胰腺癌是胰腺较常见的恶性肿瘤之一，五年生存率仅为6%。2018年全球内有近45万胰腺癌新发病例，死亡超过43万例^[1]，预计2030年，胰腺癌将成为全球癌症死亡的第二大原因^[2]。影像学检查在胰腺癌的诊断、术前评估、疗效评估及预后预测等方面发挥了重要作用。但传统影像学检查主要显示病变的形态、大小及强化状态，反映肿瘤异质性的生物学信息明显不足，对胰腺癌的诊断准确性有待提高。新兴的影像组学可采用多种技术从数据图像中高通量挖掘定量特征，有望弥补传统影像学检查的不足，为胰腺癌的早期诊断、生物学行为预测、疗效评估及预后预测提供依据，是目前胰腺癌学术研究的热点^[3]。为此，本文综述影像组学在胰腺癌中的应用及研究进展。

1 影像组学的概述

       影像组学是2012年由荷兰学者Lambin首次提出^[4]，它将影像图像的黑白灰阶信息转变成定量影像组学特征，可获得病灶丰富的深层次特征，能提供影像与临床信息的关联性，为临床提供有价值的诊疗信息^[5]。影像组学的工作流程：(1)图像获取：影像数据采集，数据多源于超声、CT和MRI等^[5]，采集数据时应规范化扫描参数以获得高质量的图像；(2)图像分割：采用手动、半自动及全自动分割的方法对感兴趣区进行逐层勾画，以准确判定肿瘤边界。目前常采用手动分割方法，但随着计算机技术的不断进步及分割算法的完善，全自动分割方法将可能成为主流手段^[6]；(3)特征提取：为影像组学的核心流程，目前提取的影像组学特征主要包括形态特征、一阶特征、二阶(纹理)特征和小波特征等四大类。(4)特征筛选：对于含有大量特征的研究，通常需要筛选出最有价值的特征子集。常用的特征筛选方法有最大相关最小冗余法、聚类分析、主成分分析、随机森林、最小绝对收缩和选择算子、逻辑回归等；(5)模型构建及评估：通过有监督或无监督的方法构建影像组学模型。在将影像组学模型应用于临床之前，需对模型的稳定性及可重复性进行评估^[7]。

2 影像组学在胰腺癌领域的研究现状

2.1 影像组学在胰腺癌诊断及鉴别诊断中的研究

       大部分胰腺癌患者诊断时已处于中晚期，胰腺癌的五年生存率仅为8%，而在病变早期完全手术切除并辅以化疗的五年生存率可达32%^[8]。目前胰腺癌的诊断主要基于穿刺活检和影像学检查。然而胰腺肿瘤的异质性和影像征象的重叠性，其结果存在假阴性，效果不佳^[9]。有学者利用影像组学分析来区分胰腺癌患者和健康对照组，发现总体准确率为99.2%，敏感度为100%，特异度为98.5%，所有胰腺癌病例均被正确分类，只有1例肾供者误诊为胰腺癌,该结果体现了影像组学对胰腺癌检出的优势^[10]。

       大多数研究结果^{[11, 12, 13, 14]}表明影像组学对胰腺癌的鉴别较传统检查手段有较大优势和价值，主要体现在胰腺癌与胰腺神经内分泌瘤、自身免疫性胰腺炎、肿块型胰腺炎鉴别诊断中。胰腺神经内分泌瘤及胰腺癌是临床上常见的两种胰腺实性肿瘤，其影像学表现存在一定程度的重叠，而两者的治疗策略及预后等存在一定差异，因此在临床决策前准确区分两者具有重要的临床意义^[15]。例如，He等^[11]采用影像组学特征鉴别胰腺癌与胰腺神经内分泌瘤，发现基于影像组学特征与临床特征的联合模型的诊断性能优于临床特征模型，其AUC分别为0.884与0.775。此外，Wang等^[12]研究体素内不相干运动(intravoxel incoherent motion，IVIM)纹理分析对胰腺癌与胰腺神经内分泌瘤的鉴别效能，其结果表明纹理特征(角二阶矩、反差矩、相关性、对比度和熵)较IVIM参数有更高的诊断性能，AUC分别为0.849～0.899、0.526～0.776。在逻辑回归模型中，纹理特征组合(快速扩散中的纹理特征角二阶矩与慢速扩散的纹理特征相关性)的鉴别效能最高，其AUC、敏感度、特异度分别为0.934、0.889、0.854。Zhang等^[13]采用¹⁸F-FDG PET/CT的影像组学特征鉴别胰腺癌与自身免疫性胰腺炎，发现CT特征和3D特征分别优于PET特征和2D特征，多域特征优于单域特征，基于支持向量机-递归特征消除(support vector machine-recursive feature elimination，SVM-RFE)特征选择策略和线性支持向量机分类器的综合模型诊断准确性高于临床模型，AUC分别为0.93、0.82。Ren等^[14]首次采用平扫CT纹理分析来鉴别胰腺癌与肿块型胰腺炎，采用随机森林法建立预测模型，发现该模型敏感度为92.2%，特异度为94.2%，准确率为93.3%，阳性预测值为92.2%，阴性预测值为94.2%。最后用留组交叉验证法进行验证，其平均敏感度、特异度和准确率分别为82.6%、80.8%和82.1%，表明了预测模型的稳定及可靠。目前影像组学在胰腺癌与胰腺实性假乳头状瘤、沟槽性胰腺炎间的鉴别诊断研究鲜有报道，而准确区分这些良恶性病变具有重要的临床意义。

