我们已经知道,影像组学是在一群影像上提取出肉眼看不见的“特征”,结合临床的资料与病理标准,分析他们,并且构建出一定的模型,应用于患者的影像上,从而协助临床医生,判断患者是否需要用药?肿瘤是良性还是恶性?肿瘤处在第几期?他们的3年生存概率为多少?他们接下来的最佳治疗方案是?
在上一篇我们谈到“影像组学的官方定义”,后台大部分的留言并不是在提问,而是在。。。催更!好吧,如今……她来了!
“影像组学可以应用在什么方面?”这是许多研究者经常与我交流的问题。这个问题非常大,相信大家理解后感觉绝大部分的影像类研究都能蹭上一点组学技术。
小编根据文献和自己的经验简单总结了影像组学的几个应用方面,从以下 十大维度 供大家参考!(所有参考文献下载链接见文末)
【第一维度】
大咖田捷教授在其PPT内展示,围绕基于结直肠癌诊疗全过程,说明人工智能中的影像组学是如何使得医学治疗更加精准的,这个案例从临床出发,提出3个问题:
(1)术前,新辅助治疗是否达到pCR?
(2)术中,是否需要进行淋巴结清扫?
(3)术后,是否需要进行辅助放化疗?
我们可以看出这么一个逻辑:
术前新辅助疗效评估
↓
术中淋巴结转移预测
↓
术后化疗必要性预测
参考文献:1.1、1.2、1.3
在术前阶段:
外科大夫一般会对患者做一个辅助化疗(PCR)来控制癌症发展,后续再对辅助化疗失败(或者说还尚存癌细胞)的进行开刀手术。这里可以利用影像组学将PCR缓解的患者挑出来,这部分病人即可免除开刀手术,只需要密切观察和随访即可。文章就发表CCR,现IF10.1分![1.1](参考下图)
在术中阶段:
经过化疗后,有大部分患者没有达到PCR缓解效果,因此需要进行开刀手术进行淋巴结清扫。在实际临床清扫过程结果显示,有70%的患者竟然是假阳性!因此针对患者病理、影像数据,可以利用影像组学方法,给出是否需要进行淋巴结清扫的答案,可以将假阳性率从70%降到30%!该文章发表JCO上[1.2],目前IF为32.956!!!合作单位是广东省人民医院刘再毅大咖!(参考下图)
在术后阶段:
一般术后均会进行放化疗以防手术后的复发或转移。但他们发现,实际上经过手术后的只有20%的结直肠癌患者会有远处转移情况,这意味着约有80%的患者花了钱且承受放化疗的痛苦,来预防不可能发生(或者说发生的概率极小)的远处转移。因此他们利用影像组学技术,把发生转移概率较大的患者挑选出来,再去做放化疗,其他患者只需要后续持续随访、观察即可。文章是上篇提到的影像组学提出者lambin发表的,同样是JCO![1.3](参考下图)
这个维度需要从长计议,首先是图像的标准化采集,各位学者以后当上主任后,在诊治疾病的同时,建议将病例标准化采集、保存,日后必定有大用处。
【第二维度】
根据疾病就诊、发现、治疗和预后等过程,结合临床的应用与作用,一般可以总结为以下4个方面:
第一方面为辅助鉴别诊断,可以理解为肿瘤(分子)分型,其核心为对(转移)肿瘤进行分类,以协助临床的判断、提高疾病诊断效率和提供治疗方式参考。如乙肝纤维化程度等同病理诊断[2.1];肺结节良恶性鉴别;非小细胞肺癌(NSCLC)分类[2.2];原发、转移瘤鉴别等;HIV损伤鉴别[2.3];眼眶淋巴瘤和炎性假瘤的无创定量鉴别[2.4];如肝纤维化鉴别以取代肝穿(理论上)。
第二方面为肿瘤分期(分级),其临床目的为提高患者生存期。主要核心算法为生存分析。如非功能性垂体瘤亚型的精准预测[2.5]、非小细胞肺癌病理分型的精准预测[2.2]、肥厚型心肌病[2.6]。
第三方面为预后评估/监测(post-treatment monitoring)/疗效预测,其临床目的为缓解患者医疗负担[2.7-2.9],如肺癌头颈癌预后分析、晚期肺癌预后预测[2.10]、对病患的鼻烟癌给出判断及生存期预测、晚期肺癌EGFR突变靶向治疗无进展生存期进行个性化的精准预测[2.11]、肿瘤坏死&复发[2.7/2.12]。
第四方面为治疗方案,其目的是缓解医院就诊压力,提高就诊、治疗效率,如晚期直肠癌放化疗后的反应研究[2.13],EGFR突变/风险分级[2.14]。
【第三维度】
部位相互参考。从疾病或者部位角度,我们可以快速阅览各类可应用的疾病:
脑肿瘤[2.12]、鼻咽癌(晚期鼻咽癌无进展生存期精准预测[3.1/3.2])、食管癌[3.3]、肺癌(预测肺癌远端转移[3.4])、乳腺癌(组学特征与乳腺癌复发风险联系[发表Nature、新英格兰、JCO等3.5-3.7]、影像组学评估乳腺癌患者新辅助化疗患者的反应[3.8])、结直肠癌[1.2]、胶质瘤、胃肠道癌(胃癌腹膜转移预测[3.9])、肾癌、膀胱癌、前列腺癌、头颈部肿瘤、妇科肿瘤、甲状腺等太多就不一一列举了。
