分享:
分享到微信朋友圈
X
综述
结直肠癌影像基因组学的研究进展
贾露露 崔雅琼 黄刚

Cite this article as: Jia LL, Cui YQ, Huang G. Research progress of colorectal cancer radiogenomics[J]. Chin J Magn Reson Imaging, 2022, 13(12): 159-162.本文引用格式:贾露露, 崔雅琼, 黄刚. 结直肠癌影像基因组学的研究进展[J]. 磁共振成像, 2022, 13(12): 159-162. DOI:10.12015/issn.1674-8034.2022.12.030.


[摘要] 结直肠癌(colorectal cancer, CRC)是目前我国发病率及死亡率最高的恶性肿瘤之一。基因分型对CRC患者的个性化治疗和预后分析有重要的指导意义。影像基因组学通过提取及分析大量的图像特征,建立肿瘤基因型和影像学表型之间的联系,可以在术前无创地预测肿瘤相关的基因型。目前,越来越多的研究致力于分析图像特征与CRC基因型的相关性,为CRC基因型的诊断和预测提供了更精准的信息。本综述将对基于CRC的影像基因组学的临床应用、发展前景以及目前在工作中展现出来的缺陷进行总结,以便于临床工作者更好地了解CRC的影像基因组学,并将其更广泛地应用于临床工作中,为临床诊疗工作提供新的诊疗方法和思路。
[Abstract] Colorectal cancer (CRC) is one of the malignant tumors with the highest morbidity and mortality in China. Genotyping has important guiding significance for personalized treatment and prognostic analysis of CRC patients. By extracting and analyzing a large number of image features and establishing the link between tumor genotype and imaging phenotype, radiomics can non-invasively predict tumor-related genotypes before surgery. At present, more and more research is devoted to analyzing the correlation between image characteristics and CRC genotypes, which provides more accurate information for the diagnosis and prediction of CRC genotypes. This review will summarize the clinical application, development prospects and current shortcomings of CRC radiogenomics, in order to facilitate clinicians to better understand CRC radiogenomics and apply it more widely in clinical work, and provide new diagnosis and treatment methods and ideas for clinical diagnosis and treatment.
[关键词] 结直肠癌;影像组学;影像基因组学;分子分型;鼠类肉瘤病毒癌基因;微卫星不稳定性;磁共振成像
[Keywords] colorectal cancer;radiomics;radiogenomics;molecular typing;Kirsten rats arcoma viral oncogene;microsatellite instability;magnetic resonance imaging

贾露露 1   崔雅琼 2   黄刚 2*  

1 甘肃中医药大学第一临床医学院,兰州 730000

2 甘肃省人民医院放射科,兰州 730000

黄刚,E-mail:keen0999@163.com

作者利益冲突声明:全体作者均声明无利益冲突。


收稿日期:2022-05-25
接受日期:2022-11-04
中图分类号:R445.2  R735.3 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.12.030
本文引用格式:贾露露, 崔雅琼, 黄刚. 结直肠癌影像基因组学的研究进展[J]. 磁共振成像, 2022, 13(12): 159-162. DOI:10.12015/issn.1674-8034.2022.12.030.

       结直肠癌(colorectal cancer, CRC)是最常见的恶性肿瘤之一,发病率和死亡率逐年上升。2020年全球新增病例近200万,死亡病例94万,约占癌症相关死亡病例的1/10[1]。我国新发病例约38万/年,死亡病例20万/年[2],呈明显的年轻化趋势。手术切除辅以放、化疗是CRC的推荐治疗模式,但一部分患者效果欠佳[3, 4]。针对肿瘤驱动基因的分子靶向治疗是常规治疗效果不佳的CRC患者可行的替代治疗方案。靶向治疗需要评估基因状态,传统的活检组织标本基因检测是金标准,但成本高、脱氧核糖核酸的可用性差、周转时间长[5],且检出的基因信息不能代表整个肿瘤的时间和空间异质性。基于人工智能的影像组学充分发挥计算机视觉的优势,通过自动化、高通量提取影像特征,为CRC基因型的检测提供一种新的无创方式[6]

       影像组学在CRC诊断、鉴别诊断、分期、转移、治疗反应及预后评价等方面取得了丰硕成果[7],而利用影像基因组学预测肿瘤基因表型在多系统疾病中也得以验证[8],使其预测CRC基因模式成为可能。以鼠类肉瘤病毒癌基因(Kirsten rats arcoma viral oncogene, KRAS)、微卫星不稳定(microsatellite instability, MSI)状态及KRAS同源物B1(v-raf murine sarcoma viral oncogene homolog B1, BRAF)为代表的基因的预测在CRC诊疗中具有重要的临床意义,目前多项研究发现了相关联的遗传分子的定性影像特征。本综述的目的是总结影像基因组学在预测CRC基因状态方面的研究,明确CRC的影像组学特征与基因型的相关性,并讨论当前的限制、挑战和未来的方向。

