高级别胶质瘤(high grade gliomas，HGG)是成人常见的恶性脑肿瘤，约占中枢神经系统原发性恶性肿瘤的70%^[1]。近年来，颅内转移瘤已成为癌症常见的神经并发症，其中25%～30%为单发脑转移瘤(solitary brain metastases，SBM)。然而两类肿瘤的起源不同，治疗方法及预后均有显著差异，术前准确的鉴别诊断非常重要^[2]。MRI是诊断脑肿瘤的主要成像手段，当患者以SBM为首发症状时，MRI很难将其与HGG区分^[3]。此外，影像医师通过影像图像来鉴别诊断脑肿瘤存在主观性，且不同的医师在诊断过程中也存在一定差异性。近年来，随着定量成像分析技术的进步，影像组学(radiomics)成为一种有效的工具，它能够提取肉眼无法检测的高通量定量成像特征，并将影像图像上的灰度信息转换为可视化数据，因此采用影像组学与MRI相结合的方法可以提高鉴别HGG和SBM的准确率^[4]。本文回顾分析影像组学分别与常规MRI及功能磁共振成像(functional MRI，fMRI)相结合用于鉴别HGG及SBM的研究进展，讨论影像组学在精确诊断和癌症治疗中的价值与诊断。

1 影像组学的介绍及操作流程

       影像组学是一个颇具前途的医学研究领域，最早是由Lambin等^[5]正式提出的，它是指从计算机断层扫描(computed tomography，CT)、MRI及正电子发射断层扫描(positron emission tomography，PET)等多模式医学图像中提取大量的高维定量特征，这些特征通常无法用人眼检测^[6]，因此影像组学使影像诊断从依赖医学图像中的基本视觉特征转向隐藏在像素数据中新的非视觉特征^[7]。影像组学与传统的CT、MRI不同，在病变区域或是正常人体中均有较高的使用价值。其特征分析主要分以下几步：影像学资料的收集、ROI的分割、影像特征提取以及特征分析与创建预测模型^[8]。影像组学通常是从数据收集开始，为获得更理想的分析结果，选择时应避免过于异质性的影像学资料。Larue等^[9]发现不同的图像采集参数会对提取特征的重复造成影响。ROI的分割是影像组学的基本步骤。分割的方法包括手动分割、半自动分割和自动分割^[10]。然而，肿瘤分割没有金标准，无论采用何种方法都有一定局限。Parmar等^[11]研究发现半自动分割获取的影像特征比人工分割具有更高的重复性和更强的稳健性，体现了半自动分割在一致性和可重复性方面的潜力。但目前尚无研究指出哪种分割方法最有优势，且自动分割的应用前景仍需要大量研究去证实。提取高通量特征是Radiomics的核心步骤^[12]，通常提取的特征分为4种类型。①基于形状的特征，例如：体积、表面积、致密性等^[13]；②一阶统计量，通常基于直方图，包括平均值、熵、偏度和峰度等；③二阶特征，称为基于纹理的度量，包括灰度共生矩阵(gray level co-occurrence matrix，GLCM)、灰度级长矩阵(gray-level run-length matrix，GLRLM)等^[14]；④高阶特征，其通常指在图像上施加滤波器，以推断重复或非重复模式。常用的滤波器有高斯拉普拉斯、小波变换和分维等^{[15, 16]}。其他计算成像特征，如局部二值模式(local binary pattern，LBP)和尺度不变特征变换(scale invariant feature transform，SIFT)也可用于影像特征分析^{[17, 18]}。影像组学研究中常用的特征选择方法可分为三大类：过滤法、包装法和嵌入法。应用较多的特征选择方法是最小绝对收缩和选择算子，它是一种嵌入方法，可以同时产生选定的特征和预测模型^[19]。影像组学的最终目标是建立一个具有特定特征的临床结果预测模型。建模方法通常有有监督、半监督和无监督学习。监督学习包括支持向量机、套索Logistic回归和随机森林等^[20]。无监督学习常见的分类器包括K均值算法、高斯混合聚类、共识聚类等^[7]。半监督学习则包括无监督特征学习阶段和监督模型训练阶段^[21]。

2 基于MRI的影像组学在鉴别HGG与SBM的研究进展

2.1 基于常规MRI的影像组学在鉴别HGG与SBM的研究进展

       常规MRI成像目前是诊断脑部肿瘤的常用方法。HGG与SBM在MRI上表现极为相似，都表现为瘤周水肿、中心坏死和边缘不规则强化，这导致超过40%的病例由于难以鉴别发生误诊^[22]。为了降低误诊率大量研究学者在常规MRI的基础上加入影像组学的方法来鉴别这两种肿瘤。影像组学中常用的一阶特征主要是直方图，用于描述与 ROI内的体素强度分布有关的特征，但不包含各体素之间相互的空间作用。张胜等^[23]研究发现HGG与SBM实质强化部分的增强T1 加权成像(T1 weighted imaging，T1WI)直方图参数峰度值为鉴别这两种病变提供可靠依据。张国琴等^[24]证明了肿瘤瘤体T2加权成像(T2 weighted imaging，T2WI)直方图的中位数、标准偏差和平均数都可用于SBM和HGG的鉴别，其中平均数具有最佳的诊断效能。也有部分学者将研究重点放在纹理分析的应用上，纹理特征主要是描述体素空间分布强度等级的特征。王敏红等^[4,25]首先对HGG与SBM瘤体区进行纹理分析，发现增强T1WI自相关、均值为鉴别二者提供了可量化的依据，随后又对两种肿瘤的瘤周区域进行纹理分析，结果表明液体衰减反转恢复(fluid attenuated inversion recovery，FLAIR)序列偏度值及峰度度值对鉴别二者具有重要意义。这与彭勇等^[26]的研究结果一致，显示出高通量纹理分析对SBM和HGG的鉴别诊断具有较高准确性。高阶特征通常指在图像上施加滤波器，以推断重复或非重复模式。现阶段的研究发现，部分高阶特征也被用于SBM与HGG的鉴别中。Csutak等^[2]在T2WI上对瘤周区域进行纹理分析，发现第一百分位数和小波能量纹理参数可作为鉴别HGG和SBM的独立预测因子，其敏感度为75%～87.5%，特异度为53.85%～88.46%。与Katarina等^[27]的研究结论相符。上述学者的研究结果说明基于MRI的影像组学对于鉴别HGG与SBM具有指导意义。

