影像组学在儿童横纹肌肉瘤诊疗中的研究进展

Advances in Radiomics for the Diagnosis and Treatment of Pediatric Rhabdomyosarcoma

摘要: 儿童横纹肌肉瘤(Rhabdomyosarcoma, RMS)是儿童期最常见的软组织肉瘤，其异质性强、预后差异大，精准诊疗仍是临床面临的重大挑战。传统影像学检查(如MRI、CT)主要提供肿瘤形态学信息，对其内在的异质性、治疗反应早期评估及预后预测能力有限。影像组学作为一种新兴的定量分析方法，能提供RMS的精准诊疗。

Abstract: Pediatric Rhabdomyosarcoma (RMS) is the most common soft tissue sarcoma in children, characterized by significant heterogeneity and variable prognosis. Precision diagnosis and treatment remain a major clinical challenge. Conventional imaging techniques (e.g., MRI, CT) primarily provide morphological information about the tumor, with limited capability to assess its intrinsic heterogeneity, evaluate early treatment response, and predict prognosis. As an emerging quantitative analysis method, radiomics holds promise for enabling precise diagnosis and treatment of RMS.

1. 横纹肌肉瘤的简介

横纹肌肉瘤(Rhabdomyosarcoma, RMS)是儿童最常见的软组织肉瘤，约占所有儿童癌症的5% [1]，最常见于两个年龄高峰：2和6岁[2]。目前，组织学将RMS分为4型：胚胎性横纹肌肉瘤(embryonal RMS, eRMS)、腺泡性横纹肌肉瘤(alveolar RMS, aRMS)、梭形细胞/硬化性横纹肌肉瘤(spindle cells/sclerosing RMS, ssRMS)及多形性横纹肌肉瘤(pleomorphic RMS, pRMS) [3]。不同类型横纹肌肉瘤的组织学特征、发病年龄、发病部位和预后有着很大的差异[4]，RMS早期易侵入邻近组织，发生局部淋巴结及远处转移。病理检查是目前确诊该疾病的主要方法，但影像学检查对于明确RMS的诊断与分期具有重要的临床意义。传统影像学主要提供形态学评估，难以量化肿瘤内部的异质性[1]，而影像组学通过高通量提取和分析医学图像中的定量特征，为RMS的精准诊疗提供了新范式。本文旨在综述影像组学在RMS诊断、分型、预后预测及疗效评估中的最新进展，并探讨其面临的挑战与未来发展方向，强调临床需求与影像分析的深度融合。

2. 儿童横纹肌肉瘤的主要影像学检查方式

2.1. 超声

超声作为一种常规检查，被用于儿童局部软组织肿块、区域淋巴结的初步评估和随访监测，因其价格较便宜、操作方便，主要用于RMS肿块的初步评估和随访监测。从检查结果来看，RMS的超声声像图无特异性，表现为不均匀低至中等回声，出血、钙化罕见，肿瘤血流信号丰富。

2.2. 计算机断层扫描(CT)

CT是肿瘤性病变的常规检查之一，可全面显示RMS病灶的大小、位置及范围，对于检测骨质破坏更敏感。常用于评估肺部转移，多结节融合、周围血管、不均匀渐进性向心性强化的CT特征对儿童盆腔RMS的诊断价值最大。低于肌肉密度、坏死、无钙化、无出血的CT征象是诊断儿童骨盆RMS的有效影像学特征，具有较高的特异性[5]。

2.3. 磁共振成像(Magnetic Resonance Imaging, MRI)

MRI是评估肿瘤特征及与周围组织关系的首选方式[6]，也是评价RMS局部浸润和区域淋巴结肿大的首选成像方法。T1WI、T2WI、增强及功能序列(如DWI，DSC/DCE)能清晰显示肿瘤的解剖位置、侵犯范围、与神经血管的关系，并提供初步的细胞密度和血供信息。动态对比增强MRI可帮助判断病变强化特征及性质。

2.4. PET-CT和PET-MR

PET-CT和PET-MR是结合了代谢和解剖成像的功能成像方式，对于检出淋巴结受累和远处转移具有更高的敏感性，提高了儿童RMS分期的准确率。以¹⁸F-FDG PET-CT为核心，其可更好地反映RMS的影像特点及其内部生物化学信息，是分期和再分期的关键工具[7]。通过标准化摄取值反映肿瘤的代谢活性，是评估全身转移、引导活检和早期疗效监测的重要手段。

3. 影像组学的介绍

影像组学是定量图像分析中的一个新兴领域，旨在将大规模提取的影像信息与临床和生物学终点联系起来[8]。机器和深度学习作为一种主要的计算工具，在基于影像组学特征或分类器的高级模型构建中起到关键作用。影像组学和深度学习作为新兴的人工智能方法，能够从CT、MRI等常规医学影像中高通量提取人眼无法识别的定量特征，或通过深度神经网络自动学习特征，用于预测肿瘤生物学行为。影像组学通过将医学图像转化为可视化数据，建立从影像特征到临床决策的桥梁，有望在无创、动态、全面的层面上，提升对RMS生物学行为的理解，从而实现患者的个性化管理和治疗。

