摘 要：影像组学作为高通量提取CT、MRI等医学影像放射学特征的一种新兴研究方法，通过量化病灶的异质性并进行定量分析，辅助了影像诊断及临床治疗决策，在临床工作中显示出巨大的应用潜能。目前，影像组学在神经系统主要集中在肿瘤病变研究，而对非肿瘤疾病研究较少。现对影像组学在神经系统非肿瘤病变中的临床应用、研究进展进行综述。
关键词：影像组学 纹理分析 神经系统疾病
Application and research progress of radiomics in non-tumor diseases of nervous system
BAO Wanqiu PENG Xia XIANG Cheng ZHANG Chunxia ZHANG Meile WANG Ruliang
神经系统非肿瘤性疾病的发生率近年来呈上升趋势，致残、致死率也随之升高。目前，神经系统疾病检查的影像学方式主要是CT和MRI，但其主要是定性描述病灶，提供人们肉眼可识别的大小、形态等特征，对于可能与诊断有关而又非可视化的定量数据如纹理、直方图等无法直接显现。影像组学可弥补上述不足，对机体病理改变作出定性定量评估[1]，提供更全面的影像学信息。
影像组学的概念首先由Lambin等[2]在2012年提出，随着研究的深入，其概念得以进一步拓展，强调其是对医学图像中的影像学特征进行定量提取并分析，大致包括一阶直方图、形状、纹理和小波[3]。基于图像的纹理分析研究即以纹理特征作为定量数据的影像组学研究，是近年来发展较快较好的图像后处理技术。医学图像能够反映病灶的生理、病理改变，而纹理特征能够客观化地反映病变的病理变化，从而对疾病进行定性诊断、分析和预测等。
1 影像组学在脑血管疾病中的临床应用
1.1 脑出血
脑出血是卒中的一种亚型，致残、致死率高，临床预后较差。既往研究证实，脑出血早期血肿扩大程度与超急性期病死率直接相关，可导致脑神经组织缺血、损伤，使患者病情恶化[4]。另有研究指出，基于CT平扫的血肿形态、超急性期脑出血血肿扩大速度及CTA“斑点征”是早期血肿增大的相关独立危险因素[5]。然而以血肿形态进行定性诊断具有一定主观性，CTA检查费用较高且需注射对比剂，存在过敏风险。影像组学提供了客观定量的影像学参数，能够对血肿异质性进行评估。Xie等[6]建立并验证了血肿扩大的影像组学预测模型，结果显示影像组学模型优于传统放射学分析，并与两者联合具有相当的预测效果。李惠等[7]发现基于灰度共生矩阵特征的长行程低灰度优势是判断脑出血血肿扩大的独立指标。李惠等[8]另一项研究提取CT平扫脑出血的754个纹理特征，经过主成分分析并进一步降维处理后，建立了预测模型，指出Adaboost模型预测早期脑出血增大的效果最好，ROC曲线下AUC为0.906 0。以上研究表明，影像组学在预测早期血肿扩大方面应用潜力较大，但由于不同研究的特征提取方法不同，难以比较，因此对模型方法和特征提取的标准化需进一步研究。对于影像组学是否可以应用于急性脑出血预后方面尚待研究。
1.2 缺血性卒中（acute ischemic stroke,AIS)
AIS是多种原因致使脑动脉血管供血不足或中断，脑组织缺血、缺氧进而引起的神经功能障碍。早期正确诊断对患者预后十分关键。一站式CT检查方便迅速、安全性较高，可快速排除脑出血，并确认缺血半暗带的存在，指导临床对尚处于有效溶栓时间窗以内的AIS患者进行个体化的溶栓治疗，改善临床预后，提高患者生存率。但CTA和CT灌注设备的普及临床尚面临着巨大挑战。Guan等[9]通过将MRI图像上显示的病变区与CT图像进行匹配，选取CT图像上38个梗死区及对侧大脑半球对称的38个非梗死区，提取1 301个影像组学特征，计算信息增益，得出信息增益值>0.2的影像组学特征有23个，>0.3的有2个；通过计算机深度学习方法建立10个分类器验证其有效性，得出病变区与对称区平均分类准确率为0.646 7，结果表明两类区域的影像组学特征存在差异，影像组学方法可辅助CT诊断，帮助临床早期评估AIS和量化受影响区域程度。张晓祥等[10]对33例AIS患者中差异有统计学意义的3个纹理参数均值、最大强度和最小强度绘制ROC曲线，结果显示AUC值分别为0.73、0.72和0.60。尽管以上研究肯定了影像组学在AIS的应用价值，但均为回顾性和小样本量分析，可能导致实验结果存在一定程度偏倚，因此需更多前瞻性和大样本量研究深入探讨影像组学对AIS的预测和诊断效能，影像组学能否评估AIS患者溶栓疗效和临床预后也有待进一步研究。
2 影像组学在脑退行性疾病中的临床应用