1 影像组学预测CRC基因型

1.1 影像组学预测KRAS型

       以西妥昔单抗和帕尼单抗为代表的针对表皮生长因子受体(epidermal growth factor receptor, EGFR)的单克隆抗体推进了晚期CRC的靶向治疗。KRAS是一种位于12号染色体的原癌基因,编码的KRAS蛋白是EGFR功能信号的下游分子,与CRC的生成、增殖、迁移、扩散及血管生成密切相关。突变后的患者对EGFR抑制剂不敏感[9]。基因表达状态很大程度上决定能否使用EGFR抗体治疗,KRAS也是重要的预后生物标志物,准确识别可为精准治疗提供决策支持。

       传统影像学检查只能通过视觉评估病灶大小、形态、血管、代谢特点及淋巴结转移[10]等可能与CRC的KRAS突变相关的定性表型。如:计算机断层扫描(computed tomography, CT)图像上测量的直肠上静脉直径,突变型患者与野生型相比直径明显增加[(4.6±0.9)mm vs.(4.2±0.9)mm,P=0.02][11];区域淋巴结坏死在不同组间也有显著差异(P=0.011)[12]。MRI也能提供KRAS突变的预测依据。例如:息肉样肿瘤形态、轴向长度增加、轴向与纵向比率增加和更高的N2淋巴结状态[13]。表观扩散系数(apparent diffusion coefficient, ADC)在突变型组低于野生型组[14],尤其ADC和ADCmean值在肝转移型CRC患者中显著降低[15]。正电子发射计算机断层显像(positron emission tomography, PET)研究结果存在争议,研究[16, 17, 18, 19]发现18F-脱氧葡萄糖(fluorodeoxyglucose, FDG)摄取与KRAS强相关,摄取越高时基因突变的可能性越大,突变后的肿瘤具有显著的高糖代谢。也有学者认为18F-FDG摄取与KRAS基因状态无关,PET/CT中定量指标的准确性不足以发挥有意义的临床作用[20]。关于CRC基因突变与传统影像特征相关性的研究之间结果存在差异,可能是由于传统影像学特征容易受到主观因素、图像质量及扫描参数的影响。而人眼所能获取的图像信息有限,基因预测准确率并不高,因此,越来越多的研究开始尝试发掘计算机视觉的潜力。

       影像组学将图像数字化编码为高阶定量特征,应用于CRC的KRAS突变研究。直方图分析发现PET/CT一阶特征与RAS突变显著相关,而标准摄取值(standard uptake value, SUV)、变异系数和最大标准化摄取值(maximum standardized uptake value, SUVmax)的精度只有65%。利用纹理分析技术对65个PET/CT图像特征进行降维后发现突变型肿瘤代谢肿瘤体积内的SUVmax的第25百分位数和灰度共生矩阵的对比度增加,曲线下面积(area under the curve, AUC)分别为0.79和0.73[21]。PET/CT结合递归决策树分析、肿瘤18F-FDG摄取、CT纹理和灌注的测量,能识别表现为缺氧或增殖表型的KRAS突变CRC的成像特征,准确率达到90.1%(79.2%~96.0%)[22]。基于PET/CT的影像组学模型整体效能较低,这可以部分解释为被研究人群的异质性、SUVmax截止值不同等。Taguchi等[23]提取14个门脉期CT图像纹理参数建立支持向量机模型,同时记录PET/CT图像SUVmax建立逻辑回归模型,比较二者判别基因突变的效能,CT纹理分析明显优于传统SUVmax(AUC分别为0.82、0.58)。基于CT建立支持向量机、通用梯度回归模型、神经网络和随机森林等多种模型,最高准确度和Kappa值分别达到83%和64.7%[24]。针对不同分期CRC,影像组学模型均显示出较高的诊断性能(Ⅱ期AUC为0.991、Ⅲ期AUC为0.99、Ⅳ期AUC为1.00)[25],包括治疗前肝转移型CRC患者,CT偏度与KRAS突变也呈负相关(P=0.02)[26]。一般认为高阶小波纹理特征诊断性能最好,优于其他纹理特征[24]。CT平扫图像的偏度、熵、峰度与CT增强图像的峰度和均值经不同滤波器空间尺度滤波后相结合建立预测模型在验证组中AUC、敏感度和特异度高达0.995、100.0%、93.7%[27]。目前,CT影像组学预测直肠癌KRAS基因的研究中大都使用门脉期增强图像,曹云太[28]就不同扫描期相获取的图像与KRAS状态的关系进行探索,比较术前三期增强CT图像特征建立的模型,发现延迟期模型预测性能优于动、静脉期,可能是因为延迟期对比剂含量高且分布均匀。CT影像组学特征在KRAS基因表型之间存在显著相关性,尤其是纹理特征。大多数研究都使用门脉期图像,动脉期和延迟期的图像特征与KRAS基因状态的关系很少有学者去探索。T2WI纹理特征也被证实具有预测KRAS突变的潜力(AUC为0.703~0.9427)[29, 30, 31, 32]。在非黏液性直肠癌患者T2WI纹理参数中,突变组的偏度也显著高于野生型组[(0.221±0.283)vs.(-0.006±0.178),P=0.003][13]。在局部晚期直肠癌患者中,MRI T2图像特征判别KRAS状态的价值也得到证实[33]。一般来说,突变型直肠癌患者的伸长率和平直度通常显著高于野生型,表明肿瘤纵横比值越大KRAS基因突变风险越高[13],分析T1c图像肿瘤最大层面也得出相似的结论[34]。对T2WI纹理特征值进行分析,联合神经侵犯预测KRAS基因突变的AUC为0.815,同时获取容积转运常数、速率常数、血管外细胞外间隙容积分数在内的动态对比增强(dynamic contrast enhanced, DCE)图像参数,以及灌注分数、真实扩散系数、假性扩散系数等体素内不相干运动(intravoxel incoherent motion, IVIM)图像参数,结果显示DCE、IVIM功能参数与基因状态没有显著相关性[35]。基于T1WI、DWI和DCE-MRI评估直肠癌生物学特性,KRAS预测模型的AUC为0.651(95% CI:0.539~0.763),其中小波特征占大多数(7/10),关键特征来自于T1c(3/10)和ADC图(3/10)[36]。分析ADC、DWI、T1c和T2WI在内的多参数MRI,突变型直肠癌患者的ADC纹理更粗糙,TIc的强化也更不均匀,以ADC偏度的预测效能最好,模型AUC在训练集和验证集分别为0.81、0.77,显示出了多序列图像预测基因的价值[37]。此外,扩散峰度成像衍生的扩散参数也被证实可以检测73%的肝转移型CRC患者的RAS突变。MRI的多个序列图像特征均可以预测KRAS突变,并且具有良好的稳定性及诊断效能,是识别KRAS过表达型CRC的一种潜在手段。