4. 影像组学在儿童RMS中的临床应用研究进展

4.1. 影像组学在肿瘤鉴别与分型的应用

有研究将儿童横纹肌样瘤(RT)的CT和MR影像学特征与横纹肌肉瘤的比较，指出边缘不明确与钙化是独立鉴别两者的重要因素[9]。另有研究建立了有效模型以区分软组织横纹肌肉瘤与神经母细胞瘤[10]，此外，基于CT及MRI的纹理特征被证实可用于区分RMS和卵黄囊瘤[11]。在RMS亚型鉴别方面，研究发现ARMS在T2WI图像上呈现更高的不均匀性和更复杂的纹理特征；同时，多组学研究证实ARMS与ERMS在分子通路上具有本质差异[12]。有研究结果指出，在儿童肉瘤分期检查，肿瘤体积与ADC值、SUV值之间存在显著的相关性，平均值与中位值的关联尤为明显[13]。近年来，半自动肿瘤体积测量方法的应用进一步提高了评估效率与准确性[14]，为临床实践带来了便利。

值得关注的是，在影像组学方法学层面，多项研究采用了不同技术路径进行分析。例如，有研究基于T2加权MRI影像组学预测儿童与青少年横纹肌肉瘤的肺泡亚型及远处转移[15]。在PET/MR相关研究则从ADC图中提取一阶特征以区分不同级别病变[13]，其降维方法多采用主成分分析(PCA)或最小冗余最大相关(mRMR)算法；另有研究从T2WI图像提取放射组学特征，实现对儿童软组织肉瘤不同级别和亚型的区分[16]。总体来看，现有研究在影像组学流程上尚未形成统一的标准化方案，各类方法在特征稳定性、可重复性及跨中心适用性等方面仍存在一定差异，有待进一步开展系统的横向比较与综合评价。

4.2. 影像组学在治疗评估的应用

早期、准确地评估化疗疗效对于调整治疗方案、避免无效治疗毒副作用具有重要意义。传统RECIST标准基于肿瘤径线变化，存在一定滞后性，而影像组学提供了新思路。例如，基于基线MRI构建的影像组学模型可在治疗前预测肿瘤对新辅助化疗的敏感性，从而实现疗效的早期预判[17]。再比如，化疗1~2个周期后，肿瘤体积变化可能不明显，但其内部纹理特征已发生显著变化，这些变化可作为早期反应标志物，比体积缩小更早出现，适用于早期疗效监测。Meta分析表明，基于影像组学及深度学习的模型在预测软组织肉瘤远处转移方面展现出良好甚至优秀的性能[18]。另有研究证实，常规T1增强磁共振成像的瘤周放射组学特征能够可靠地预测儿童横纹肌肉瘤对新辅助化疗的反应，从而在化疗早期实现有效的风险分层[19]。

4.3. 影像组学在预后预测的应用

影像组学的核心优势之一在于能将影像特征与患者的生存结局有效关联。有研究构建了结合临床分期和影像组学特征(如肿瘤边界不规则度、内部坏死区域的纹理)的列线图模型，其预测复发风险的效能显著高于仅使用临床因素的模型，提取自PET/CT的代谢纹理特征与RMS患儿的OS密切相关[6]。ADC值作为肿瘤学中的反应标志物，其直方图分析可为儿童及青少年横纹肌肉瘤提供基因型及治疗前表型信息，多项ADC直方图指标与患者的TNM分期、临床分组及风险分层显著相关[20]。

高异质性常提示肿瘤内部存在代谢活跃程度不同的细胞克隆，往往预示着更差的预后。有研究通过定量弥散加权MRI对横纹肌肉瘤进行疗效评估，发现在化疗三周期后，不同组织学类型和风险分组的肿瘤在基线时已表现出显著差异[21]。另有学者基于T1加权增强(T1CE)磁共振成像开发并验证了临床预测模型，该模型在捕捉肿瘤异质性及评估RMS患者生存结局方面展现出良好潜力[22]。

5. 当前挑战与局限性

儿童RMS属于罕见病，单中心样本量小，导致模型易过拟合，需要建立多中心、大样本、前瞻性的影像基因组学数据库。此外，由于儿童患者配合度低，图像易产生运动伪影，以及部分复杂解剖部位分割难度大，因此，必须加强图像质量控制，推动儿童专用图谱与模型的开发，并推广自动化或半自动化分割算法的应用。目前，许多机器学习模型(尤其是深度学习)仍缺乏可解释性，从影像中提取的纹理特征与肿瘤微观病理之间的生物学关联也有待进一步深入探索。

6. 总结与展望

影像组学为儿童横纹肌肉瘤的精准诊疗提供了新前景，尽管面临数据样本量较小、标准化和解释性等挑战，但随着多中心合作的深入、人工智能技术的发展，影像组学在未来将在RMS的诊断、治疗决策和预后中承担越来越重要的角色。未来应进一步推动多模态影像组学(如结合DWI、DCE-MRI、PET等)与深度学习方法的融合，利用卷积神经网络(CNN)实现端到端的特征学习与病灶自动分割，从而构建更高效、更精准的疗效预测与预后评估模型。通过持续优化，影像组学将助力实现儿童横纹肌肉瘤的“影像指导下的分层治疗”，切实提升诊疗水平。

NOTES

^*通讯作者。