阿尔茨海默病（Alzheimer’s disease,AD）是老年人常见疾病，典型的临床症状为进行性认知功能障碍和行为能力受损。如何早期进行干预治疗，提高老年人晚年生活质量，仍是临床及影像医师关注的热点问题。有研究表明脑后扣带回区功能减弱与AD患者认知功能障碍密切相关[11]。马晔等[12]采用MRS成像技术发现后扣带回代谢化合物异常可为早期诊断AD提供帮助，发现相比于正常对照组，AD患者的肌醇与肌酸比值显著升高，而N-乙二酰天门冬氨酸与肌酸及肌醇的比值均明显降低。有学者对健康老年人、轻度认知障碍（mild cognitive impairment,MCI）和AD患者的后扣带回T1WI图像进行纹理分析，发现AD患者角二阶矩和对比度较其他2组大，这对AD鉴别有一定价值[13]。另有研究表明，AD伴随海马区受累[14]。Zhao等[15]采用4种交叉验证，并基于计算机学习法提出海马区放射组学特征可作为MCI转化为AD的预测因子、能够为其提供可靠的生物学标志物，结果显示MCI向AD转化患者和AD患者海马区的3个放射组学特征长游程优势、灰度不均匀性、长游程不均匀性均有显著差异。上述研究表明，影像组学可对AD进行诊断和鉴别诊断，但AD累及的大脑区域不仅限于海马和扣带回，在今后工作中，应扩展到其他区域继续研究。导入的图像如使用MRI功能成像序列，诊断准确率可能进一步提高。
3 影像组学在脑非感染性疾病中的临床应用
多发性硬化症（multiple sclerosis,MS）主要发生于脑白质，是免疫功能异常导致的中枢神经系统炎症性脱髓鞘疾病[16]。该病复发率较高，病情反复可造成永久性残疾。采用薄层CT扫描，缩短窗宽可提高病灶检出率，而MRI可多序列成像，相比于CT检查可更敏感尽早发现病灶[17]。但常规CT和MRI检查相比于影像组学对准确评价病灶异质性仍有一定局限性。Ma等[18]研究发现，MS与视神经脊髓炎谱系疾病（neuromyelitis optica spectrum disorders,NMOSD）之间的小波特征不同，同时指出灰度游程步长矩阵的相关特征灰度不均匀性（GLRLM＿GLN）与病理损伤呈负相关，MS患者GLRLM＿GLN值小于NMOSD。Caruana等[1]的研究表明，基于SWI提取的多种纹理特征构建的预测模型对鉴别急、慢性复发性MS有较高性能，AUC值为0.778～0.808；同时发现峰度、灰度共生矩阵同质性及GLRLM＿GLN与年龄呈正相关，活动期MS病灶的GLRLM＿GLN值升高，急性期MS病灶相比于慢性期偏度更高。影像组学可定量分析MS的病理变化，对诊断MS和对其分期具有优势，然而炎性病变形态多变，边缘相对模糊，加大了正确勾画ROI的难度。对于MS患者，认知障碍是生活质量的重要影响因素，有待利用影像组学方法分析MS与认知障碍的相关性，以提供可靠的治疗依据。
4 影像组学在鉴别颅内动脉斑块中的应用
现阶段，传统的各项血管成像检查技术对斑块易损性和微小斑块尚不能有效评价，虽近些年提出高分辨力MRI具有无创性，是鉴别颅内动脉粥样硬化斑块的首选检查方法[19]，但其存在一定主观性，对斑块判断较复杂。而影像组学在影像数据基础上，能对ROI进行客观识别和定量分析。史张等[20]比较了大脑中动脉和基底动脉粥样硬化斑块的形态学与灰度直方图纹理分析方法对易损性斑块的判别价值，结果表明最小管腔面积、斑块内出血和T1WI图像纹理参数变异系数是脑血管事件发生的相关预测因素，变异系数的AUC值更高，直方图纹理分析优于形态学方法。付贝等[21]提出相比于既往单独使用高分辨力MRI进行诊断，基于高分辨力MRI的影像组学特征结合形态学特征对责任斑块判别准确性更高。总之，影像组学可对斑块性质进行评估。然而以上研究均基于二维图像，若导入三维图像加以改进，斑块特征可能会展示得更好。手动勾画ROI因操作者的异质性可能会造成一定误差，还需探讨如何运用自动分割方法以提高病灶检出准确率。
5 问题与展望
影像组学在推行临床实践之前尚存在一些问题需要解决：(1)影像组学的入组数据有较严格的要求，应保证数据不受各医院影像检查设备型号及扫描参数的影响，然而每项研究在测量、图像分割和后处理方面均有各自的方法，得出的结论不能相互适用，因此需对操作过程和最能反映病变异质性的纹理参数统一标准化。(2)对ROI面积勾画无统一标准且不同观察者对病变认知不同，手动分割及半自动分割方法会对实验结果造成一定干扰，增加不准确性，导致一定误差。(3)如何按照病变种类、性质和等级明确分类，提高对新数据的检出能力。影像组学在计算机辅助诊断基础上，通过对现有数据的参数化，获得大量肉眼无法观察到的额外量化数据，将有助于全面分析诊断疾病。
总之，影像组学通过提取医学影像的海量特征量化疾病，获得更多影像数据，且无需加入额外的特殊扫描序列和设备，易添加到影像诊断工作流程中，避免了额外的辐射，降低了检查成本，同时具有可重复性、无创、简单、无禁忌证等优势，在神经系统非肿瘤性疾病预测、早期诊断和定性分析方面显示出广阔的临床应用前景。
[1] CARUANA G,PESSINI L M,CANNELLA R,et al. Texture analysis in susceptibility-weighted imaging may be useful to differentiate acute from chronic multiple sclerosis lesions[J]. Eur Radiol,2020,30(11):6348-6356.
