引用本文： 李芊, 周欣元, 汪曉東, 李立. 影像組學技術與結直腸癌臨床應用研究進展. 中國普外基礎與臨床雜志, 2019, 26(10): 1253-1258. doi: 10.7507/1007-9424.201903009 復制
2012 年 Lambin 等[1]首次提出“影像組學（radiomics）”的概念，由于影像組學技術中的紋理分析技術能夠提供肉眼無法辨識的海量客觀圖像信息，因此可定量評估病變特征，發覺微觀潛在的醫學影像信息，從而可以協助臨床醫師在腫瘤分期、術前治療效果評估、預后分析以及腫瘤復發評估[2-4]中實現精準醫療決策。
結直腸癌是我國最主要的疾病負擔之一。無論是在術前診斷、手術方案制定還是輔助治療方案的選擇上，都會依賴大量的影像學技術，包括超聲、CT、MRI、PET-CT 等。近年來，“影像組學”的概念已經逐步被引入到結直腸癌診治的各個環節，并為臨床決策提供了更為精確的依據。由于此類研究尚屬于起步階段，筆者從結直腸癌臨床醫生的角度，對于目前影像組學在該領域應用的研究進展作一綜述。
1 基于人工智能（AI）和醫療大數據的影像組學簡述
影像組學區別于傳統的影像學，它是一種多學科交叉的技術[5-8]。目前的影像組學技術研究，具體來講可分為以下 5 個研究階段：① 定義臨床問題。即明確預期目標事件，進而借助于相應的醫學影像手段探索其與臨床問題的相關性。② 規范化醫學影像數據的獲取。醫學影像均遵守醫學數字成像和通信（digital imaging and communication in medicine，DICOM）[9-11]標準實現圖像數據的存儲和交換，計算機則可以因此而直接讀取采用 16 進制存儲的病例圖像規范化參數（包括掃描層厚、序列、卷積核等）。③ 影像感興趣區域（region of interest，ROI）的分割。即在獲取了大量規范化的醫學影像數據后，借助于手動、半自動或全自動圖像分割軟件對腫瘤進行 ROI 分割。④ 特征提取與特征選擇。即提取強度特征、形態學特征、紋理特征和小波特征，然后選出與目標結果關聯最緊密的影像組學特征并刪除不穩定的特征；通過回顧性總結發現，目前最常使用的影像組學降維方法就是 LASSO 回歸。⑤ 建立模型。如 logistic 回歸模型、隨機森林、支持向量機（support vector machine，SVM）、人工神經網絡（artificial neural network，ANN）、Cox 比例風險模型（生存分析模型）等都可以應用于建立基于影像組學特征的預測和分類模型。
2 影像組學與結直腸癌術前分期
2.1 術前 TNM 總分期
結直腸癌術前的準確分期，是選擇是否一期手術治療及新輔助治療的方案等的重要依據。精確的術前分期可以初步評估原發病灶是否可以 R0 切除，是否存在淋巴結和遠處臟器的轉移等，從而提出個性化的醫療決策。同時，合適的術前決策可以降低患者局部復發和遠處轉移的概率，并提高 5 年生存率[12]。
CT 是一種在對人體利用 X 射線掃描后，將相應的光信號轉變為電信號，再經模擬/數字轉換器最終轉為數字信號的成像手段。2016 年，復旦大學的團隊在 Journal of Clinical Oncology 雜志上發表了 1 篇有關基于 CT 的影像組學技術在結直腸癌診療中的應用的文章[4]，該研究率先證實了影像組學技術在結直腸癌治療過程中的應用可行性，且其研究結果提示基于 CT 的影像組學技術在術前預測結直腸癌的分期中具有較高的可重復性。同年，國內其他的團隊針對基于 CT 的影像組學技術評估術前 TNM 分期的效果進行了研究[13]，該研究將 296 例患者歸為訓練集，提取最優特征后通過 logistic 回歸建立了預測模型，采用 ROC 曲線驗證該特征的分級性能，其結果顯示，該預測模型的 AUC 為 0.792，95% 置信區間為（0.741，0.853），靈敏度和精確度分別為 0.629 和 0.874。該研究結果提示，基于 CT 的影像組學技術可作為判斷腫瘤臨床分期的輔助手段。同一研究團隊在 2018 年的 1 篇報道[2]中，更新了相關研究技術，新技術利用最小絕對收縮與選擇算子法對最優特征進行提取，最終經 Mann-Whitney U 檢驗顯示該新技術使 AUC 提升至 0.812，95% 置信區間為（0.749，0.874）。