2.2 影像组学在胰腺癌生物学行为预测中的应用

       胰腺癌生物学行为复杂，决定了患者治疗方式选择(保守或手术治疗)及预后。其中胰腺癌的组织学分级是一个重要的独立预后因素，高级别胰腺癌比低级别胰腺癌有更高的死亡率及更短的生存期^[16]。Chang等^[17]基于增强CT的影像组学特征预测胰腺癌的组织学分级，发现高级别和低级别的胰腺癌的影像组学特征有显著差异(P＜0.05)，AUC达0.961。Qiu等^[18]通过计算纹理特征中的直方图特征、灰度共生矩阵和游程纹理，发现低级别和高级别的胰腺癌在9个直方图特征、7个游程特征和2个灰度共生矩阵特征上存在显著差异(P＜0.05)，其中簇状阴影是最重要的预测因子。Xing等^[19]基于¹⁸F-FDG PET/CT图像的影像组学特征，建立了预测胰腺癌病理分级的机器学习模型，结果基于联合12个影像组学特征的预测模型可以将患者分成低级别和中高级别两组，训练组和验证组的AUC值分别为0.994和0.921。

       此外，淋巴结转移也是影响胰腺癌患者预后的独立危险因素，术前准确判断胰腺癌患者的淋巴结状态具有重要意义。Cassinotto等^[20]对99例胰腺癌患者进行密度测量和纹理分析，发现肿瘤密度越低，淋巴结的侵袭性越强，肿瘤分级越高，无病生存期越短。Bian等^[21]研究225例胰腺癌患者动脉期的影像组学评分与淋巴结转移的关系，采用多因素Logistic回归模型发现影像组学评分有助于评估胰腺癌淋巴结转移风险，且影像组学评分越高，淋巴结转移的风险越高。Liu等^[22]纳入85例胰腺癌患者，从1124个影像组学特征中筛选出8个最相关的特征建立了Logistic回归模型，发现Logistic回归模型对术前淋巴结转移预测能力优于临床预测模型，AUC分别为0.841、0.682。与Bian等研究^[21]不同的是，该研究建立了一种预测模型，具有较好的预测性能。至于影像组学模型对淋巴结转移的预测性能的稳定性和可靠性需要更大的样本进一步验证。

       以上研究均体现了影像组学在预测淋巴结转移及病理分级中的价值，未来可探索更多的影像组学与胰腺癌生物学行为间的联系，如胰腺癌癌细胞的增殖、迁移运动的关系，从而提升机器学习模型对临床结果预测的精确性及可解释性，有助于影像组学在临床上的应用和发展。

2.3 影像组学在胰腺癌疗效评估中的应用

       目前临床医生主要根据影像学检查和肿瘤标志物水平评价胰腺癌的治疗反应。但肿瘤放化疗后的坏死、炎症、纤维化病变很难与残留肿瘤组织相鉴别，因此影像学检查判断存在争议。其次肿瘤标志物CA19-9敏感性欠佳，难以作为评估治疗反应的标准^[23]。故利用影像组学特征评估胰腺癌的疗效有重要的临床意义。Nasief等^[24]探究了新辅助放化疗患者的影像组学特征与生物标志物CA19-9的每日变化，发现与单独使用影像组学模型或CA19-9相比，综合模型预测胰腺癌患者治疗反应的效能更高。Chen等^[25]则基于影像组学特征的每日变化，发现反应良好的患者平均CT值和偏斜度有较大的降低，而标准差和峰度有较大的增加。Borhani等^[26]利用直方图分析和空间带通滤波提取纹理特征，发现纹理参数中的正像素平均值(mean positive pixels，MPP)、峰度值及标准差治疗前后的差异有统计学意义(P＜0.05)。其中MPP最能预测治疗的反应，反应良好的患者具有更高的MPP值。Zhang等^[27]建立了基于卷积神经网络的生存模型，与传统的影像组学模型相比较表现出更好的性能，且可用于小样本，同时避免了多重测试。其中单一的影像组学特征可能较难准确评估肿瘤的疗效，然而包含临床因素和影像组学特征的联合模型可能成为最佳的评估选择。

