging Heterogeneity in Lung Cancer: Techniques, Applications, and Challenges[J]. ARJ Am J Roentgenol, 2016, 207(3):534-543.

[3]Lee G, Lee HY, Park H, et al. Radiomics and its emerging role in lung cancer research, imaging biomarkers and clinical management: State of the art[J]. Eur J Radiol, 2017, 86:297-307.

[4]Colen RR,Fujii T,Bilen MA,et al.Radiomics to predict im- munotherapy-induced pneumonitis： proof of concept[J].In- vest New Drugs,2018,36(4):601-607.

[5]Zhou B,Xu J,Tian Y,et al.Correlation between radiomic features based on contrast-enhanced computed tomography images and Ki -67 proliferation index in lung cancer：A preliminary study [J].Thorac Cancer,2018,9(10):1235 -1240

[6]晏睿滢.影像组学在肺癌诊疗中的应用进展[J].中国医学影像学杂志,2018,179(4):317-320.

[7]吴佩琪,刘再毅,何兰,等.影像组学与大数据结合的研究现状[J].中华放射学杂志,2017,51(7):554-558.

[8]白春学. 中国肺结节诊治共识制定及执行策略[J]. 中华医学信息导报, 2016, 31(1): 18.

[9]Peikert T,Duan F,Rajagopalan S,et al．Novel high-resolution computed tomography－based radiomic classifier for screen -identified pulmonary nodules in the National Lung Screening Trial．PLoS One．2018,13(5) : e0196910．

[10]Chen CH,Chang CK,Tu CY,et al．Radiomic features a- nalysis in computed tomography images of lung nodule classi- fication．PLoS One.2018 ,13(2) : e0192002．

[11]Choi W,Oh JH,Riyahi S，et al.Radiomics analysis of pul-monary nodules in low－dose CT for early detection of lung cancer.Med Phys.2018,45(4) : 1537－1549.