1.2 影像组学预测MSI状态

       微卫星是细胞脱氧核糖核酸中短的核苷酸重复序列[38]。MSI指脱氧核糖核酸序列中简单重复序列的碱基长度和(或)重复次数的增加或减少,产生遗传不稳定性,由脱氧核糖核酸错配修复基因(MLH1、MSH2、MSH6和PMS2等基因)失活突变引起,是CRC的重要致癌途径之一。MSI影响患者预后[39],对靶向药物的选择也有指示作用,免疫检查点抑制剂治疗可用于MSI的晚期CRC患者,准确评估有助于精准治疗。Golia等[40]基于Ⅱ~Ⅲ期的CRC患者门脉期CT图像建立MSI预测模型,训练组和验证组的AUC分别为0.74、0.76,但敏感度只有28.9%、31.6%。Fan等[41]采用CT图像的峰度特征和小波特征建模,提高了诊断性能(AUC、准确率、敏感度和特异度分别为0.688、71.3%、51.7%及85.8%),其中高阶特征贡献更大,说明高阶统计特征对预测MSI状态的重要性。Li等[42]进行了多中心的验证,纳入了四个独立机构的患者CT图像,三个外部测试集的准确率、敏感度和特异度在训练组和测试组分别为73%、77%、68%和69%、67%、72%,AUC分别为0.79和0.73。Golia等[40]将手术标本的聚合酶链式反应结果与影像组学特征相关联,突变肿瘤在成像上空间异质性更大。在不增加聚合酶链式反应和免疫组化成本的情况下,影像组学方法可以提高成本-效果比。Wu等[43]发现基于双能CT影像组学的MSI状态预测模型还能应用于不同CT扫描仪,使用Revolution CT扫描仪的数据训练影像组学模型预测MSI状态,然后用Discovery CT 750 HD扫描仪的数据测试模型,训练集和验证集AUC分别为0.961、0.918,反映了CT影像组学特征的稳定性,拓宽了模型普适性。

       有学者认为MRI不同序列代表CRC的信号强度和定量参数,比CT更能反映CRC的异质性。Huang等[44]采用T2WI建立的影像组学模型AUC为0.70。Zhang等[45]基于6个T2WI影像组学特征的模型AUC达到0.784,敏感度和特异度分别为60.0%、97.3%,结合临床因素后,AUC、敏感度和特异度分别提高至0.895、66.7%和98.7%。T2WI和ADC图组合建立机器学习分类器预测MSI状态的准确性最高(AUC为0.926),优于单序列模型(AUC分别为0.895、0.858),表明多参数MRI在鉴别MSI状态时能起到互补的作用[46]。利用18F-FDG PET/CT进行影像组学分析[21],预测CRC患者MSI的AUC为0.828,敏感度、特异度和准确率分别为83.3%、76.3%和76.8%,也为确定CRC患者微卫星状态提供了一种定量、高效、无创的预测机制,优化治疗决策支持。这些研究证实可通过影像组学的方法获取有关CRC表型的相关信息。