【第四维度】
影像&基因。从生物技术角度看,影像组学是推断蛋白质基因组和表型信息,因此目前更倾向把他们结合一起分析即放射基因组学(Radigenomics)分析,如影像与基因回路关联分析(论文);将影像组学特征基因组联合进行miRNA关联分析[4.2竟然发表了6分+的Cancers!];将肿瘤的水肿/浸润部分或空间异质性与基因组信息相关联[4.3,IF=10];MGMT启动子的甲基化状态[4.4]、基因突变(影像组学实现结直肠癌KRAS/NRAS/BRAF基因突变精准预测[4.5/4.6/4.7])。
【第五维度】
方法学比较。从方法学上,分析的角度有监督学习(考虑金标准)、无监督学习(不考虑金标准)等模式,业界内基本为监督学习,其主要的模型为统计机器学习,多数为二分类、多分类和回归模型等,如果结合随访时间,随访重点事件,就可以构建生存分析回归模型;无监督模型主要是单纯分析组学特征与疾病的相关性,不存在病理的比较,主要方法有聚类分析、因子分析等;也可以和deep learning深度学习方法相结合,这个方向就多了,目前业界也都在探索中[5.1/7.1]。
【第六维度】
二维、三维影像的比较。主流的影像组学文章重在肿瘤鉴别,运用三维数据,那么是否可以从二维的角度去评估呢?能否运用二维数据的最大或者某几层去评价?再做个比较?赶快查查你的方向是否有人做吧,动起来![6.1/6.2]
【第七维度】
影像成像技术的影响分析。如田教授PPT内,超声中的弹性成像应用中,炎症会不会对诊断结果产生影响?(参考下图)[7.1]
【第八维度】
模态比较。可以将多模态一一对比、或者融合做比较,比如CT中的平扫、增强、能谱CT等,MRI中有T1WI、T2WI、FLAIR、SWI、PWI、SWAN、灌注DSC等不同序列图像;PET影像中根据药物不同也可以得出不同种类影像,如FDG、MET、PSMA等药物;对比剂增强;PET/CT融合图像;PET/MR融合图像等。
【第九维度】
研究对象。在常人眼里,一个病例就是一个样本,科里只有50个病例,一眼看,“做不了组学”,结束,就这样错过一个机会。其实不然,深入讨论,存在许多内幕,研究对象不一定按照传统思想(以病例为单位),打开统计学角度的思维,样本其实可以是一个病灶、一层CT/MR图、甚至是患者其中一个时间点的影像,还可以是什么?那就得根据实际病种的特殊性考虑了。但是!这些样本可以直接简单粗暴拿来建模分析么?(课后作业吧,好好思考哦)
【第十维度】
设备之间的比较。说实话,不同影像设备之间的差异性确实非常大,GPSU各大厂家设备虽说都能成像,肉眼看差不多,其内在重建算法、设备参数调整、分辨率、药剂药量、等待时间等多种因素导致最后成像差异比较大,但是是否可以从统计学角度思考,控制变量法,找到只有部分差异的设备,进行比较呢?如某厂家新款设备发布(一般这种都是基于上一款迭代而成的),或许新增某项功能,但是成像效率可能更高,那理论上是否可以代替上一代呢[10.1]?这也是一种思路供大家思考。
以上10个维度仅供大家思考,如果大家有新想法,欢迎留言区分享一起学习!
那到底有什么疾病可以应用影像组学?想了解这个问题,需要从影像组学的基本条件开始了解。
第一,必须要依托于某种影像,如平扫/增强CT、磁共振MRI、PET影像、超声、X-ray等;
第二,能够在该影像上勾画出某个区域。由于大部分影像是切片式断层显像(肿瘤当然也是镶嵌在某些层面上)。因此一般的操作是,在二维的图像上勾画,形成ROI(region of interest),其他层类似操作后,合并起来,可以以三维立体的形式展现某个肿瘤,进而形成VOI(volume of interest),如下图B至A;当然,单张图像如X射线也是可以操作的,只需在一张图上进行勾画即可。
第三,针对某种疾病,在您的数据库内存在大量病例集,可以重复第二个条件,再根据临床需求,实际病种、用统计学方法实现量化。
文章中提到的参考文献:
“挺烦的统计”留言区回复paper1
如果有觉得不错的文章可以分享解读,也请留言一起学习。
希望大家在“挺烦的统计”这里能够消除烦恼,打开新视界,更上一层楼!
PS:
全篇内容属笔者整理,如有不妥,敬请批评指正!
整理不易,如果觉得内容不错,欢迎点赞和转发,共同交流学习!
往期回顾:
【影像组学导论】第一部分:官方定义解读。这咋整?读懂这个频道就够了!