1. 引言
呼吸系统疾病是影响公共健康的常见疾病，近年来慢性阻塞性肺疾病、支气管哮喘、肺结核、肺癌、肺炎、肺结节等呼吸系统疾病的发病率都呈上升趋势。胸部影像学检查是呼吸系统疾病诊断和治疗的重要手段，已经有许多研究发现放射组学已经在肺癌等疾病的诊断、分期、转移评估、疗效评价及遗传表型预测方面具有重要意义。本文主要对放射组学在呼吸系统常见疾病中的应用进行总结。
2. 放射组学
2.1. 放射组学的概念与定义
放射组学(亦称为影像组学)指的是运用自动化数据特征算法从医学图像中提取影像组学特征，将自己感兴趣区域(region of intrest, ROI)的影像学数据转化具有高分辨率的可供挖掘的特征数据，并通过机器学习等数据分析方法将大量影像学数据进行高通量数字化分析，从而筛选出最有价值的放射组学特征，用于指导临床实践 [1] 。
2.2. 放射组学的工作流程
放射组学工作流程可概括为图像获取、识别感兴趣的区域、感兴趣区域图像的分割、特征的提取和量化、影像数据库的建立、数据分析和预测几个步骤 [2] 。提取的放射组学特征主要为形态、密度、纹理和小波等。
3. 放射组学在呼吸系统疾病中的应用
3.1. 放射组学与肺癌
3.1.1. 鉴别结节的良恶性
肺癌在我国的发病高，多数肺癌发现时已为晚期，其5年生存率极低，低剂量CT是肺癌筛查常用且有效的手段，早发现、早诊断、早治疗对于降低肺癌的病死率和提高5年生存率具有重要意义。肺癌早期通常表现为肺结节，一般通过对肺结节的良恶性进行鉴别来判定早期肺癌，但这往往耗时耗力，且依赖于放射医师的经验，容易发生漏诊和误诊，这时放射组学应运而生，通过对病灶部位的图像进行分割，提取结节特征并进行量化分析，建立其结节预测模型能够有效鉴别肺结节的良恶性。
Chen等人回顾性收集75个肺结节患者的非增强CT图像，并从中提取了750个放射组学特征，其中有76个放射组学特征在良恶性病变之间存在显著差异，由4个最佳反射组学特征建立的预测模型能够有效区分肺良恶性结节，其准确率为84%，敏感性为92.85%，特异性为72.73% [3] 。证明CT影像组学在分析肺结节良恶性方面有较好的鉴别和判断能力。
在一项大型研究中，将患者随机分为10个亚组，从127个预处理肺结节中提取583个放射组学特征，测量肺结节的形状、密度、异质性等信息，每个亚组良恶性病变的大小基本相等，最终发现放射组学对鉴别肺原发良恶性结节的敏感性、特异性和准确性分别达到80.0%、85.5%和82.7%，而依赖于放射科医师经验判断的传统检查方法尽管具有相同的特异性，但其敏感性仅为56.9% [4] ，这表明放射组学在鉴别肺结节良恶性方面优于传统检查方法。
3.1.2. 预测肺癌的基因突变
一项基于胸部CT的定量纹理分析被应用于48例早期非小细胞肺癌(NSCLC)患者，结果显示正偏度和低峰度与K-ras突变的存在显著相关 [5] 。对于肺腺癌中相对罕见的ALK (间变性淋巴瘤激酶)、ROS1 (c-ros癌基因1)和RET (转染时重排)融合事件，CT或PET成像中较低的峰度值和三体素距离的逆方差，结合年龄、肿瘤体积和分期等临床放射学特征，能够很好地区分融合阳性和融合阴性肺肿瘤 [6] 。胡丽霞等人收集了462例病理确定为EGFR突变的NSCLC患者的影像学资料，从胸部CT中提取107个放射组学特征，采用随机森林(random forest)建立机器学习模型预测NSCLC的EGFR突变状态，结果发现5个放射组学特征以及吸烟状况和性别与EGFR突变相关。这5个放射组学特征以及吸烟状态和性别构建随机森林模型在训练集和验证集中对EGFR突变的ROC曲线下面积(The area under the ROC curve, AUC)分别为0.774和0.756，因此认为基于机器学习的放射组学模型能较好的预测NSCLC的EGFR的突变 [7] 。
3.1.3. 肺癌疗效评价
一项对于非小细胞肺癌患者的回顾性研究发现在联合放化疗后手术切除的NSCLC患者中，高阶纹理特征小波HLL均值是病理完全缓解的中度预测因子，与原发肿瘤纹理特征相比，淋巴结纹理特征更能预测病理完全缓解 [8] [9] 。Yang等人对接受免疫抑制剂治疗的92例非小细胞肺癌患者进行回顾性分析，共从预处理CT图像中选取88个放射组学特征构建随机森林模型。将Rad评分和显著预测因子整合到放射组学预测模型1中，以预测免疫治疗的持久临床获益(DCB)，同时构建放射组学模型2来用来预测无进展生存期(PFS)，最终得出基于CT的放射学特征和临床病理因素可在免疫治疗开始前用于确定最有可能从治疗中受益的NSCLC患者，可以指导晚期NSCLC的个体化治疗策略 [10] 。
