影像基因组学诊断肺结节，无创、高效是关键！｜CTS 2018

杨震教授带你解读大数据与人工智能无创诊断肺结节的良好前景！

报道专家｜中国人民解放军总医院 杨震教授

整理｜衣上云

来源｜医学界呼吸频道

在此次苏州召开的中华医学会呼吸病学年会2018（CTS2018）暨第十九次全国呼吸病学学术会议上，来自中国人民解放军总医院肺癌及呼吸病介入诊疗中心的杨震教授分享了《影像基因组学在肺结节诊断中的应用前景》的精彩报告。

肺癌已经成为对人类生命威胁最大的恶性肿瘤之一，其发病率和死亡率均居恶性肿瘤首位。肺癌的影像学表现常为肺部结节，然而肺结节是临床上一种常见的现象，肺结核、肺部感染、肺纤维瘤等多种疾病均可引起。因此，对肺结节的定性诊断尤为重要。那么，如何诊断肺结节呢？

何为影像基因组学呢？

影像基因组学的概念于2003年在Michael Baumann介绍欧洲放射治疗学和肿瘤学学会的GENEPI（genetic pathways for the prediction of the effects of irradiation）计划时首次提出，并在之后的过程中，不断被完善。

定义：定量研究基因因素对正常组织与肿瘤组织的临床放疗敏感度的影响，建立基因表达谱数据同放射影像学特征间的关联。为了说明此关联，2007年以色列的一个教授在Nature临床指南上以一百多例的肝细胞癌作了一个范例，获得了基因表达特征与影像特征间的相关性，而且得出可以用少量影像特征的组合重建大部分基因表达特征谱。

何为影像组学？

2012年荷兰的Philippe Lambina首次提出影像组学的概念，即：从放射影像中高通量地提取大量的影像特征，应用大量的自动化数据特征化算法将ROI的影像数据转化为具有高分辨率的可发掘的特征空间数据。

它可与潜在的基因表达类型相关联，揭示肿瘤预测性的信号，同时捕获肿瘤内在的异质性。

影像基因组学在肺癌的应用方向:

肺结节诊断；

病理分型、侵袭程度、分化程度预测；

临床决策；

疗效和并发症预测；

复发和转移预测；

预后评估；

驱动基因预测；

基因或功能通路表达模式预测。

主要技术方案：

1、获取影像；

2、对感兴趣的区域进行结节分割，然后提取特征，再建立模型。

具体应用：

1、结节的良恶性鉴别：四项研究（2016-2018年）均显示影像基因组学筛检出肺结节的良恶性可达到较高的敏感度、特异度和准确性；

2、恶性结节的病理分型；

3、肺结节识别：结节检出率95.1%，假阳性率减少96.8%；

4、结节分割；

5、人工智能用于影像组学，自动化完成结节识别→图像分割→特征提取→模型建立→随访监测；

6、生物组学Biomarkers和临床特征的加入，使肺结节诊断的灵敏度上升了八个百分点：血浆mRNA诊断肺结节的灵敏度为81.2%，联合CT影像之后灵敏度上升为89.9%。

大数据与人工智能不仅可用于肺癌结节的诊断，实现从计算机辅助诊断到计算机诊断，而且以其海量的数据，强大的计算和学习能力，还可辅助肺结节诊断临床决策。

答疑解惑

问题1：

图像获取：不同厂家影像设备在图像获取、重建算法及参数设置上均存在不同程度的差异，即使使用同一台设备，患者的呼吸配合、对比剂用量、注射时相存在的差异。

解决方案：建议采取统一的扫描策略，获得标准影像数据用以得到更多的可重复性影像特征。

问题2：

图像分割：现有人工分割、半自动分割和自动分割三种分割方法，但即使同一分割方法，重复操作也存在不一致。

解决方案：目前人机交互的半自动分割方法重复性最好，优化的自动化分割方案可能是未来更好的选择。

问题3：

特征提取：不同的特征获取方法和特征数量，不同的特征筛查方法和优化方法。模型建立使用不同的模型算法和优化方法。

解决方案：还需探索优化的算法。

数据库的建立与共享

影像组基因组学数据库的建立与共享，需要各个专业人员（如影像科医师、临床医师、统计学人才、计算机人才、大数据人才等）的倾力配合，才能将影像组数据与临床数据、生物组学数据相联系，形成一个整合的影像基因组组学数据库，实现多维度大数据的标准化存储、检索、分析及应用。

发展前景

尽管目前影像组学用于肺结节的研究多是单中心、小样本、回顾性的，但仍展示了良好的良恶性鉴别诊断价值和发展前景。

影像组学技术与临床数据、生物组学bilmarkers联合是未来研究的重要趋势。

大数据与人工智能的加入可能是获得突破性进展的关键。

重复性是目前面临的最大障碍，建立标准的图像获取与处理流程、自动化的分割方法、优化特征提取和模型建立的算法，在每个环节把控相关技术细节以期获得稳定的影像组学特征，有助于克服这个问题。

影像基因组学在未来的结节无创诊断中有重要价值。

閱讀更多 醫學界呼吸頻道 的文章

關鍵字: 恶性肿瘤 无创 大数据