18F-FDGPET-CT影像组学在肺癌中的应用进展(全文).pdfVIP

18F-FDGPET-CT影像组学在肺癌中的应用进展(全文)--第1页

18F－FDGPET－CT影像组学在肺癌中的应用

进展

肺癌是世界上发病率和病死率最高的恶性肿瘤之一，总体预后较

差，5年生存率仅为15.6%。早期诊断、准确分期并制定个体化的治

疗方案是改善肺癌预后的重要因素，而其中每一步都需要影像学、分

子生物学等多学科的协同合作。

近些年来，随着成像技术的发展和药物的不断开发，肺癌的诊断

与治疗水平显著提高，尤其是PET－CT分子影像技术的普及应用，极

大的提升了肺癌的临床诊断、疗效评估的水平。但总体而言，肺癌的

诊断和治疗仍然主要依赖影像医师和临床医师的主观经验，而对影像

检查所产生的数据信息缺乏系统分析。

借鉴组学的分析理念对影像数据进行深度挖掘而形成的影像组

学，可获得大量人眼无法察觉的量化影像特征，初步研究表明这些特

征在肺癌的良恶性鉴别、疗效评价、预后分析以及基因表型的推测等

方面都取得相当乐观的成果。随着人工智能技术和机器学习的快速发

展，影像组学对提高肺癌个体化诊疗的指导价值展现出巨大的潜力。

本文就近年PET－CT影像组学在肺癌诊断与治疗中的应用进展进行

综述。

1.影像组学概念、方法流程

1.1基本概念

组学是指在已有数据集中系统构建高维信息数据，包括基因组学、

蛋白质组学等。影像组学是2012年首先由Lambin等提出并被逐渐完

18F-FDGPET-CT影像组学在肺癌中的应用进展(全文)--第1页

18F-FDGPET-CT影像组学在肺癌中的应用进展(全文)--第2页

善的概念，定义为高通量地从CT、MRI、PET等影像中提取大量多维

的定量影像特征，通过量化分析来提高诊断准确性并进行预测。其基

本假设是医学图像包含了大量与肿瘤分子表型或基因表型相关的生

物学信息，通过统计学或机器学习方法对影像数据进行深层次的挖掘、

分析和解读，以获得比人眼更多的信息量，揭示影像数据与生物学信

息的关系。

由于不同的肿瘤或同一肿瘤的不同部位都存在异质性，它至少部

分反映了代谢、缺氧、血管生成、坏死和细胞增殖等潜在的生物学过

程，而这些肿瘤异质性都可能会宏观的通过医学图像上放射性药物摄

取的空间分布不均匀性来反映。影像组学以整个肿瘤为研究对象，通

过非侵入性的系列检查即可获取反映肿瘤整体特征的大量数据，消除

了组织活检所产生的采样误差，捕捉和定量化分析肿瘤之间以及肿瘤

内部的异质性，揭示肿瘤的生物学行为，从而在分子层面进行定性和

定量研究，用于肿瘤的诊断、分期、治疗后检测。随着近几年医学成

像技术的进步和数据分析方法的不断更新，影像组学作为一种新兴研

究方法，得到了迅猛的发展，成为临床医学和生物医学工程的研究热

点。

1.2工作流程

影像组学的工作流程主要包括图像采集与重建、图像分割、特征

提取与筛选、建立诊断或预测模型四个步骤。

1.2.1图像采集与重建。目前影像组学研究中的图像采集方式主

要包括CT、MRI和PET－CT，其中PET－CT能够从分子水平反映图像

18F-FDGPET-CT影像组学在肺癌中的应用进展(全文)--第2页

18F-FDGPET-CT影像组学在肺癌中的应用进展(全文)--第3页

功能性质与肿瘤潜在生物学行为的关系。影像组学分析对图像数据的

一致性要求很高。在建立影像数据库时宜使用同一厂家的设备，采用

相同的参数设置和重建算法的医院数据，这样能够有效减低系统误差。

1.2.2图像分割。图像分割是整个影像组学中关键的部分，分割