2.2 基于功能MRI的影像组学在鉴别HGG与SBM的研究进展

       fMRI是近年来发展起来的一种探测脑内功能活动的新技术，它将功能、影像和解剖三方面的因素融为一体，可以准确高效地定位活体人脑中各个功能区。由于它的无创伤性、较高的时间和空间分辨率、可重复性^[28]，许多研究学者将其与影像组学相结合，用于鉴别HGG与SBM。扩散张量成像(diffusion tensor imaging，DTI)因其能准确检测每个体素水分子扩散的各向异性和清晰地反映白质纤维束走行，在鉴别HGG与SBM的研究中也取得了一定的进展。Karoline等^[29]在DTI图像上应用过滤直方图技术来描述肿瘤和瘤周的异质性，证实了DTI可应用于HGG与SBM的鉴别，且在提取的特征参数中熵的诊断效能最高。此外，Suh等^[30]对1143例患者采用层次Logistic回归模型建立验证扩散加权成像(diffusion weighted imaging，DWI)和DTI可以区分HGG与SBM。扩散峰度成像(diffusion kurtosis imaging，DKI)是基于DTI技术上的延伸，描绘组织内水分子扩散偏离正态分布的量，在鉴别HGG和SBM方面也优于DTI。Tan等^[31]对比研究DKI和DTI鉴别HGG与SBM的价值，证实了DKI定向分析用于鉴别二者的敏感性和定向特异性均高于DTI。此外，磁共振灌注成像(perfusion weighted imaging，PWI)、ADC也被证实对HGG与SBM的鉴别具有指导作用。Nathalie等^[32]对患者进行灌注加权成像检查，通过评估肿瘤区的相对脑血容量(relative cerebral blood volume，rCBV)、瘤周区的相对脑血容量及瘤周区域的纹理特征，他们发现纹理特征中的对比度、平均值以及相对脑血容量参数对两种肿瘤的鉴别价值更高。王翅鹏等^[33]测量瘤体和瘤周水肿区ADC直方图参数，利用ROC评价ADC直方图参数鉴别HGG与SBM的诊断效能，发现瘤体ADC-5th鉴别诊断HGG与SBM的效能最高。由此可见，影像组学的应用已不再局限于和常规MRI的结合，基于fMRI的影像组学在鉴别HGG与SBM的研究中也显示出其独特的优势。

3 影像组学应用的挑战与机遇

       综上所述，可以发现基于不论是基于常规MRI还是fMRI的影像组学在鉴别HGG与SBM方面都取得了一定的进展，但也存在一些不足。目前大多数研究都是基于一阶与二阶特征，高阶特征主要应用了小波特征，关于深度学习方法用于二者鉴别的价值仍需要进一步探索。而且部分研究直方图参数选择较为单一，图像特征的选择算法也需要进一步优化。部分研究所用的软件仅分析病变最大层面的二维特征，未能分析肿瘤整体的三维属性，需今后进一步完善。大多文献中ROI的选取主要是瘤体及瘤周水肿，其他征象如邻近皮质信号改变的鉴别价值也值得深入探讨^[35]。目前，有很多磁共振功能成像已经应用于HGG及SBM的鉴别，例如动脉自旋标记灌注(arterial spin labeling，ASL)、磁敏感性加权成像(susceptibility weighted imaging，SWI)、比较轴突定向扩散和密度成像、平均表观传播因子磁共振成像等^{[35, 36]}，也有学者将多种功能成像技术结合起来发现其对两种肿瘤的鉴别价值高于单一技术的应用。但是将这些fMRI与影像组学结合在一起，应用于HGG与SBM鉴别的研究尚不足，这仍需要科研工作者进一步研究。影像组学虽然在临床疾病的诊断、疗效监测及预后评估中都取得了一些成果，但若想在常规临床环境中使用仍具有一定的挑战性。目前，大多数应用仍处于研究阶段，不同机构的研究过程存在极大差异，例如图像的质量及数据的来源等，都使得实验结果的可比性和可重复性具有一定未知性^[37]。因此如何在评价标准和报告指南中实施标准化管理，以便影像组学更加广泛的发展应用，还需进一步研究。其次，实施和验证机器学习需要大量的患者数据库为背景。现阶段的影像组学研究大多是小样本量的研究，而样本量不足所产生的小数据集会降低模型预测准确率并增加过度拟合的风险。这就使得多学科、多中心相互协作构成一个巨大资料库显得至关重要^[8]。最后，现阶段的影像组学研究大多是回顾性研究而非前瞻性研究，而且大多数影像组学研究并没有在独立队列研究中得到充分验证，从而患者人群的普适性不高^[38]。总而言之，影像组学是颇有前景的新兴领域，虽然目前影像组学存在一定局限性，但在未来有望成为医学肿瘤学中一种重要的预测和诊断工具。