       综上研究发现,目前影像组学在CRC患者MSI状态评估方面已有初步的尝试,通过将传统图像由定性转为定量分析,有利于充分发掘图像中的特征信息,提高无创评估CRC的MSI状态的准确性,有望成为可广泛应用于临床的影像新技术。

1.3 影像组学预测其他基因状态

       此外,还有许多其他基因与CRC的发生发展有密切的联系,突变后可导致疗效差。多项测试探索CT、MRI、PET定量特征与CRC风险基因表达谱之间的关系,例如BRAF基因与抗EGFR靶向治疗效果密切相关,野生型患者在抗EGFR靶向治疗中获益更多,预后较好。BRAF突变型Ⅳ期CRC肿瘤的CT纹理特征标准差和正像素平均值低于野生型,偏斜度较低和平均值较高的肿瘤患者存在五年生存率的获益,表明CT纹理特征可能作为确定BRAF突变状态的潜在生物标志物和晚期CRC患者五年生存率的有效预测指标[47]。CRC患者的纹理特征与KRAS/NRAS/BRAF突变显著相关(P<0.001)[48],预测KRAS/NRAS/BRAF突变的AUC、敏感度和特异度分别为0.869、75.7%和83.3%。Chu等[49]结合和基因数据发现CXCL8的表达与增强CT影像学特征相关,临床分期及CXCL8影像组学模型可以预测无进展生存期,显示影像基因组学对CRC患者预后具有良好区分度。ABCC2、CD166、CDKNV1和INHBB等的表达变化也与增强CT特征密切相关,结合影像组学、基因表达分析和组织病理学检查可以提高分层预测能力,从而改善患者的临床管理[50]。PET/CT图像灰度共生矩阵特征中的低灰度区域强调是APC突变的唯一预测因子,而灰度步长矩阵特征中的短期低灰度强调是TP53突变的唯一预测因子(AUC为0.71)[21]。虽然目前几乎没有证据支持纹理异质性与任何特定的潜在生理过程或生物异质性之间的直接关联,但上述结果表明医学图像定量特征可能反映出CRC丰富且重要的生物学信息,与不良预后基因表型之间存在显著相关性,蕴含着肿瘤特定基因表达模式的影像特征可以作为CRC的影像标记物。

       综上发现,MRI检查序列和扫描方案复杂,受结直肠可变性影响,可能存在反映组织失真,在CRC影像组学研究中的应用受到了限制,目前主要采用CT图像。除了CT、MRI、PET等断层影像,基于超声图像的影像组学研究在多种疾病中进行了初步尝试,表现出较好的潜力,将其应用于CRC患者的基因检测可能是未来的新研究方向。不同模态图像有各自独特的优势和机理,凸显生物学信息的侧重点不同,联合应用有利于优势融合,深入挖掘可获取更有价值的信息。未来关于影像组学评估CRC基因状态的研究可着眼于拓展临床评估手段的广度,如多模态检查手段的联合,有望在提高基因检测的准确性同时降低诊断成本。

2 影像组学评估CRC基因型存在的问题

       影像基因组学是将肿瘤基因型与影像表型相关联的新兴领域,大量研究证实其预测CRC基因状态的可行性,具有重要的临床价值和应用潜力,但也存在不足:(1)现有研究多为单中心,样本量小且缺乏外部验证[22,51],制订实用且可靠的影像组学研究规范,建立并分享多中心联合数据库及云数据可提供充足、优质的数据资源,有助于获取更高级别的证据;(2)图像分割耗时耗力,且缺乏统一、可信的标准,而特征提取和分析受结直肠形状、大小、器官位置的可变性影响[52, 53],因此,开发及优化自动分割方法,消除人工分割的主观影响是急需解决的重要问题;(3)结、直肠肿瘤的基因状态可能与位置有关[54, 55],笼统分析可能会对结果产生不利影响,细化肿瘤类型及不同亚型有助于为个体化治疗提供更加精确的基因信息;(4)CRC基因状态与预后生存相关[56],由于临床研究的限制,长期预后的研究较少,临床医生可随访远期生存结果以进一步发掘影像特征对长期预后的反映能力。