因此，不斷更新迭代的影像組學技術，很有可能成為未來結直腸癌術前分期的重要輔助工具之一。
2.2 周圍組織臟器受累（T 分期）
若術前診斷提示周圍神經侵害（perineural invasion，PNI）為陽性，則多表明該病例腫瘤本身的侵襲性高，且多提示該腫瘤已存在部分轉移，故 PNI 陽性是重要的高危因素[14]。對于 PNI 為陽性的患者，臨床上不僅需要考慮擴大術中的切除范圍，以提高 R0 切除率；同時，PNI 是否為陽性也是確定術后具體輔助治療方案的重要指針。研究[15]證實，新輔助治療可以有效提高患者的預后。
2018 年有相關研究[16]報道了基于 CT 的影像組學技術在術前預測 PNI 狀態中的新突破，該研究將 346 例患者納入訓練集，217 例患者歸為驗證集，提取最優特征后利用多元 logistic 回歸建立了預測模型，最終通過 Mann-Whitney U 檢驗驗證該影像組學技術在驗證 PNI 是否為陽性上的可重復性。檢測結果顯示該預測模型的一致性指數（index of concordance，C-index）在訓練集為 0.817，在驗證集為 0.803。這一研究為臨床上判斷術前 PNI 是否為陽性提供了新的方法。
目前，CT 技術是重要的術前 T 分期工具，如果可以將該技術通過與影像組學方法結合，可能會進一步提高術前預測 T 分期的準確性。
2.3 區域淋巴結轉移（N 分期）
術前準確預測結直腸癌患者有無淋巴結轉移，能夠幫助外科醫生判斷術中是否需要擴大淋巴結的清掃范圍。比如：直腸癌的側方淋巴結清掃就是一個典型的事件，有研究[17-20]提示，拒絕擴大淋巴結清掃范圍可有效降低手術創傷并縮短手術時間，從而降低患者術后并發癥的發生率并縮短術后恢復時間。
2016 年的一項研究[4]共納入了結直腸癌患者 526 例，其中將 326 例患者歸為訓練集。該研究以術前 CT 影像為基礎，同時配合了術前 CEA 指標和 CT 報告中的淋巴結狀態建立了多元 Logistic 回歸模型并生成諾模圖（nomogram），其檢測結果得到的 C-index 在訓練集為 0.736，驗證集上為 0.778；校準曲線經 Hosmer-Lemeshow 檢驗，最終 P=0.916，提示模型擬合優度良好，證實了當影像組學技術配合臨床指標（如淋巴結狀態、血氣指標）時，可以較好地輔助醫生對區域淋巴結進行預測。
因此推測，基于影像組學的術前 N 分期的預測技術，可以在配合更多臨床指標的基礎上，成為下一個實現 N 分期評估精準化的突破口。
2.4 遠處臟器轉移（M 分期）
2.4.1 異時性肝轉移（metachronous hepatic metastases，MLM）的預測
結直腸癌術后仍然可能有 20%～25% 的患者發生異時性肝轉移[21]，而肝轉移的出現和進展，是另外一個導致患者死亡的重要原因。因此，早期發現并治療結直腸癌肝轉移是延長患者生存期的重要手段。
2019 年的一項最新研究[22]利用了基于 MRI 的影像組學技術，從術前 MRI 圖像中提取了總共 2 058 個影像組學特征，在選擇了最優特征后最終利用交叉驗證實驗和 SVM、Logistic 回歸建立了預測模型，利用受試者工作曲線（receiver operating characteristic，ROC）得到相應曲線下面積（area under curve，AUC）值，用于檢測預測模型的準確度、精確度和靈敏度，最終結果分別為 0.80、0.76 和 0.83，并與 DeLong-test 結果作比較，最終 AUC 為 0.87。盡管該研究納入的患者例數較少（108 例），但考慮到這是對 MLM 預測的初次嘗試，可以認為效果比較滿意。
未來可能還需要進一步探索以 MRI 為基礎的影像組學技術，進一步優化基于 MRI 的影像組學預測模型的預測能力。
2.4.2 同期性轉移（Synchronized distal metastasis，SDM）的預測
不同于 MLM，同期性轉移的嚴重程度更高，評估為 SDM 的患者，治療后的生存期通常在 5～6 個月[21]。SDM 的早期預測可以及時調整患者的治療策略，從而延長患者生存期[23-24]。
