0 引言

       结直肠癌（colorectal cancer, CRC）在全球报告的新发癌症病例中排名第三，是癌症相关死亡的第二大原因^[1]。有研究预计，到2040年全国CRC新发病例和死亡病例将增至320万和160万例^[2]。CRC具有高发病率和死亡率的特点，国内患者就诊时多数处于晚期，疗效较差，早期精准诊断对CRC治疗方案的选择及改善预后至关重要。目前，病理活检是获得CRC病理相关诊断的金标准，传统影像则是CRC分期诊断的主要方法。但病理活检有创、昂贵且会受到肿瘤时空异质性的限制^{[3, 4]}，诊断结果只能局限反映某个时期的局部病灶。尽管随着CT、MRI、超声、正电子发射计算机体层成像（positron emission tomography/computed tomography, PET/CT）等传统影像技术的发展，CRC的诊断技术取得了很大进步，但仍然面临着许多挑战，如传统影像技术只从视觉层面解读病灶，对于不典型及微小病变存在漏诊、误诊^{[5, 6]}，传统影像学难以识别分子层面的病理信息等。

       影像组学由LAMBIN在2012年首次提出^[7]，是一种从影像图像高通量提取定量影像学特征的方法，它挖掘医学图像中存在的超出视觉范围的可用信息来反映病灶的定量疾病特征，通过对影像特征的深入分析量化微环境，可无创、动态、多病灶对CRC进行早期诊断、疗效及预后预测^{[8, 9, 10]}。目前，影像组学已从原来的单模态发展成为融合影像、基因、临床、生物信息等多模态多组学的诊断工具^{[11, 12, 13]}，但尚面临缺乏标准化管理^[14]，缺乏外部验证的大样本前瞻性研究等挑战。目前尚缺乏相关文献对CRC影像组学有关诊断的研究进行系统、全面的总结与整理。本文从影像组学的工作方法、影像组学在CRC病理诊断和分期的应用，以及影像组学存在的局限性进行综述，以提高读者对影像组学在CRC诊断应用方面的认识，以期为后续CRC影像组学诊断相关研究工作拓展思路。

1 影像组学的工作方法

1.1 高质量标准化影像采集和预处理

       通过前瞻性、回顾性研究获得医学影像数据是影像组学研究的基础。图像的质量变化是影响影像组学分析再现性的主要因素^[15]。为提高图像质量、增强图像中的特征的稳定性，协调不同扫描仪的图像，需对影像进行去噪、归一化、图像配准、图像去噪、信号强度标准化等^[16]预处理。

1.2 感兴趣区域分割

       感兴趣区域（regions of interest, ROI）分割是将临床影像图像中用于特征提取的图像分割出来，ROI一般为病灶（如肿瘤、淋巴结）、具有特定功能的组织（如脑区）及其他解剖结构等。ROI分割的方式有：手动，半自动和自动。

1.3 影像组学特征的提取和处理

       影像组学特征的提取是影像组学分析的关键步骤，影像组学特征可以大致分为四类：大小和形状特征、一阶统计特征、二阶统计特征和基于变化的特征等。影像组学特征处理目的是去除冗余和无关性特征，得到具有统计学意义的影像组学特征。特征的处理可分为特征选择和降维。特征选择可通过滤式方法、包裹式方法和嵌入式方法进行^[17]。而特征降维可以分为有监督的降维[线性判别分析、最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）等]和无监督的降维（最小冗余最大相关、主成分分析和聚类分析等）。

1.4 模型的构建与分析

       将特征处理后得到的最佳特征进行随机森林、决策树、支持向量机、logistic回归、K近邻算法等机器学习的方法融合或不融合临床病理特征建立预测和分类模型^[16]。模型的分析包括模型的性能评估、校准曲线和决策曲线分析等。除了分析模型外，还需要对分析工作的可再现性进行评估。其中，影像组学质量评分^[14]是重要评估指标之一。深度学习影像组学与上述传统影像组学方法不同的是深度学习在构建基于图像的决策模型过程中直接使用复杂的深度神经网络（卷积神经网络、残差神经网络等）进行自动学习，提高模型预测效率^[15]。另外，深度学习神经网络的多层结构能自动学习到更为丰富层次的影像学特征。但与此同时，深度学习方法通常需要更多的数据来克服过拟合问题，以及更多的研究工作来提取得到模型^{[14, 15]}。