2.4 影像组学在胰腺癌预后预测中的应用

       目前，预后评估主要依赖于TNM分期系统。然而，即使在疾病分期相同的患者中，预后也有很大的不同^[28]，这反映了目前TNM分期提供的预后信息不足。有研究表明影像组学可预测软骨肉瘤、肝细胞癌和胆管癌等恶性肿瘤的早期复发，为临床医生提供有用的信息^[29]。Tang等^[30]开发一种基于MRI影像组学的诺模图(结合CA19-9水平和临床阶段)来预测胰腺癌早期复发风险，并识别复发风险增加的患者，将303例患者分为训练队、内部验证队、外部验证队，发现影像组学的诺模图评估早期复发风险的AUC值分别为0.87 (训练队列)、0.88 (内部验证队列)和0.85 (外部验证队列)。有学者采用影像组学特征预测不可切除胰腺癌及可切除胰腺癌的生存率，如Sandrasegaran等^[31]预测不能切除胰腺癌患者的纹理分析与总体生存率、无病生存率之间的关系，发现纹理参数(MPP、峰度、熵、偏斜度)与总体生存率和无病生存率相关，MPP＞31.625和峰度＞0.565的患者总体生存率下降。Eilaghi等^[32]采用纹理分析预测可切除胰腺癌患者的生存率，发现熵值、相关性和平均强度在胰腺癌与正常胰腺之间有显著差异，其中纹理特征中的非相似性和逆差归一化可预测生存率，而平均强度和熵不能预测生存率。与Sandrasegaran等^[31]结果的差异可能是研究的患者群体不同(可切除胰腺癌与不可切除胰腺癌)，其次在纹理分析方法上也存在差异。目前尚缺乏成熟的预测胰腺癌树突状细胞免疫应答的工具。Eresen等^[33]用树突状细胞疫苗治疗KPC小鼠，动态监测肿瘤的生长情况。使用基于核的支持向量机模型分析了152个T2加权磁共振图像的图像特征，以检测治疗第一周和第三周后的治疗效果。结果3种MRI的一个子集从第一周开始就具有显著的治疗效果，在整个治疗过程中准确率不断提高(75%～94%)。之后Eresen等^[34]采用同样的方法预测树突状细胞疫苗的治疗效果，发现由MRI图像中的T1加权数据计算的量化特征比由T2加权数据计算的量化特征具有更好的重复性。进一步反映MRI纹理特征可作为早期预测树突状细胞疫苗治疗胰腺癌小鼠模型疗效的影像生物标志物。影像组学在胰腺癌的预后预测中表现了巨大的潜力，在将这些影像组学生物标志物应用于临床之前，还需加大样本量验证影像组学特征的稳定性及可重复性。

3 不足及展望

       尽管影像组学在胰腺癌研究领域中取得了一定的进展，但仍存在如下不足：(1)目前研究多基于单中心、回顾性研究，样本量较少，且多局限于CT或MRI影像组学研究；(2)研究程序复杂，图像采集所涉及的设备、参数、层厚等不同会影响影像组学特征，泛化能力弱。(3)胰腺癌感兴趣区图像的精准分割是获取影像组学特征的前提，然而目前多采用手动分割，存在勾画者经验差异性，可重复性差，且时间及人力成本较高。(4)多数影像组学模型只进行了内部验证，而缺乏外部验证，阻碍了模型的临床应用。

       影像组学的优势在于其检查的无创性、诊断的整体性及对肿瘤异质性的评估，可潜在地应用于各种影像学检查方法中。目前在胰腺癌的诊断及鉴别诊断，生物学行为预测、疗效评估及预后预测等方面都表现了巨大的潜在价值。未来随着人工智能和医学影像技术的发展，以及多中心、前瞻性、大样本的多种成像技术及多模态、多时相、多维度的联合使用将推动影像组学在胰腺癌与罕见胰腺疾病如胰腺实性假乳头状瘤、沟槽性胰腺炎等的鉴别及在胰腺癌病理分型等方面的研究。笔者期待影像组学与病理组织、蛋白组学及基因组学等结合进行系统性的定量分析，从而为个体化、精准化医疗提供更多信息，进一步提高胰腺癌的诊治水平。