2018 年上海交通大學的團隊將他們的研究結果[25]發表在了 European Radiology 期刊上。該研究共納入術前經過高分辨 MRI 及胸、腹部 CT 檢查的患者 177 例，其中 123 例歸為訓練集，54 例歸為驗證集。基于 T2WI 共提取了 385 個影像組學特征，根據 CT 圖像人工判斷是否存在遠端同期性轉移（包括肝轉移、肺轉移、骨轉移和腹膜轉移），并用隨機森林分類預測，建立多變量 logistic 回歸分析模型，最終 AUC 為 0.827，靈敏度為 0.722，精確度為 0.944，準確度為 0.87。其結果表明，該預測模型可用于輔助診斷 SDM 高危患者，協助臨床決策的制定。
3 影像組學與新輔助治療
3.1 治療敏感性與精準用藥
個體異質性，包括基因突變、基因擴增或基因缺失等，都可能是影響化療效果的分子病理因素。其中 KRAS/NRAS/BRAF 基因突變是結直腸癌中最常見的突變類型。突變體因 RAS 蛋白突變，導致其對西妥昔單康藥物治療極其不敏感。同時聯合伊利替康治療的轉移性結直腸癌患者無進展生存期（progression-free survival，PFS）和總生存期（overall survival，OS）較 KRAS/NRAS/BRAF 野生型患者都明顯縮短[26-28]，因此，提前預測 KRAS/NRAS/BRAF 狀態對評估結直腸癌患者化療敏感性和身存預后至關重要。
一項長達 7 年、涵蓋了 117 例結直腸癌患者的影像組學研究[29]基于術前的 CT 影像共提取了 346 個影像組學特征，與通常采用的 LASSO 降維方法不同，該項研究采用了 RELIEFE 算法降維分類以找到最優特征，利用 SVM 建立相關基因突變預測模型，最終 AUC 為 0.869，敏感度和特異度分別為 0.757 和 0.833。其檢測結果提示，該模型對于結直腸癌相關基因突變具有較好的預測能力。此外， 2019 年初發表的 1 篇最新文獻[30]報道中顯示，臨床上還可利用以 PET-CT 為基礎的影像組學技術，預測 KRAS 等基因的突變，該項研究中的預測模型最終 AUC 達 0.79，靈敏度和準確度達到 0.81 和 0.77。
因此，基于影像組學的跨領域研究，可能為結直腸癌患者的綜合治療提供新的思路。
3.2 新輔助治療效果預測
新輔助治療后的病理完全緩解（pathologic complete response，pCR）預示著長期局部復發的可能性較低，但是一直以來臨床上判斷 pCR 的“金標準”是病理學檢測結果，即是否達 pCR 的準確結果只有在術后病灶病理學檢查中才能獲得。研究[31-32]表明，通過術前檢測發現，達到 pCR 的患者，可以將不手術作為一個選擇，也就是“wait & see”的概念。
CT 或者 MRI 影像檢查結果是新輔助治療效果判斷的重要依據，同時這也為影像組學在該方向的應用提供了先決條件[33]。基于此，近年來出現了較多關于影像組學技術在預測新輔助治療后效果的研究，且研究結果均提示，基于影像組學的 pCR 預測模型具有較好的預測能力。
2017 年北京大學腫瘤醫院的團隊聯合中國科學院自動化研究所分子影像重點實驗室，在 Clinical Cancer Research 期刊上發表了他們在利用基于 MRI 的影像組學手段預測術前 pCR 患者的研究成果[34]。該研究共入組 222 例，其中 152 例作為訓練集，另外 70 例作為驗證集驗證模型性能，共提取了 2 252 個影像組學特征，后利用 t 檢驗和 LASSO 回歸對特征降維選擇，最后結合新輔助治療后的病灶直徑，建立了多元 Logistic 回歸影像組學 pCR 預測模型，AUC 在訓練集上達 0.979，在驗證集上達 0.976，預測 pCR 準確率高達 94.29%，說明其具有良好的臨床應用價值。
