超声影像组学在肝细胞癌中的研究进展.pdfVIP

超声影像组学在肝细胞癌中的研究进展

【摘要】肝细胞癌是原发性肝癌中最常见的类型，是目前全球癌症相关死亡的

第三大原因。影像组学是指从医学图像中高通量提取定量特征，并对其深入挖掘

分析。作为一门新兴技术，影像组学已广泛应用于肿瘤诊断、病理分级、血管侵

犯、治疗评价及预后预测中，为个性化医疗提供了全新视角。超声影像组学作为

其分支，目前已经成为协助改善肝细胞癌临床管理的重要工具，在其诊断及预测

中发挥了不可忽视的重要作用。

【关键词】超声检查；影像组学；肝细胞癌

肝细胞癌占所有原发性肝癌的75%～85%，是2022年全球癌症相关死亡的第

三大原因，约有86.5万新发病例和75万死亡病例，是全球性的健康挑战［1］，

现行指南推荐对高风险人群进行监测，旨在早期发现肝细胞癌［2］。肝细胞癌

的诊断可以通过超声、CT及MRI增强影像学典型特征来实现，超声引导下的经

皮肝脏穿刺活检被认为是诊断肝细胞癌的金标准。但由于肝脏背景及肿瘤分化程

度等的影响，肝细胞癌不典型影像学特征的发生率较高；肝脏其他恶性肿瘤与良

性病变可能与其有相似的影像学表现；此外，穿刺活检作为一种侵入性手段，应

用也大为受限，因此探索一种精准的无创性诊断及预测方法是非常必要的。

随着精准医学的不断发展，仅依靠视图形态的传统影像学（因其忽视了大量

有关肿瘤特征和异质性的信息）不能满足疾病精准诊疗的需求。影像组学作为定

量图像分析的新兴领域，旨在将图像的大规模数据挖掘与临床和生物学终点联系

起来，构建预测模型，从宏观上解码病理生理结构的表型，从理论上由表及里进

行推断，提供有价值的诊断、预后或预测信息［3］。

近年来，超声影像组学迅速发展，在研究中学者多利用传统的机器学习算法

实现特征提取、数据解析及模型构建与预测，如经典的监督学习算法支持向量机

（supportvectormachine，SVM）、随机森林（randomforest，RF）、决策

树（decisiontree，DT）、逻辑回归（Logisticregression，LR）等；在此

基础上，深度学习算法衍生发展而来，它拥有更加复杂的多层神经网络结构，能

够识别并提取图像的深度特征，在避免人为因素干扰的同时，实现了数据深度挖

掘的最大化，卷积神经网络（convolutionalneuralnetwork，CNN）是最常用

的深度学习网络，在图像数据处理方面能力卓越［4-5］。因此，多模态的超声

成像与机器学习算法相结合，在肝脏疾病的诊断、治疗及预测方面表现出巨大的

潜力。笔者就超声影像组学在肝细胞癌的诊断、生物学行为评估及预测预后方面

的应用作一概述，分析其现存挑战并提出展望。

一、超声影像组学在肝细胞癌诊断及病理组织学分级中的应用

肝细胞癌患者的早期发现和个性化治疗是生存的关键，超声是最合适的监测

方法，与CT和MRI相比，超声具有实时成像、无辐射暴露等优点，超声新技术

如超声造影可以实时动态显示肿瘤的血流灌注情况，弹性成像可以根据组织硬度

表征肿瘤的良恶性。因此，多模态超声影像组学作为一种无创性工具，可以很好

地运用于肝脏良恶性病变的诊断。Yao等［6］的研究基于177例肝脏局灶性病

变（focalliverlesions，FLLs）患者的二维灰阶成像、剪切波弹性成像（s

hearwaveelastography，SWE）和剪切波黏弹性成像（shearwaveviscosit

y，SWV），运用SVM算法构建了5组影像组学模型，采用留一交叉验证法（lea

veoneoutcrossvalidation，LOOCV）对模型进行评价，证实了模型对FLLs

良恶性鉴别和恶性分型的能力，受试者操作特征曲线（receiveroperatorcha

racteristiccurve，ROC曲线）下面积（areaundercurve，AUC）分别为0.

94和0.97，同时预测了肝细胞癌的病理诊断和临床预后。Wang等［7］的前瞻

性多中心研究纳入116例FLLs患者，建立了基于Sonazoid超声造影（contras

tenhancedultrasound，CEUS）Kupffer期的影像组学模型，得出联合模型在训

练集和验证集的AUC分别为0.951和0.912，证实其对诊断高分化肝细胞癌和非

典型良性FLLs具有满意的效果。Kondo等［8］综合了Sonazoid-CEUS动脉期、

门脉期和血管后期3个阶段的特征构建组学模型，研究表明该模型对于