[2] LAMBIN P,RIOS-VELAZQUEZ E,LEIJENAAR R,et al. Radiomics:extracting more information from medical images using advanced feature analysis[J]. Eur J Cancer,2012,48(4):441-446.
[3]张涵，毛宁，谢海柱，等.基于病变内部及周围MRI影像组学特征预测临床显著性前列腺癌[J].磁共振成像，2021,12(1):48-52.
[4] PINHO J,COSTA A S,ARAUJO J M,et al. Intracerebral hemor-rhage outcome:a comprehensive update[J]. J Neurol sci,2019,398:54-66.
[5]彭佳华，龙少好，黄兰青，等.自发性脑出血患者血肿形态分析对早期血肿扩大的预测与诊断价值[J].中华急诊医学杂志，2020,29(4):565-572.
[6] XIE H H,MA S,WANG X,et al. Noncontrast computer tomography-based radiomics model for predicting intracerebral hemorrhage expansion:preliminary findings and comparison with conventional radiological model[J]. Eur Radiol,2020,30(1):87-98.
[7]李惠，王翔，谢元亮，等.基于基线CT平扫的放射组学方法预测高血压性脑出血早期扩大的初步研究[J].临床放射学杂志，2019,38(9):1609-1613.
[8]李惠，王翔，张树桐，等. CT纹理分析对高血压性脑出血早期扩大的预测价值[J].实用放射学杂志，2019,35(10):1564-1567,1578.
[9] GUAN Y,WANG P,WANG Q,et al. Separability of acute cerebral infarction lesions in CT based radiomics:toward artificial intelligence-assisted diagnosis[J]. Biomed Res Int,2020,2020:8864756.
[10]张晓祥，张衡，刘文华. CT图像纹理分析急性缺血性脑梗死的应用价值[J].影像研究与医学应用，2019,3(22):17-20.
[11]郝晓勇，王效春.多模态MRI在阿尔茨海默病早期诊断中的研究进展[J].磁共振成像，2018,9(1):69-73.
[12]马晔，陈自谦，马建芳，等.阿尔茨海默病患者后扣带回磁共振波谱研究[J].中华保健医学杂志，2016,18(1):21-23.
[13]王波涛，招云春，陈志晔.磁共振后扣带回纹理特征分析在老年健康人群、轻度认知障碍与阿尔茨海默病患者鉴别诊断中的价值[J].解放军医学院学报，2020,41(7):675-678.
[14]杨云竣，黄飚.阿尔茨海默病与帕金森病的影像组学研究进展[J].国际医学放射学杂志，2020,43(1):41-44.
[15] ZHAO K,DING Y H,HAN Y,et al. Independent and repro-ducible hippocampal radiomic biomarkers for multisite Alzheimer’s disease:diagnosis,longitudinal progress and biological basis[J].Sci Bull,2020,65(13):1103-1113.
[16]邱伟，徐雁.多发性硬化诊断和治疗中国专家共识（2018版）[J].中国神经免疫学和神经病学杂志，2018,25(6):387-394.
[17]庞丽，杜栩名，温雅静，等. CT联合MRI在中枢神经脱髓鞘疾病诊断中的价值分析[J].中国CT和MRI杂志，2020,18(3):99-102.
[18] MA X X,ZHANG L W,HUANG D H,et al. Quantitative radiomic biomarkers for discrimination between neuromyelitis optica spec-trum disorder and multiple sclerosis[J]. J Magn Reson Imaging,2019,49(4):1113-1121.
[19]许冬华，闵志刚，施俊峰，等.不同机制的症状性颅内动脉粥样硬化患者HRMRI斑块特征分析[J].卒中与神经疾病，2020,27(2):161-165.
[20]史张，陈海虎，李晶，等.症状性颅内动脉粥样硬化斑块易损性的直方图纹理分析[J].磁共振成像，2018,9(3):186-191.
[21]付贝，史张，田冰，等.颅内动脉粥样硬化责任斑块特征判别的影像组学研究[J].国际脑血管病杂志，2019,27(4):252-259.