资源描述
影像组学的临床应用研究郭小芳 主要内容 概念 处理流程 影像组学的临床应用 影像组学的优势 结构成像功能成像 分子生物学分子影像学数字化医学影像学基因组学影像组学radiomics医学影像学 一、概 念最早由荷兰学者在2 0 1 2年提出;指从影像(CT、MRI、PET等)中高通量地提取大量影像信息,实现肿瘤分割、特征提取与模型建立,凭借对海量影像数据信息进行更深层次的挖掘、预测和分析来辅助医师做出最准确的诊断。直观地理解为将视觉影像信息转化为深层次的特征来进行量化研究。 大数据定义:一种规模大到在获取、存储、管理和分析等方面都大大超出了传统数据库软件工具能力范围的数据范围。主要特征:“4 V” Volume:海量的数据规模 Velocity:快速的数据流转 Variety:多样的数据类型 Value:价值大,价值密度低 影像组学利用大数据挖掘技术定量肿瘤异质性,实现精准诊疗决策,提高患者的生存期 二、处理流程(1)影像数据的获取;(2)图像的分割与绘制;(3)特征的提取和量化;(4)影像数据库的建立;(5)分类和预测。 影像数据的获取入组数据需要具有相同或相似的采集参数,保证数据不会受到机型、参数的影响。 CT:可能是最为直接且最容易进行比对的,信号强度能与组织密度联系起来 PET-CT:主要的挑战是对示踪剂计量的校对和代谢容量或VOI的重建问题 MRI:磁共振影像信号强度变量,来源于组织各种内在固有属性复杂的相互作用 NSCLC肿瘤中,影像组学特征的可变性与不同的CT扫描的图像有关。应考虑这些相互扫描的差异,并在未来的研究中尽量减少它们的影响。 Measuring Computed Tomography Scanner Variability of Radiomics Features异质性优化框架(HOF)降低由于采集MR图像的仪器、方案的不同对肿瘤的异质性分析所造成的影响。质控指南的开发:影像特征(分辨率、重建以及参数获取) 临床参数(疾病阶段、疾病的类型和结果)大数据 图像的分割与绘制将图像分割为感兴趣容量(volumes-of-interest VOI)人工手动 :精度最高,费时费力,重复性低半自动:速度提高,准确性较低,依赖操作者经验自动:重复性好,研究阶段 图像分割算法基于阈值的分割方法:广泛基于边缘的分割方法基于区域的分割方法 特征提取与量化广义:通过变换的方法用低维空间表示高维度特征数据;狭义:将ROI分割完成后,就可以对其进行特征提取。特征:常见描述病变的术语(形状、大小、密度、边缘等)病变定性的描述通过计算机分析提取的不可视特征(直方图、纹理、分形维等)定量描述病变的异质性(肿瘤) 数据库的建立与共享个体化数据分析 在分析定量Radiomics特征时,需要考虑影像采集参数不同、呼吸运动位移带来的干扰,使用合理的方法筛选抗噪声能力强的Radiomics特征,并通过调整参数,提高影像特征的稳定性。 ROI的勾画应具有较好的可重复性及准确性。模型的建立应通过努力扩大样本数量、选择合适的机器学习演算法,提高预测效能、尽量降低过拟合风险。 Radiomics的研究结果必须具有可重复性,得到多中心研究的验证。为了实现较高的可靠性与可重复性,在Radiomics研究流程的各个步骤和临床上, 均有不同的困难需要克服。 三、影像组学的临床应用 1、良恶性病变的鉴别诊断及肿瘤分期辅助诊断肺结节的良恶性:Radiomics可以提高肺部结节诊断的准确性。与良性结节相比, 恶性结节的CT密度直方图具有更高的峰度和更低的偏度, ROC曲线下面积0 .7 1 0 .8 3。利用肺结节的分形维度可以将肺癌与肺炎、结核区分开。综合利用形状、大小、直方图特征, 可以将判断结节良恶性质的ROC曲线下面积从0 .7 9提高到0 .8 4 Radiomics of Lung Nodules: A Multi-Institutional Study of Robustness and Agreement of Quantitative Imaging Features Radiological Image traits Predictive of Cancer Status in Pulmonary Nodules Effects of contrast-enhancement, reconstruction slice thickness and convolution kernel on the diagnostic performance of radiomics signature in solitary pulmonary nodule A Clinical Model To Estimate the Pretest Probability of Lung Cancer in Patients With Solitary Pulmonary Nodules (PET) SCREENING AND EARLY DETECTION OF LUNG CANCER 1 1 papers related to computed tomography (CT) Radiomics, 3 to Radiomics or texture analysis with positron emission tomography (PET) and 8 relating to PET/CT Radiomics. There are two main applications of Radiomics, the classification of lung nodules (diagnostic) or prognostication of established lung cancer (theragnostic). Radiomics applied to lung cancer( 2 0 1 6 ) 分期 CT对纵隔淋巴结分期的价值有限,纹理分析可以测量肉眼不能见的肿瘤异质性,CT 纹理分析可能准确的鉴别良恶性淋巴结。 