3 总结与展望

       综上所述,影像组学技术可以预测CRC患者KRAS、MSI、BRAF、NRAS、APC、TP53等基因状态,从而有效促进临床个体化治疗、获取治疗反应信息并准确预测预后。在未来的研究中,有待进行大样本量、多中心以及标准化的深入研究,细化肿瘤类型及不同亚型,将更多的影像组学研究与肿瘤基因突变信息、临床预后信息相结合,提高影像组学在临床的应用率,使影像组学在CRC患者的诊疗方面发挥出独有优势。

[1]
Sung H, Ferlay J, Siegel RL, et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2021, 71(3): 209-249. DOI: 10.3322/caac.21660.
[2]
Chen WQ, Zheng RS, Baade PD, et al. Cancer statistics in China, 2015[J]. CA A Cancer J Clin, 2016, 66(2): 115-132. DOI: 10.3322/caac.21338.
[3]
Zhou J, Ji Q, Li Q. Resistance to anti-EGFR therapies in metastatic colorectal cancer: underlying mechanisms and reversal strategies[J/OL]. J Exp Clin Cancer Res, 2021, 40(1): 328 [2022-05-08]. https://jeccr.biomedcentral.com/articles/10.1186/s13046-021-02130-2. DOI: 10.1186/s13046-021-02130-2.
[4]
Biller LH, Schrag D. Diagnosis and treatment of metastatic colorectal cancer: a review[J]. JAMA, 2021, 325(7): 669-685. DOI: 10.1001/jama.2021.0106.
[5]
Herreros-Villanueva M, Chen CC, Yuan SS, et al. KRAS mutations: analytical considerations[J]. Clin Chim Acta, 2014, 431: 211-220. DOI: 10.1016/j.cca.2014.01.049.
[6]
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. DOI: 10.1016/j.ejca.2011.11.036.
[7]
Horvat N, Carlos Tavares Rocha C, Clemente Oliveira B, et al. MRI of rectal cancer: tumor staging, imaging techniques, and management[J]. Radiographics, 2019, 39(2): 367-387. DOI: 10.1148/rg.2019180114.
[8]
Qi YN, Zhao TT, Han MY. The application of radiomics in predicting gene mutations in cancer[J]. Eur Radiol, 2022, 32(6): 4014-4024. DOI: 10.1007/s00330-021-08520-6.
[9]
Andreyev HJ, Norman AR, Cunningham D, et al. Kirsten ras mutations in patients with colorectal cancer: the multicenter "RASCAL" study[J]. J Natl Cancer Inst, 1998, 90(9): 675-684. DOI: 10.1093/jnci/90.9.675.
[10]
Pershad Y, Govindan S, Hara AK, et al. Using naïve bayesian analysis to determine imaging characteristics of KRAS mutations in metastatic colon cancer[J/OL]. Diagnostics (Basel), 2017, 7(3): 50 [2022-05-08]. https://pubmed.ncbi.nlm.nih.gov/28869500. DOI: 10.3390/diagnostics7030050.
[11]
Song CY, Shen BQ, Dong Z, et al. Diameter of superior rectal vein - CT predictor of KRAS mutation in rectal carcinoma[J]. Cancer Manag Res, 2020, 12: 10919-10928. DOI: 10.2147/CMAR.S270727.
[12]
Promsorn J, Chadbunchachai P, Somsap K, et al. Imaging features associated with survival outcomes among colorectal cancer patients with and without KRAS mutation[J/OL]. Egypt J Radiol Nucl Med, 2021, 52(1): 15 [2022-05-08]. https://ejrnm.springeropen.com/articles/10.1186/s43055-020-00393-x. DOI: 10.1186/s43055-020-00393-x.
[13]
Jo SJ, Kim SH. Association between oncogenic RAS mutation and radiologic-pathologic findings in patients with primary rectal cancer[J]. Quant Imaging Med Surg, 2019, 9(2): 238-246. DOI: 10.21037/qims.2018.12.10.
[14]
Xu YY, Xu QY, Sun HL, et al. Could IVIM and ADC help in predicting the KRAS status in patients with rectal cancer?[J]. Eur Radiol, 2018, 28(7): 3059-3065. DOI: 10.1007/s00330-018-5329-y.
[15]
Gültekin MA, Türk HM, Beşiroğlu M, et al. Relationship between KRAS mutation and diffusion weighted imaging in colorectal liver metastases; Preliminary study[J/OL]. Eur J Radiol, 2020, 125: 108895 [2022-05-08]. https://pubmed.ncbi.nlm.nih.gov/32109834. DOI: 10.1016/j.ejrad.2020.108895.
[16]
Arslan E, Aksoy T, Gürsu RU, et al. The prognostic value of 18F-FDG PET/CT and KRAS mutation in colorectal cancers[J]. Mol Imaging Radionucl Ther, 2020, 29(1): 17-24. DOI: 10.4274/mirt.galenos.2019.33866.