2018 年初，Horvat 等[35]又針對此問題進行了研究，并將研究結果發表在了 Radiology 雜志上，該研究共納入了患者 114 例，通過手動劃分基于 T2WI 的 ROI 并基于 SMOTE 算法利用隨機森林分類預測，最終 AUC 達 0.93，特異度達 91%，敏感度達 100%。2018 年 8 月，崔英等[36]對此問題再次進行了探究，并將結果發表在了 European Radiology 期刊上。該研究共納入 LARC 患者 186 例，其中訓練集 131 例，驗證集 55 例，共提取了 1 188 個影像學特征，在最優特征選取后最終利用諾模圖建立預測模型，AUC 達 0.948，證實了其在臨床應用中的可重復性。2019 年初，Giannini 等[37]通過基于 MRI 和 PET/CT 相結合的影像組學技術建立了新輔助治療后的 pCR 預測模型，該研究共納入了 52 例患者，半自動化提取了基于 T2W MRI、ADC 圖和 PET/CT 中的 21 個影像組學特征，進行單變量特征選擇，建立 Logistic 回歸預后模型，最終 AUC 為 0.86，靈敏度為 86%，精確度為 83%。該研究結果提示，基于 MRI 和 PET/CT 相結合的影像組學技術具有較好的預測能力，從而為個性化醫療決策的選擇提供了新思路。
人工智能技術的快速發展為影像組學技術與深度學習網絡的有機結合提供了可能性。現有的研究提示，基于深度學習的影像組學技術能夠進一步提高影像組學預測模型預測的準確度。2018 年的一項研究結果[38]顯示，利用深度學習的方法建立基于 CT 的影像組學預測模型對于新輔助治療效果的預測準確度可以達到 80%，AUC 為 0.72；與同質患者的其他統計方法學比較 ［Linear 回歸模型（69.5%、0.59）及 SVM 模型（71.58%、0.62）］，在預測準確度上有明顯的優勢。國內的 1 項研究[39]也提示了同樣的預測結果，浙江大學醫學院放射腫瘤科岳寧教授及其團隊在腫瘤學知名期刊 Clinical Cancer Research（CCR）上發表了基于多參數 MRI 的影像組學方法在預測新輔助放化療后效果的研究成果。該研究共納入了 48 例患者，首先利用 MIM-software 半自動化劃分了 ROI，每例患者都提取了 103 個影像特征，并用 t 檢驗和 Wilcoxon-Mann-Whitney 檢驗尋找最優影像學特征，并利用 ANN 建立了預測模型，最終 pCR 預測模型的 AUC 值達 0.84。
4 結直腸癌術后腫瘤學預后
結直腸癌臨床診療中另外一個重要的預測時間點，是通過可能的影響因素判斷術后的腫瘤學預后。2018 年的一項研究已經開始初步嘗試這方面的探索。該研究[40]共納入 108 例完成了直腸癌全直腸系膜切除術（total mesorectal excision，TME）的患者，將終點指標設置為腫瘤復發、轉移或死亡，利用基于術前 MRI 影像進行手工分割 ROI 后提取了 485 個影像組學特征，后利用組內相關系數（ICC）和 LASSO 回歸進行特征選擇，最后建立 Cox 比例風險回歸預測模型，3 年生存率的預測模型相應 AUC 為 0.827，具有良好的預測價值。另外一項例數較少的研究（86 例）[41]，則嘗試通過 PET-CT 技術做影像組學分析，該研究提取了包括 SUVmax、SUVmean、MTV、TLG 等 11 個紋理特征，通過建立 Cox 模型分析了無病生存期（DSS）、DFS 和 OS 的預后性能。4 年時間的 DSS、DFS 及 OS 的預測準確度分別為 0.87、0.79 和 0.79。該結果提示，基于 PET/CT 的影像組學技術在結直腸癌的預后中有著較好的預測價值。
所以基于影像組學的預測技術可能成為未來結直腸癌預后判斷中的重要方法。影像組學技術將人眼難以發掘的圖像更深層的信息，通過數字建模，轉化為可識別的特征信息，從而為預后判斷提供決策依據。
5 目前存在的疑問和挑戰
隨著大數據時代的到來，影像組學技術在精準醫療[42]的發展過程中正發揮著不可替代的作用。作為一種新興的定量影像[43]分析方法，影像組學技術可通過非侵入方式從醫學圖像中提取大量而全面的數據信息，同時能夠定量、動態的評估腫瘤的異質性，其潛在的治療效果和腫瘤遺傳學的預測能力，成功克服了人工閱片可重復性差的缺點。
然而，影像組學技術在結直腸癌診療中的進一步應用還面臨著諸多挑戰，如：影像獲取與重建的可重復性問題、研究過程的標準化問題、數據樣本量的不足的問題等。近年來，四川大學華西醫院的結直腸癌數據庫建設[44-45]，可能是未來在影像組學技術的學科交叉過程中，解決這些難題的重要突破口。
重要聲明
利益沖突聲明：據我們所知，各作者沒有不存在利益沖突、財務沖突或其他沖突。
作者貢獻聲明：第 1 作者李芊，構思文章主題、文獻檢索、閱讀文獻、綜合行文；第 2 作者周欣元，對文中計算機相關文獻進行檢索、閱讀并規范修改相關內容；第 3 作者，為通信作者，對文章知識型內容做批評性審閱，并對工作進行指導和支持；第 4 作者李立，對工作進行指導和支持。