2 影像组学在结直肠癌诊断的应用

2.1 病理诊断预测

2.1.1 良恶性判断

       精准地进行良恶性判断在CRC筛查中至关重要。目前，CRC的筛查手段主要有大便潜血、肿瘤标志物、结直肠镜、粪便及循环肿瘤脱氧核糖核酸（deoxyribonucleic acid, DNA）等基因筛查，但大便潜血、肿瘤标志物的特异性欠佳，粪便及循环肿瘤DNA筛查价格昂贵，结直肠镜检查对于鉴别CRC典型病变相对容易明确，但在部分微小、不典型有恶变倾向的CRC黏膜病变中，容易受肠道准备不佳等因素的影响而造成漏诊和误诊，且为有创、存在一定并发症。CT结肠造影无法明确良性和癌前息肉^[18]，寻找敏感、无创的早期筛查诊断工具对改善CRC的预后至关重要。GROSU等^[18]通过提取63例患者107个结直肠息肉的CT结肠造影图像特征，根据组织病理学分为良性（增生性息肉）和癌前病变（腺瘤），通过随机森林分析得出AUC为0.91[95%置信区间（confidence internal, CI）：0.85~0.96]，敏感度为82%（95% CI：74%~91%），特异度为85%（95% CI：72%~95%），说明能够通过基于CT结肠造影的机器学习图像分析无创区分良性和癌前性结直肠息肉。在另一项研究中，TAN等^[19]也基于CT造影图像进行研究，研究纳入31个良性息肉和32个恶性息肉的图像特征，采用卷积神经网络学习方法对提取到的灰度共生矩阵（gray level co-occurrence matrix, GLCM）特征进行建模，AUC为0.93，在基于GLCM的Haralick纹理特征上使用随机森林算法AUC达到0.86。以上研究说明，影像组学及深度学习能提高结直肠CT造影的良性息肉与癌前病变鉴别的能力，具有良好的诊断性能。但目前在CRC良恶性鉴别方面的影像组学研究局限于对影像特征进行分析，缺乏与临床参数、其他筛查手段相结合，未来可以联合患者年龄、大便潜血、肿瘤标志物、粪便代谢、基因筛查等进行综合分析，以提高模型对结直肠早期筛查能力。

2.1.2 病理组织学分型、分级预测

       CRC最常见的组织学分型为腺癌，其他特殊病理组织学分型如鳞状细胞癌、肉瘤和淋巴瘤、黑色素瘤、类癌等也可发生于结直肠中^[20]。特殊病理组织学类型的恶性肿瘤，例如淋巴瘤和黑色素瘤，与传统的结直肠腺癌治疗存在显著差异。在制订治疗方案前，准确识别病理组织类型，对于医生来说至关重要。这不仅有助于医生为患者设计更为精确和个性化的治疗计划，还可能减少不必要的手术干预。结肠镜检测是术前获取病理组织学分型、分级的常用方法。然而，存在部分患者无法完成肠道准备或接受结肠镜检查，此外，当活检所得的组织标本量不足或表浅时，可能难以进行明确的病理诊断和组织学分型。方行^[21]通过回顾性分析49例结直肠腺癌与63例非黏液腺癌患者CT影像学资料，得出增强影像组学模型、融合模型（两者AUC均为0.923）诊断效能最佳，优于影像特征（P=0.048）及平扫影像组学模型（P=0.047），敏感度和特异度分别为86.7%、100.0%。

       组织学分级是术前新辅助化疗患者肿瘤特异性生存期（cancer-specific survival, CSS）和总生存期（overall survival, OS）的独立影响因素^[22]。ZHENG等^[23]基于T2WI图像以LASSO筛选影像组学特征，采用8种不同的机器算法构建模型，开发了识别低级别（高/中分化）和高级别（低分化）肿瘤的影像组学模型，得出多层感知器算法诊断性能最佳，在训练集中，影像组学临床模型的AUC为0.862（95% CI：0.796~0.927），显著优于临床模型（P=0.005）和影像组学模型（P=0.016）。