[17]
He P, Zou Y, Qiu J, et al. Pretreatment (18)F-FDG PET/CT Imaging Predicts the KRAS/NRAS/BRAF Gene Mutational Status in Colorectal Cancer[J/OL]. J Oncol, 2021, 2021: 6687291 [2022-05-08]. https://pubmed.ncbi.nlm.nih.gov/34239564. DOI: 10.1155/2021/6687291.
[18]
Liu X, Wang SC, Ni M, et al. Correlation between 18F-FDG PET/CT intra-tumor metabolic heterogeneity parameters and KRAS mutation in colorectal cancer[J]. Abdom Radiol (NY), 2022, 47(4): 1255-1264. DOI: 10.1007/s00261-022-03432-5.
[19]
Lv Y, Wang X, Liang LR, et al. SUVmax and metabolic tumor volume: surrogate image biomarkers of KRAS mutation status in colorectal cancer[J]. Onco Targets Ther, 2019, 12: 2115-2121. DOI: 10.2147/OTT.S196725.
[20]
Oner AO, Budak ES, Yıldırım S, et al. The value of 18FDG PET/CT parameters, hematological parameters and tumor markers in predicting KRAS oncogene mutation in colorectal cancer[J]. Hell J Nucl Med, 2017, 20(2): 160-165. DOI: 10.1967/s002449910557.
[21]
Chen SW, Shen WC, Chen WT, et al. Metabolic imaging phenotype using radiomics of[18F]FDG PET/CT associated with genetic alterations of colorectal cancer[J]. Mol Imaging Biol, 2019, 21(1): 183-190. DOI: 10.1007/s11307-018-1225-8.
[22]
Miles KA, Ganeshan B, Rodriguez-Justo M, et al. Multifunctional imaging signature for V-KI-RAS2 Kirsten rat sarcoma viral oncogene homolog (KRAS) mutations in colorectal cancer[J]. J Nucl Med, 2014, 55(3): 386-391. DOI: 10.2967/jnumed.113.120485.
[23]
Taguchi N, Oda S, Yokota Y, et al. CT texture analysis for the prediction of KRAS mutation status in colorectal cancer via a machine learning approach[J]. Eur J Radiol, 2019, 118: 38-43. DOI: 10.1016/j.ejrad.2019.06.028.
[24]
González-Castro V, Cernadas E, Huelga E, et al. CT radiomics in colorectal cancer: detection of KRAS mutation using texture analysis and machine learning[J/OL]. Appl Sci, 2020, 10(18): 6214 [2022-05-08]. https://doi.org/10.3390/app10186214. DOI: 10.3390/app10186214.
[25]
Li Y, Eresen A, Shangguan JJ, et al. Preoperative prediction of perineural invasion and KRAS mutation in colon cancer using machine learning[J]. J Cancer Res Clin Oncol, 2020, 146(12): 3165-3174. DOI: 10.1007/s00432-020-03354-z.
[26]
Lubner MG, Stabo N, Lubner SJ, et al. CT textural analysis of hepatic metastatic colorectal cancer: pre-treatment tumor heterogeneity correlates with pathology and clinical outcomes[J]. Abdom Imaging, 2015, 40(7): 2331-2337. DOI: 10.1007/s00261-015-0438-4.
[27]
Cao J, Wang GR, Wang ZW, et al. CT texture analysis: a potential biomarker for evaluating KRAS mutational status in colorectal cancer[J]. Chung Kuo I Hsueh K'o Hsueh Tsa Chih, 2020, 35(4): 306-314. DOI: 10.24920/003770.
[28]
曹云太. 基于CT影像组学的结直肠癌分子分型预测研究[D]. 兰州: 兰州大学, 2021.
Cao YT. Prediction of molecular classification in colorectal cancer based on CT radiomics[D]. Lanzhou: Lanzhou University, 2021.
[29]
Oh JE, Kim MJ, Lee J, et al. Magnetic resonance-based texture analysis differentiating KRAS mutation status in rectal cancer[J]. Cancer Res Treat, 2020, 52(1): 51-59. DOI: 10.4143/crt.2019.050.
[30]
Xu Y, Xu Q, Ma Y, et al. Characterizing MRI features of rectal cancers with different KRAS status[J/OL]. BMC Cancer, 2019, 19(1): 1111 [2022-05-08]. https://pubmed.ncbi.nlm.nih.gov/31727020. DOI: 10.1186/s12885-019-6341-6.
[31]
樊芮娜, 李杭, 林礼波, 等. MRI影像组学预测结直肠癌患者KRAS基因突变[J]. 中国医学影像技术, 2022, 38(3): 392-397. DOI: 10.13929/j.issn.1003-3289.2022.03.017.