2012 年 Lambin 等[1]首次提出“影像組學（radiomics）”的概念，由于影像組學技術中的紋理分析技術能夠提供肉眼無法辨識的海量客觀圖像信息，因此可定量評估病變特征，發覺微觀潛在的醫學影像信息，從而可以協助臨床醫師在腫瘤分期、術前治療效果評估、預后分析以及腫瘤復發評估[2-4]中實現精準醫療決策。
結直腸癌是我國最主要的疾病負擔之一。無論是在術前診斷、手術方案制定還是輔助治療方案的選擇上，都會依賴大量的影像學技術，包括超聲、CT、MRI、PET-CT 等。近年來，“影像組學”的概念已經逐步被引入到結直腸癌診治的各個環節，并為臨床決策提供了更為精確的依據。由于此類研究尚屬于起步階段，筆者從結直腸癌臨床醫生的角度，對于目前影像組學在該領域應用的研究進展作一綜述。
1 基于人工智能（AI）和醫療大數據的影像組學簡述
影像組學區別于傳統的影像學，它是一種多學科交叉的技術[5-8]。目前的影像組學技術研究，具體來講可分為以下 5 個研究階段：① 定義臨床問題。即明確預期目標事件，進而借助于相應的醫學影像手段探索其與臨床問題的相關性。② 規范化醫學影像數據的獲取。醫學影像均遵守醫學數字成像和通信（digital imaging and communication in medicine，DICOM）[9-11]標準實現圖像數據的存儲和交換，計算機則可以因此而直接讀取采用 16 進制存儲的病例圖像規范化參數（包括掃描層厚、序列、卷積核等）。③ 影像感興趣區域（region of interest，ROI）的分割。即在獲取了大量規范化的醫學影像數據后，借助于手動、半自動或全自動圖像分割軟件對腫瘤進行 ROI 分割。④ 特征提取與特征選擇。即提取強度特征、形態學特征、紋理特征和小波特征，然后選出與目標結果關聯最緊密的影像組學特征并刪除不穩定的特征；通過回顧性總結發現，目前最常使用的影像組學降維方法就是 LASSO 回歸。⑤ 建立模型。如 logistic 回歸模型、隨機森林、支持向量機（support vector machine，SVM）、人工神經網絡（artificial neural network，ANN）、Cox 比例風險模型（生存分析模型）等都可以應用于建立基于影像組學特征的預測和分類模型。
2 影像組學與結直腸癌術前分期
2.1 術前 TNM 總分期
結直腸癌術前的準確分期，是選擇是否一期手術治療及新輔助治療的方案等的重要依據。精確的術前分期可以初步評估原發病灶是否可以 R0 切除，是否存在淋巴結和遠處臟器的轉移等，從而提出個性化的醫療決策。同時，合適的術前決策可以降低患者局部復發和遠處轉移的概率，并提高 5 年生存率[12]。
CT 是一種在對人體利用 X 射線掃描后，將相應的光信號轉變為電信號，再經模擬/數字轉換器最終轉為數字信號的成像手段。2016 年，復旦大學的團隊在 Journal of Clinical Oncology 雜志上發表了 1 篇有關基于 CT 的影像組學技術在結直腸癌診療中的應用的文章[4]，該研究率先證實了影像組學技術在結直腸癌治療過程中的應用可行性，且其研究結果提示基于 CT 的影像組學技術在術前預測結直腸癌的分期中具有較高的可重復性。同年，國內其他的團隊針對基于 CT 的影像組學技術評估術前 TNM 分期的效果進行了研究[13]，該研究將 296 例患者歸為訓練集，提取最優特征后通過 logistic 回歸建立了預測模型，采用 ROC 曲線驗證該特征的分級性能，其結果顯示，該預測模型的 AUC 為 0.792，95% 置信區間為（0.741，0.853），靈敏度和精確度分別為 0.629 和 0.874。該研究結果提示，基于 CT 的影像組學技術可作為判斷腫瘤臨床分期的輔助手段。同一研究團隊在 2018 年的 1 篇報道[2]中，更新了相關研究技術，新技術利用最小絕對收縮與選擇算子法對最優特征進行提取，最終經 Mann-Whitney U 檢驗顯示該新技術使 AUC 提升至 0.812，95% 置信區間為（0.749，0.874）。
因此，不斷更新迭代的影像組學技術，很有可能成為未來結直腸癌術前分期的重要輔助工具之一。
2.2 周圍組織臟器受累（T 分期）