       综上，影像组学在CRC组织学分型和分级预测尚具有很大的潜力。但目前相关研究较少，且研究偏重于黏液细胞癌与非黏液细胞癌、低级别与高级别的鉴别，尚缺乏对少见特殊病理组织学分型及高分化与中分化的诊断模型开发，未来可进行相关的探索研究。

2.1.3 周围神经侵犯、淋巴血管浸润预测

       周围神经侵犯（perineural invasion, PNI）是肿瘤细胞侵袭神经并沿神经转移的现象，可独立于淋巴或血管侵犯存在，PNI与直肠癌术后局部复发率增高及无病生存率、总生存率降低有关^[24]。CHEN等^[25]基于三个中心的299例CRC患者CT图像和T/N分期构建了术前预测PNI的影像组学列线图，在训练集、内部验证集、外部验证集1和外部验证集2中AUC分别为0.88、0.80、0.75、0.76；在MRI方面，LIU等^[26]基于T2WI和对比增强（contrast enhanced, CE）-T1WI图像上得出临床影像组学模型具有最佳的预测性能，在训练集和内外部验证集中，AUC分别为0.889（95% CI：0.824~0.954）、0.889（95% CI：0.803~0.976）和0.894（95% CI：0.814~0.974）,显著优于单一影像组学模型（P<0.05）。

       淋巴血管浸润（lymphovascular invasion, LVI）可能是血液、淋巴结转移的早期阶段，有研究显示LVI与预后相关^[27]。常规影像学对LVI的诊断敏感度较低，新兴的影像组学为术前预测LVI提供新的策略。TONG等^[28]回顾性收集146例直肠腺癌T2WI、扩散加权成像（diffusion weighted imaging, DWI）图像，得到T2WI和DWI组合模型预测LVI性能最佳，训练集、验证集中AUC分别为0.97、0.95。一项双中心的研究^[29]从357例CRC患者门静脉期CT图像中提取二维（2D）和三维（3D）影像组学特征用于LVI术前预测，结果显示3D影像组学模型的AUC、准确度、敏感度和特异度均高于2D影像组学模型。在内部验证集和外部验证集中整合最佳3D影像组学评分和临床危险因素（CT报告的T分期和淋巴结状态）列线图的AUC分别为0.82（95% CI：0.73~0.91）和0.80（95% CI：0.68~0.91）。

       综上研究发现，影像组学可以作为预测CRC患者PNI、LVI状态的有效手段，目前基于结直肠癌PNI、LVI的研究在内外部验证均取得良好的诊断效能，说明了模型的可重复性。但目前多使用LASSO降维和logistic回归算法进行模型的构建，未来可采用多种机器算法构建PNI、LVI状态模型，寻找最佳机器算法提高模型预测的敏感性。

2.1.4 肿瘤出芽和沉积预测

       术前肿瘤出芽的预测可以评估淋巴结转移风险及患者预后，指导淋巴结清扫手术及辅助方案的选择。QU等^[30]通过266例直肠癌术前T2WI图像得到11个影像组学特征，采用8种机器算法构建预测模型，结果发现支持向量机算法的诊断性能最好，说明T2WI的影像组学模型可对直肠癌患者术前肿瘤出芽分级评估进行有效预测。另外，LI等^[31]利用LASSO算法分别从T2WI、CE-T1WI、DWI和多序列组合中筛选出最优特征，再利用支持向量机算法构建各种影像组学模型，得出多序列组合的影像组学模型性能最佳，AUC为0.796，验证集中的准确率为81.2%。