Fan RN, Li H, Lin LB, et al. MRI radiomics for predicting KRASgene mutation in colorectal cancer patients[J]. Chin J Med Imaging Technol, 2022, 38(3): 392-397. DOI: 10.13929/j.issn.1003-3289.2022.03.017.
[32]
Ma Y, Wang J, Song K, et al. Spatial-Frequency dual-branch attention model for determining KRAS mutation status in colorectal cancer with T2-weighted MRI[J/OL]. Comput Methods Programs Biomed, 2021, 209: 106311 [2022-05-08]. https://pubmed.ncbi.nlm.nih.gov/34352652. DOI: 10.1016/j.cmpb.2021.106311.
[33]
Zhang Z, Shen L, Wang Y, et al. MRI Radiomics Signature as a Potential Biomarker for Predicting KRAS Status in Locally Advanced Rectal Cancer Patients[J/OL]. Front Oncol, 2021, 11: 614052 [2022-05-08]. https://pubmed.ncbi.nlm.nih.gov/34026605. DOI: 10.3389/fonc.2021.614052.
[34]
Guo XF, Yang WQ, Yang Q, et al. Feasibility of MRI radiomics for predicting KRAS mutation in rectal cancer[J]. Curr Med Sci, 2020, 40(6): 1156-1160. DOI: 10.1007/s11596-020-2298-6.
[35]
孙丹琦, 王灵华, 李广政, 等. 纹理分析及功能磁共振成像预测直肠癌KRAS基因突变的可行性研究[J]. 临床放射学杂志, 2021, 40(5): 924-929. DOI: 10.13437/j.cnki.jcr.2021.05.020.
Sun DQ, Wang LH, Li GZ, et al. To predict KRAS mutation in rectal cancer patients with texture analysis and functional MRI[J]. J Clin Radiol, 2021, 40(5): 924-929. DOI: 10.13437/j.cnki.jcr.2021.05.020.
[36]
Meng XC, Xia W, Xie PY, et al. Preoperative radiomic signature based on multiparametric magnetic resonance imaging for noninvasive evaluation of biological characteristics in rectal cancer[J]. Eur Radiol, 2019, 29(6): 3200-3209. DOI: 10.1007/s00330-018-5763-x.
[37]
唐雪, 彭永佳, 陈亚曦, 等. 基于多参数MRI影像组学信号预测直肠癌KRAS基因突变的研究[J]. 磁共振成像, 2021, 12(11): 31-36. DOI: 10.12015/issn.1674-8034.2021.11.007.
Tang X, Peng YJ, Chen YX, et al. Multiparametric MRI radiomics signature for prediction of KRAS gene mutation in rectal cancer[J]. Chin J Magn Reson Imaging, 2021, 12(11): 31-36. DOI: 10.12015/issn.1674-8034.2021.11.007.
[38]
Jiricny J. The multifaceted mismatch-repair system[J]. Nat Rev Mol Cell Biol, 2006, 7(5): 335-346. DOI: 10.1038/nrm1907.
[39]
Bao X, Zhang H, Wu W, et al. Analysis of the molecular nature associated with microsatellite status in colon cancer identifies clinical implications for immunotherapy[J/OL]. J Immunother Cancer, 2020, 8(2): e001437 [2022-05-08]. https://pubmed.ncbi.nlm.nih.gov/33028695. DOI: 10.1136/jitc-2020-001437.
[40]
Golia Pernicka JS, Gagniere J, Chakraborty J, et al. Radiomics-based prediction of microsatellite instability in colorectal cancer at initial computed tomography evaluation[J]. Abdom Radiol (NY), 2019, 44(11): 3755-3763. DOI: 10.1007/s00261-019-02117-w.
[41]
Fan SX, Li XB, Cui XN, et al. Computed tomography-based radiomic features could potentially predict microsatellite instability status in stage Ⅱ colorectal cancer: a preliminary study[J]. Acad Radiol, 2019, 26(12): 1633-1640. DOI: 10.1016/j.acra.2019.02.009.
[42]
Li Z, Zhong Q, Zhang L, et al. Computed Tomography-Based Radiomics Model to Preoperatively Predict Microsatellite Instability Status in Colorectal Cancer: A Multicenter Study[J/OL]. Front Oncol, 2021, 11: 666786 [2022-05-08]. https://pubmed.ncbi.nlm.nih.gov/34277413. DOI: 10.3389/fonc.2021.666786.
[43]
Wu J, Zhang Q, Zhao Y, et al. Radiomics Analysis of Iodine-Based Material Decomposition Images With Dual-Energy Computed Tomography Imaging for Preoperatively Predicting Microsatellite Instability Status in Colorectal Cancer[J/OL]. Front Oncol, 2019, 9: 1250 [2022-05-08]. https://pubmed.ncbi.nlm.nih.gov/31824843. DOI: 10.3389/fonc.2019.01250.