若術前診斷提示周圍神經侵害（perineural invasion，PNI）為陽性，則多表明該病例腫瘤本身的侵襲性高，且多提示該腫瘤已存在部分轉移，故 PNI 陽性是重要的高危因素[14]。對于 PNI 為陽性的患者，臨床上不僅需要考慮擴大術中的切除范圍，以提高 R0 切除率；同時，PNI 是否為陽性也是確定術后具體輔助治療方案的重要指針。研究[15]證實，新輔助治療可以有效提高患者的預后。
2018 年有相關研究[16]報道了基于 CT 的影像組學技術在術前預測 PNI 狀態中的新突破，該研究將 346 例患者納入訓練集，217 例患者歸為驗證集，提取最優特征后利用多元 logistic 回歸建立了預測模型，最終通過 Mann-Whitney U 檢驗驗證該影像組學技術在驗證 PNI 是否為陽性上的可重復性。檢測結果顯示該預測模型的一致性指數（index of concordance，C-index）在訓練集為 0.817，在驗證集為 0.803。這一研究為臨床上判斷術前 PNI 是否為陽性提供了新的方法。
目前，CT 技術是重要的術前 T 分期工具，如果可以將該技術通過與影像組學方法結合，可能會進一步提高術前預測 T 分期的準確性。
2.3 區域淋巴結轉移（N 分期）
術前準確預測結直腸癌患者有無淋巴結轉移，能夠幫助外科醫生判斷術中是否需要擴大淋巴結的清掃范圍。比如：直腸癌的側方淋巴結清掃就是一個典型的事件，有研究[17-20]提示，拒絕擴大淋巴結清掃范圍可有效降低手術創傷并縮短手術時間，從而降低患者術后并發癥的發生率并縮短術后恢復時間。
2016 年的一項研究[4]共納入了結直腸癌患者 526 例，其中將 326 例患者歸為訓練集。該研究以術前 CT 影像為基礎，同時配合了術前 CEA 指標和 CT 報告中的淋巴結狀態建立了多元 Logistic 回歸模型并生成諾模圖（nomogram），其檢測結果得到的 C-index 在訓練集為 0.736，驗證集上為 0.778；校準曲線經 Hosmer-Lemeshow 檢驗，最終 P=0.916，提示模型擬合優度良好，證實了當影像組學技術配合臨床指標（如淋巴結狀態、血氣指標）時，可以較好地輔助醫生對區域淋巴結進行預測。
因此推測，基于影像組學的術前 N 分期的預測技術，可以在配合更多臨床指標的基礎上，成為下一個實現 N 分期評估精準化的突破口。
2.4 遠處臟器轉移（M 分期）
2.4.1 異時性肝轉移（metachronous hepatic metastases，MLM）的預測
結直腸癌術后仍然可能有 20%～25% 的患者發生異時性肝轉移[21]，而肝轉移的出現和進展，是另外一個導致患者死亡的重要原因。因此，早期發現并治療結直腸癌肝轉移是延長患者生存期的重要手段。
2019 年的一項最新研究[22]利用了基于 MRI 的影像組學技術，從術前 MRI 圖像中提取了總共 2 058 個影像組學特征，在選擇了最優特征后最終利用交叉驗證實驗和 SVM、Logistic 回歸建立了預測模型，利用受試者工作曲線（receiver operating characteristic，ROC）得到相應曲線下面積（area under curve，AUC）值，用于檢測預測模型的準確度、精確度和靈敏度，最終結果分別為 0.80、0.76 和 0.83，并與 DeLong-test 結果作比較，最終 AUC 為 0.87。盡管該研究納入的患者例數較少（108 例），但考慮到這是對 MLM 預測的初次嘗試，可以認為效果比較滿意。
未來可能還需要進一步探索以 MRI 為基礎的影像組學技術，進一步優化基于 MRI 的影像組學預測模型的預測能力。
2.4.2 同期性轉移（Synchronized distal metastasis，SDM）的預測
不同于 MLM，同期性轉移的嚴重程度更高，評估為 SDM 的患者，治療后的生存期通常在 5～6 個月[21]。SDM 的早期預測可以及時調整患者的治療策略，從而延長患者生存期[23-24]。