       肿瘤沉积（tumor deposit, TD）是结直肠周围脂肪中的不规则、离散的肿瘤沉积物。目前TD在TNM分期系统中被定义N1c，但该分期仍存在争议^[32]。目前很难通过常规影像术前区分TD和淋巴结转移。在一项双中心研究中^[33]，研究者从T2WI中提取瘤内和瘤周影像组学特征，使用LASSO筛选最有价值的特征，得出肿瘤内和瘤周影像组学结合模型可以有效预测TD，在训练集、测试集和外部验证集中，AUC分别为0.976、0.918和0.874，将结合模型与MRI报告的淋巴结转移相结合，可以预测直肠癌的复发风险。另外基于CT的双中心影像组学研究得到的包含原发肿瘤影像组学特征和临床独立预测因子（CT报告淋巴结状态、癌胚抗原和糖类抗原199）的影像组学列线图可有效预测结肠癌术前TD状态，在训练集、内部集和外部验证集AUC分别为0.88、0.80和0.81^[34]。

       肿瘤出芽的影像组学预测实现了从单一算法到多种算法比较、T2WI单一模态到T2WI、CE-T1WI、DWI多模态联合的转变。联合应用多模态多算法有利于优势融合，得出诊断肿瘤出芽性能更佳的模型。目前对CRC患者TD的预测多使用原发肿瘤部位影像学特征进行建模，尚缺乏对TD部位影像学特征的研究，未来以TD部位进行影像组学的建模，更有利于从影像上对TD及淋巴结进行区别。

2.1.5 错配修复/微卫星不稳定状态的预测

       错配修复缺陷（mismatch repair-deficient, dMMR）和高度微卫星不稳定（high microsatellite instability, MSI-H）是两个关键的生物标志物，它们在Ⅱ期CRC患者的预后评估和免疫治疗反应预测中扮演着重要角色。微卫星不稳定（microsatellite instability, MSI）/dMMR状态发生在5%~20%的非转移性CRC和5%的转移性CRC患者中^[35]。MSI表型涉及通常修复DNA碱基对错配蛋白质的主要功能丧失，包括MLH1，MSH2，MSH6和PMS2四个分子。MSI表型评估常用多重荧光聚合酶链式反应毛细管电泳方法检测5个微卫星位点（BAT-25、BAT-26、D5S346、D2S123和D17S250）。dMMR和MSI状态均需要通过有创性的操作来获取组织标本进行检测，检测费用昂贵。而目前已有大量文献研究显示，影像组学可无创性地应用于CRC的dMMR和MSI状态的预测，并具有较高的预测价值。表1列举了近5年影像组学在结直肠癌微卫星不稳定状态预测中的多项研究数据。

       综上，研究提示影像组学可作为预测结直肠微卫星不稳定状态的有效工具，但目前对于结直肠癌MSI状态的预测多以原发肿瘤病灶为ROI进行勾画，缺乏以转移灶进行勾画分析，这可能与研究显示肿瘤原发病灶及转移病灶在MSI高度一致^[44]、缺少临床数据对转移灶进行MSI检测有关。另外，有研究显示即使提示为MSI-H状态，仍有部分患者不能从免疫治疗中获益或者获益甚微^[45]，单一的生物靶标作为免疫疗效的判定及预测在真实世界CRC的治疗中存在局限，而目前研究大多止步于进行MSI状态的模型构建，缺乏使用模型联合或不联合多种生物靶标来共同对免疫疗效进行进一步预测。未来或可联合PD-L1、肿瘤突变负荷等生物标记物以及基因状态（如braf、HRD、BRAC）构建多组学模型，进一步探索模型对结直肠癌免疫疗效的预测性能。

点击查看表格

表1  影像组学在结直肠癌微卫星不稳定状态预测中的应用
Tab. 1  Application of radiomics in predicting microsatellite instability in colorectal cancer

2.1.6 KRAS、NRAS、BRAF基因状态的预测

       西妥昔单抗和帕尼单抗是作用于表皮生长因子受体（epidermal growth factor receptor, EGFR）的单克隆抗体，是转移性CRC的有效靶向药物。在抗肿瘤治疗过程中，随着用药时间的延长，部分患者会逐渐出现RAS基因的突变，导致耐药性；EGFR信号通路下游的基因突变，如KRAS、BRAF是抗EGFR靶向药物产生耐药性的主要原因^[46]。一项Meta分析^[47]显示CRC原发肿瘤和转移瘤之间KRAS的一致性为92.0%，意味着原发灶和转移灶可能存在有5%~10%的不一致性，且RAS状态还会随着治疗的进行发生克隆转变。因此由于基因状态存在时空异质性，为了更好地指导抗EGFR以及抗EGFR再挑战治疗，需要动态获取原发灶及原发灶和转移灶RAS基因状态的信息。目前，影像组学能够非侵入、可重复性、多病灶应用于结直肠癌RAS和BRAF的预测，通过动态、多病灶对基因状态变化的检测，可减少不必要的药物毒副反应和耐药性药物的过度使用。表2列举了影像组学在结直肠癌KRAS、NRAS、BRAF预测中的多项研究和应用。