张威等人收集了150名接受化学治疗的NSCLS患者的临床和影像资料，将其分为死亡组和存活组，对两组间的CT放射组学特征和临床资料进行多因素CoX回归分析并绘制受试者工作特征曲线(ROC)，计算曲线下面积(AUC)，最终得出者NSCLC分期、肿瘤大小、毛刺征及胸膜凹陷征是影响NSCLC患者化疗后预后的独立危险因素；基于肿瘤分期、大小和胸膜凹陷征建立起来的CT放射组学预测模型对判断NSCLC患者预后有积极作用 [11] 。
3.1.4. 预测淋巴结转移
丛梦迪等人从ⅠA期NSCLC老年患者术前增强CT中提取了396个影像学特征，并建立起影像组学模型，其预测训练组和测试组淋巴结转移(LNM)的AUC值分别为0.816和0.797，均高于临床模型(0.650和0.686，P均 < 0.05)，最终得出基于胸部增强CT的影像组学模型可用于预测临床ⅠA期NSCLC老年患者LNM [12] ，朱静等人从非小细胞肺癌患者的300个影像组学特征中提取出22个，联合血清癌胚抗原(CEA)、细胞角蛋白19片段抗原(CYFRA21-1)、癌抗原125 (CA125)等建立影像组学预测模型并绘制预测淋巴结转移的受试者工作曲线(ROC)，训练组和验证组的曲线下面积(AUC)分别为0.832、0.821 [13] 。这两项研究均论证了影像组学模型能够预测肺癌患者是否存在淋巴结转移。
3.2. 放射组学与慢性阻塞性肺疾病
Cho YH从COPD患者的胸部CT图像中提取了% LAA-950，AWT_Pi10_6th，AWT_Pi10_heterogeneity，% WA_heterogeneity，and VA18mm等放射组学特征，并构建放射组学预测模型，通过逻辑回归分析发现放射组学方法用于COPD患者的生存预测和风险分层是可行的，基于COPD患者胸部CT数据放射组学模型能够有效地识别死亡风险增加的患者 [14] 。
Occhipinti M对194例进行肺功能检测的COPD患者肺气肿严重程度进行CT量化分析，根据低衰减区低于-950 Hounsfield单位(% LAA-950insp)的百分比，将患者分为% LAA-950insp < 6的无肺气肿(NE)、% LAA-950insp ≥ 6和<14的中度肺气肿(ME)和% LAA-950insp ≥ 14的重度肺气肿(SE)；肺气肿严重程度指数(ESI)由最大呼气流量–体积曲线(MEFV)数学建模得出，将肺功能检测结果和放射组学得出的肺气肿严重程度进行比较，最终得出基于MEFV曲线形态的数学模型可以准确估计COPD患者肺气肿的严重程度 [15] 。
Gawlitza等提取了75例COPD患者吸气相和呼气相的CT放射组学特征(平均肺密度、全肺体积、低衰减区的体积、半高全宽及等参数)，并建立了平均预测、中值预测、k-邻近、梯度提升和多层感知器等5个肺功能预测模型，最终得出基于机器学习的模型可以根据CT放射组学来预测肺功能水平，其中k-邻近回归模型适用于小样本，多层感知器模型适用于大样本 [16] 。
3.3. 放射组学与矽肺病和肺结核
杨等人收集诊断为矽肺病的患者的临床资料和影像学特征，按比例随机分为训练组和测试组，选取7个放射组学特征构建矽肺的四分类放射组学预测模型，在验证集中0~Ⅲ期矽肺的曲线下面积(area under the curve, AUC)分别为0.86、0.84、0,81、0.95，认为在CT影像组学基础上建立的放射组学预测模型对于预测矽肺病的分期是可行的，对临床诊断具有指导意义 [17] 。
对矽肺患者和肺结核患者常规扫描肺部CT，然后采用AK/ITK软件对胸部CT进行分割，从而得到感兴趣的矽肺病灶和肺结核病灶，采用Rstudio实现支持向量机(SVM)，前馈反向传播神经网络(BP)和随机森林(RF)三种机器学习算法，计算AUC值和ROC曲线下面积，最终得出：随机森林为鉴别诊断矽肺与肺结核结节的最优预测模型，其准确度为83.1%，敏感度为0.76，特异度为0.9，AUC值为0.917，因此认为结论CT放射组学的随机森林预测模型能够有效鉴别矽肺病和肺结核 [18] 。
4. 总结与展望
综上，放射组学尤其是CT放射组学在呼吸系统疾病中的应用十分普遍，尤其是在肺结节和肺癌等局限性病灶的良恶性判断、病理分型、治疗效果评价和有无远处转移等方面已有许多研究证实了放射组学的有用性和有效性，但在诸如慢性阻塞性肺疾病、肺炎等弥漫性病变中的研究则相对较少，未来我们除了继续研究放射组学在肺癌等病变中的应用外，还需要加强对其他肺部弥漫性病变进行研究。此外还将放射基因组学、放射代谢组学等新型技术应用于各项研究中，以期能为临床实践提供更多指导意义。
NOTES
*通讯作者。