2018 年上海交通大學的團隊將他們的研究結果[25]發表在了 European Radiology 期刊上。該研究共納入術前經過高分辨 MRI 及胸、腹部 CT 檢查的患者 177 例，其中 123 例歸為訓練集，54 例歸為驗證集。基于 T2WI 共提取了 385 個影像組學特征，根據 CT 圖像人工判斷是否存在遠端同期性轉移（包括肝轉移、肺轉移、骨轉移和腹膜轉移），并用隨機森林分類預測，建立多變量 logistic 回歸分析模型，最終 AUC 為 0.827，靈敏度為 0.722，精確度為 0.944，準確度為 0.87。其結果表明，該預測模型可用于輔助診斷 SDM 高危患者，協助臨床決策的制定。
3 影像組學與新輔助治療
3.1 治療敏感性與精準用藥
個體異質性，包括基因突變、基因擴增或基因缺失等，都可能是影響化療效果的分子病理因素。其中 KRAS/NRAS/BRAF 基因突變是結直腸癌中最常見的突變類型。突變體因 RAS 蛋白突變，導致其對西妥昔單康藥物治療極其不敏感。同時聯合伊利替康治療的轉移性結直腸癌患者無進展生存期（progression-free survival，PFS）和總生存期（overall survival，OS）較 KRAS/NRAS/BRAF 野生型患者都明顯縮短[26-28]，因此，提前預測 KRAS/NRAS/BRAF 狀態對評估結直腸癌患者化療敏感性和身存預后至關重要。
一項長達 7 年、涵蓋了 117 例結直腸癌患者的影像組學研究[29]基于術前的 CT 影像共提取了 346 個影像組學特征，與通常采用的 LASSO 降維方法不同，該項研究采用了 RELIEFE 算法降維分類以找到最優特征，利用 SVM 建立相關基因突變預測模型，最終 AUC 為 0.869，敏感度和特異度分別為 0.757 和 0.833。其檢測結果提示，該模型對于結直腸癌相關基因突變具有較好的預測能力。此外， 2019 年初發表的 1 篇最新文獻[30]報道中顯示，臨床上還可利用以 PET-CT 為基礎的影像組學技術，預測 KRAS 等基因的突變，該項研究中的預測模型最終 AUC 達 0.79，靈敏度和準確度達到 0.81 和 0.77。
因此，基于影像組學的跨領域研究，可能為結直腸癌患者的綜合治療提供新的思路。
3.2 新輔助治療效果預測
新輔助治療后的病理完全緩解（pathologic complete response，pCR）預示著長期局部復發的可能性較低，但是一直以來臨床上判斷 pCR 的“金標準”是病理學檢測結果，即是否達 pCR 的準確結果只有在術后病灶病理學檢查中才能獲得。研究[31-32]表明，通過術前檢測發現，達到 pCR 的患者，可以將不手術作為一個選擇，也就是“wait & see”的概念。
CT 或者 MRI 影像檢查結果是新輔助治療效果判斷的重要依據，同時這也為影像組學在該方向的應用提供了先決條件[33]。基于此，近年來出現了較多關于影像組學技術在預測新輔助治療后效果的研究，且研究結果均提示，基于影像組學的 pCR 預測模型具有較好的預測能力。
2017 年北京大學腫瘤醫院的團隊聯合中國科學院自動化研究所分子影像重點實驗室，在 Clinical Cancer Research 期刊上發表了他們在利用基于 MRI 的影像組學手段預測術前 pCR 患者的研究成果[34]。該研究共入組 222 例，其中 152 例作為訓練集，另外 70 例作為驗證集驗證模型性能，共提取了 2 252 個影像組學特征，后利用 t 檢驗和 LASSO 回歸對特征降維選擇，最后結合新輔助治療后的病灶直徑，建立了多元 Logistic 回歸影像組學 pCR 預測模型，AUC 在訓練集上達 0.979，在驗證集上達 0.976，預測 pCR 準確率高達 94.29%，說明其具有良好的臨床應用價值。
2018 年初，Horvat 等[35]又針對此問題進行了研究，并將研究結果發表在了 Radiology 雜志上，該研究共納入了患者 114 例，通過手動劃分基于 T2WI 的 ROI 并基于 SMOTE 算法利用隨機森林分類預測，最終 AUC 達 0.93，特異度達 91%，敏感度達 100%。2018 年 8 月，崔英等[36]對此問題再次進行了探究，并將結果發表在了 European Radiology 期刊上。該研究共納入 LARC 患者 186 例，其中訓練集 131 例，驗證集 55 例，共提取了 1 188 個影像學特征，在最優特征選取后最終利用諾模圖建立預測模型，AUC 達 0.948，證實了其在臨床應用中的可重復性。2019 年初，Giannini 等[37]通過基于 MRI 和 PET/CT 相結合的影像組學技術建立了新輔助治療后的 pCR 預測模型，該研究共納入了 52 例患者，半自動化提取了基于 T2W MRI、ADC 圖和 PET/CT 中的 21 個影像組學特征，進行單變量特征選擇，建立 Logistic 回歸預后模型，最終 AUC 為 0.86，靈敏度為 86%，精確度為 83%。該研究結果提示，基于 MRI 和 PET/CT 相結合的影像組學技術具有較好的預測能力，從而為個性化醫療決策的選擇提供了新思路。