       以上研究表明，影像组学可以有效地对CRC基因状态进行预测，指导靶向治疗药物的选择。但与MSI状态预测相似，目前KRAS、NRAS、BRAF基因状态的影像组学研究也多基于肿瘤原发病灶，有关转移肿瘤病灶或者将转移肿瘤病灶与原发转移病灶同时构建影像组学模型的相关研究缺乏，寻找原发灶及转移灶共同影像学特征建立最优预测RAS基因状态影像特征模型，将有助于提高模型的临床适用性。另外，用于预测KRAS、NRAS、BRAF基因状态的影像学研究多基于CT、MRI技术进行研究，尚缺乏超声及缺少PET/CT等影像模态的研究，未来可基于超声、PET/CT等影像模态进行建模。另外，也可结合ctDNA的检测来更好地构建多组学模型，对RAS状态进行更精准的预测评估。

点击查看表格

表2  影像组学在结直肠癌KRAS、NRAS、BRAF基因预测中的应用
Tab. 2  Application of radiomics in predicting KRAS, NRAS, and BRAF genes in colorectal cancer

2.2 分期预测

2.2.1 T分期预测

       术前准确评估直肠癌T分期是临床诊疗中的关键步骤，当血管侵袭肌肉层、病灶周围有渗出性改变时，常导致常规影像对T分期的准确率降低。近年来，影像组学作为新的方法被运用术前T分期预测。LU等^[56]基于454例患者T2WI图像勾画最小（肿瘤）和最大（肿瘤和肿瘤周围的模糊区域）ROI建立了2个影像组学模型，以区分T1/T2和T3/T4分期，在验证集中，最小和最大勾画模型的AUC分别为0.808和0.903（P=0.035），发现最大勾画法在临床上更有价值，最小勾画法所获取特征具有更好的稳定性。该研究证实了影像组学在术前预测直肠癌患者T分期的诊断价值。但目前结直肠癌T分期的影像组学研究多用于T1/T2与T3/T4或T2与T3的二分类鉴别，缺少对T1与T2及T3与T4更进一步精细分层的鉴别研究，未来可进一步建立后两种影像组学诊断模型，来更好精准地指导CRC个体化的诊疗。

2.2.2 N分期预测

       术前精准评估CRC的淋巴结转移，不仅能让外科医生更好地判断术中淋巴结清扫范围，也能为临床医生提供更多信息，有助于判断患者预后及选择最优个体化治疗策略。目前，影像科医生对转移性淋巴结的诊断主要基于形态学指标，如淋巴结大小、形状以及信号强度。建立客观、定量的指标来辅助淋巴结转移评估至关重要。CHENG等^[57]从CT平扫、动脉和门静脉期增强CT图像的原发肿瘤部位提取9个影像组学特征，构建多相CT联合影像组学特征模型，结果显示结合肿瘤长度构建出的影像组学列线图能更精准地预测淋巴结转移，训练集和验证集AUC分别为0.830和0.712。在MRI方面，一项基于直肠MRI图像上所有可见淋巴结及原发病灶中选择7个影像组学特征进行模型构建的研究表明，在淋巴结的预测方面，淋巴结特征建立的影像组学模型优于原发灶特征建立的影像组学模型，AUC分别为0.818（95% CI：0.745~0.878）和0.685（95% CI：0.602~0.760），Z=2.09，P=0.037^[58]。以上研究提示CT、MRI影像组学特征能够客观地提供与淋巴结转移有关的成像信息，能在术前无创评估肿瘤淋巴结转移范围、实现个体化治疗。目前淋巴结转移预测多基于原发肿瘤病灶进行预测，这可能与术后淋巴结病理与术前淋巴结影像难以一一对应相关，尚需大样本数据进行基于淋巴结特征影像组学模型的构建。