Quantitative CT texture and shape analysis: Can it differentiate benign and malignant mediastinal lymph nodes in patients with primary lung cancer? 2、肿瘤的异质性,肿瘤的治疗反应及疗效评估 由于在CT上,辐射诱发的肺损伤与复发的肿瘤表现相似,因此评估SABR的疗效是复杂的,目前推荐CT,PET-CT评价,但是效果欠佳,使用新方法如纹理分析等影像组学,形成大数据,可以作为常规,早期、精准的评价。 New techniques for assessing response after hypofractionated radiotherapy for lung cancer(2 0 1 4) 利用Radiomics方法, 可以提高肿瘤体积测量的精度。在体积之外的参数中,CT密度变异度可独立预测肿瘤对TKI治疗的反应。 Cunliffe等观察到1 2个与放射性肺损伤的发生密切相关的Radiomics特征。可帮助临床医生提早发现放射性肺损伤的发生,并及时进行干预,可提高NSCLC放疗安全性。 Radiomics辅助治疗方案的制定和随访联合铂类的化疗方案引起肿瘤代谢的改变,肿瘤的异质性会发生变化,也会引起整个肿瘤或局部一定程度的纹理特征改变,这个改变对于预测局部晚期NSCLC患者的治疗反应和生存期有一定的价值。 Early Change in Metabolic Tumor Heterogeneity during Chemoradiotherapy and Its Prognostic Value for Patients with Locally Advanced Non-Small Cell Lung Cancer 3、肿瘤转移及预后的预测模型 In radiation oncology, these models combine both predictive and prognostic data factors from clinical, imaging, molecular and other sources to achieve the highest accuracy to predict tumor response and follow-up event rates。- Predicting outcomes in radiation oncology multifactorial decision support systems。 肿瘤转移及预后的预测模型纹理特征可以作为一种预后指标预测软组织肉瘤是否发生转移。同时用影像组学特征构建预测模型,纹理作为一种肿瘤内部异质性的生物标记物,可以帮助医师对病理进行更深入的分析。 肿瘤基因表型预测 Yoon等将CT和PET中提取的Radiomics特征与年龄、肿瘤分期、最大SUV值结合起来建模, 可区分ALK、ROS1、RET融合基因阳性和阴性的肺腺癌。 Aerts等发现,,GLCM和CLRL中提取的CT纹理特征与基因表达模式强烈相关。 Radiomics特征能反映生物组学信息的可能,将为指导靶向和免疫治疗个体化以及疗效监测和治疗方案的调整带来更多机会。 影像组学基于数据进行分析,提取高维图像特征作为新的生物标记物来帮助临床决策。用影像组学特征预测突变型表皮生长因子受体(EGFR)的文献中提到,用5个影像组学特征集和病理分级、是否抽烟等临床特征相结合,可以将仅由临床特征预测突变得到的曲线下面积由0 .6 6 7提高到0 .7 0 9。 影像学检查无创, 可获得更好的患者依从性, 并减轻对患者的创伤。影像学检查获取的是肿瘤在人体内的信息, 可以实现对肿瘤生物学特性的在体监测。而活检等方法是对离体标本进行检测, 其结果可能与在体肿瘤有差异。Radiomics是对肿瘤整体的特征进行分析, 反映整个肿瘤的生物学特性, 不受标本大小、位置、质量的限制, 且能反映肿瘤内部的异质性。Radiomics可以采用类似系统生物学反映肿瘤整体生物学特性。在整个治疗过程中, 可对患者多次进行影像学检查,追踪影像特征的变化,动态监测疗效,,早期发现复发和转移迹象。四、影像组学的优势 Radiomics分析使用定量的影像特征, 从医学影像中挖掘更多的信息并将其量化, 为制定和调整治疗方案提供更准确的参考。Radiomics的分析可通过计算机完成,,不增加费用。医学影像图像作为数字信息,可通过互联网进行远距离的、大数据量的传播与共享,从而有能力进行多中心、大数据的研究,提高结论的可靠性和可重复性。 目前, Radiomics研究多数停留在用组学信息描述肿瘤生物学特性方面, 绝大多数是基于回顾性资料所做的工作。临床应用研究。前瞻性研究,预测模型的建立。
展开阅读全文