人工智能技術的快速發展為影像組學技術與深度學習網絡的有機結合提供了可能性。現有的研究提示，基于深度學習的影像組學技術能夠進一步提高影像組學預測模型預測的準確度。2018 年的一項研究結果[38]顯示，利用深度學習的方法建立基于 CT 的影像組學預測模型對于新輔助治療效果的預測準確度可以達到 80%，AUC 為 0.72；與同質患者的其他統計方法學比較 ［Linear 回歸模型（69.5%、0.59）及 SVM 模型（71.58%、0.62）］，在預測準確度上有明顯的優勢。國內的 1 項研究[39]也提示了同樣的預測結果，浙江大學醫學院放射腫瘤科岳寧教授及其團隊在腫瘤學知名期刊 Clinical Cancer Research（CCR）上發表了基于多參數 MRI 的影像組學方法在預測新輔助放化療后效果的研究成果。該研究共納入了 48 例患者，首先利用 MIM-software 半自動化劃分了 ROI，每例患者都提取了 103 個影像特征，并用 t 檢驗和 Wilcoxon-Mann-Whitney 檢驗尋找最優影像學特征，并利用 ANN 建立了預測模型，最終 pCR 預測模型的 AUC 值達 0.84。
4 結直腸癌術后腫瘤學預后
結直腸癌臨床診療中另外一個重要的預測時間點，是通過可能的影響因素判斷術后的腫瘤學預后。2018 年的一項研究已經開始初步嘗試這方面的探索。該研究[40]共納入 108 例完成了直腸癌全直腸系膜切除術（total mesorectal excision，TME）的患者，將終點指標設置為腫瘤復發、轉移或死亡，利用基于術前 MRI 影像進行手工分割 ROI 后提取了 485 個影像組學特征，后利用組內相關系數（ICC）和 LASSO 回歸進行特征選擇，最后建立 Cox 比例風險回歸預測模型，3 年生存率的預測模型相應 AUC 為 0.827，具有良好的預測價值。另外一項例數較少的研究（86 例）[41]，則嘗試通過 PET-CT 技術做影像組學分析，該研究提取了包括 SUVmax、SUVmean、MTV、TLG 等 11 個紋理特征，通過建立 Cox 模型分析了無病生存期（DSS）、DFS 和 OS 的預后性能。4 年時間的 DSS、DFS 及 OS 的預測準確度分別為 0.87、0.79 和 0.79。該結果提示，基于 PET/CT 的影像組學技術在結直腸癌的預后中有著較好的預測價值。
所以基于影像組學的預測技術可能成為未來結直腸癌預后判斷中的重要方法。影像組學技術將人眼難以發掘的圖像更深層的信息，通過數字建模，轉化為可識別的特征信息，從而為預后判斷提供決策依據。
5 目前存在的疑問和挑戰
隨著大數據時代的到來，影像組學技術在精準醫療[42]的發展過程中正發揮著不可替代的作用。作為一種新興的定量影像[43]分析方法，影像組學技術可通過非侵入方式從醫學圖像中提取大量而全面的數據信息，同時能夠定量、動態的評估腫瘤的異質性，其潛在的治療效果和腫瘤遺傳學的預測能力，成功克服了人工閱片可重復性差的缺點。
然而，影像組學技術在結直腸癌診療中的進一步應用還面臨著諸多挑戰，如：影像獲取與重建的可重復性問題、研究過程的標準化問題、數據樣本量的不足的問題等。近年來，四川大學華西醫院的結直腸癌數據庫建設[44-45]，可能是未來在影像組學技術的學科交叉過程中，解決這些難題的重要突破口。
重要聲明
利益沖突聲明：據我們所知，各作者沒有不存在利益沖突、財務沖突或其他沖突。
作者貢獻聲明：第 1 作者李芊，構思文章主題、文獻檢索、閱讀文獻、綜合行文；第 2 作者周欣元，對文中計算機相關文獻進行檢索、閱讀并規范修改相關內容；第 3 作者，為通信作者，對文章知識型內容做批評性審閱，并對工作進行指導和支持；第 4 作者李立，對工作進行指導和支持。