2.2.3 M分期预测

       肝脏是CRC最常见的转移部位，有研究表明，异时性肝转移发生前，肝内存在隐匿的血流动力学改变^[59]，这提示可通过影像早期预测肝转移。TAGHAVI等^[60]进行了多中心影像组学模型预测CRC异时性肝转移的相关研究，通过分析91例患者的门静脉期CT图像和临床特征发现，影像组学模型及其与临床特征结合模型可准确识别出具有异时性肝转移风险的患者（AUC为0.86），预测效能优于单独的临床模型（AUC为0.71）。另一项多中心研究则对165例患者的肝脏增强CT门静脉期图像进行纹理分析，通过单变量逻辑回归确定了潜在的预测参数，再用潜在的预测参数进行多变量分析以预测转移的发展，结果显示肝CT纹理可以预测早期（≤6个月）肝转移风险的患者，但对于预测中晚期（7~24个月）肝转移，未找到合适的参数预测^[61]。除了肝脏转移外，肺、骨等也是较为常见的转移部位。HU等^[62]构建的临床-影像组学列线图预测CRC肺转移，在训练集（AUC=0.929，95% CI：0.885~0.974）和验证集（AUC=0.922，95% CI：0.857~0.986）中表现出良好的效能，可用于CRC不确定肺结节患者肺转移的预测。JIN等^[63]基于深度学习法自动分割DWI的盆腔骨结构，随后通过随机森林模型建立的影像组学模型可以有效检测盆腔内的骨转移病灶，为自动评估CRC患者的盆腔骨转移提供新思路。

       综上，影像组学在识别CRC肝、肺、骨等远处转移风险及早期转移病灶方面具有良好诊断性，但目前影像组学在CRC远处转移的预测大部分是基于肝脏转移的研究，肺转移、骨转移、腹膜转移等其他部位转移的研究较少，且大多数肝转移研究基于CT门静脉期模态进行预测，MRI模态应用较少，也缺乏应用PET/CT技术进行预测。未来可进一步探索CT动脉期、平衡期与MRI多序列，以及PET/CT等成像技术的多模态影像组学研究。

3 影像组学在结直肠癌诊断的局限性

       目前影像组学仍处在发展阶段，尚面临诸多挑战：（1）影像组学算法结构的复杂性、多维性使得CRC诊断模型结果难以进行生物学解释^{[64, 65]}；（2）数据来源多样，对减少影像数据差异缺乏统一的标准化管理^[14]、影像组学的高通量成像分析的可重复性欠佳^{[66, 67]}；（3）目前影像组学在CRC诊断的研究多为单中心小样本回顾性研究，还需多中心大规模且高质量的前瞻性队列研究进一步验证；（4）目前应用于结直肠诊断预测的研究大多基于单一CT影像模态联合临床特征构建模型，缺少MRI、PET/CT、超声等影像模态及多模态联合基因、蛋白、代谢、微生物等多组学研究应用于诊断模型的构建；（5）ROI也多基于原发肿瘤病灶，缺乏对淋巴结及其他转移病灶的图像特征研究。因此，未来的研究可从目前研究局限性出发，通过分解复杂算法步骤、建立标准化数据采集及分析流程、进行多中心前瞻性大样本研究、增加对超声、PET/CT等影像资料的研究，联合生信、多组学、多病灶、基因状态及病理图像提高CRC诊断模型的性能。同时利用影像组学在CRC早期诊断中的潜力，结合粪便代谢、基因筛查、肠道微生物组等信息，探索新的早期诊断方法。相信通过整合这些策略，有望能开发出性能更优、更准确的CRC诊断模型，并为早期诊断提供新的视角和方法。

       总之，随着精准医学时代的到来，影像组学在医学实践过程中将发挥出其潜在优势，未来通过逐步规范化、标准化的数据采集和分析技术的进步，影像组学及深度学习技术在CRC的诊断方面将会有更大的应用前景及优势。