[44]
Huang ZX, Zhang W, He D, et al. Development and validation of a radiomics model based on T2WI images for preoperative prediction of microsatellite instability status in rectal cancer: Study Protocol Clinical Trial (SPIRIT Compliant)[J/OL]. Medicine (Baltimore), 2020, 99(10): e19428 [2022-05-08]. https://pubmed.ncbi.nlm.nih.gov/32150094. DOI: 10.1097/MD.0000000000019428.
[45]
Zhang W, Huang Z, Zhao J, et al. Development and validation of magnetic resonance imaging-based radiomics models for preoperative prediction of microsatellite instability in rectal cancer[J/OL]. Ann Transl Med, 2021, 9(2): 134 [2022-05-08]. https://pubmed.ncbi.nlm.nih.gov/33569436. DOI: 10.21037/atm-20-7673.
[46]
Li Z, Dai H, Liu Y, et al. Radiomics Analysis of Multi-Sequence MR Images For Predicting Microsatellite Instability Status Preoperatively in Rectal Cancer[J/OL]. Front Oncol, 2021, 11: 697497 [2022-05-08]. https://pubmed.ncbi.nlm.nih.gov/34307164. DOI: 10.3389/fonc.2021.697497.
[47]
Negreros-Osuna AA, Parakh A, Corcoran RB, et al. Radiomics Texture Features in Advanced Colorectal Cancer: Correlation with BRAF Mutation and 5-year Overall Survival[J/OL]. Radiol Imaging Cancer, 2020, 2(5): e190084 [2022-05-08]. https://pubmed.ncbi.nlm.nih.gov/33778733. DOI: 10.1148/rycan.2020190084.
[48]
Yang L, Dong D, Fang MJ, et al. Can CT-based radiomics signature predict KRAS/NRAS/BRAF mutations in colorectal cancer?[J]. Eur Radiol, 2018, 28(5): 2058-2067. DOI: 10.1007/s00330-017-5146-8.
[49]
Chu Y, Li J, Zeng Z, et al. A Novel Model Based on CXCL8-Derived Radiomics for Prognosis Prediction in Colorectal Cancer[J/OL]. Front Oncol, 2020, 10: 575422 [2022-05-08]. https://pubmed.ncbi.nlm.nih.gov/33178604. DOI: 10.3389/fonc.2020.575422.
[50]
Badic B, Hatt M, Durand S, et al. Radiogenomics-based cancer prognosis in colorectal cancer[J/OL]. Sci Rep, 2019, 9(1): 9743 [2022-05-08]. https://pubmed.ncbi.nlm.nih.gov/31278324. DOI: 10.1038/s41598-019-46286-6.
[51]
何家鸿, 吴湖炳, 周文兰, 等. 比较PET传统参数与纹理参数在预测结直肠癌KRAS基因突变中的价值[J]. 中华核医学与分子影像杂志, 2018, 38(10): 662-667. DOI: 10.3760/cma.j.issn.2095-2848.2018.10.004.
He JH, Wu HB, Zhou WL, et al. Comparison of PET conventional parameters and texture parameters in prediction of KRAS gene mutation in colorectal cancer[J]. Chin J Nucl Med Mol Imaging, 2018, 38(10): 662-667. DOI: 10.3760/cma.j.issn.2095-2848.2018.10.004.
[52]
Langen KM, Jones DTL. Organ motion and its management[J]. Int J Radiat Oncol, 2001, 50(1): 265-278. DOI: 10.1016/S0360-3016(01)01453-5.
[53]
Lambin P, Leijenaar RTH, Deist TM, et al. Radiomics: the bridge between medical imaging and personalized medicine[J]. Nat Rev Clin Oncol, 2017, 14(12): 749-762. DOI: 10.1038/nrclinonc.2017.141.
[54]
Hong SN. Genetic and epigenetic alterations of colorectal cancer[J]. Intest Res, 2018, 16(3): 327-337. DOI: 10.5217/ir.2018.16.3.327.
[55]
Gao XH, Yu GY, Gong HF, et al. Differences of protein expression profiles, KRAS and BRAF mutation, and prognosis in right-sided colon, left-sided colon and rectal cancer[J/OL]. Sci Rep, 2017, 7(1): 7882 [2022-05-08]. https://pubmed.ncbi.nlm.nih.gov/28801584. DOI: 10.1038/s41598-017-08413-z.
[56]
Dai SD, Inoue M, Tanabe T, et al. Prognostic impact of primary tumor location in Stage Ⅲ colorectal cancer-right-sided colon versus left-sided colon versus rectum: a nationwide multicenter retrospective study[J]. J Gastroenterol, 2020, 55(10): 958-968. DOI: 10.1007/s00535-020-01706-7.

上一篇 基于CT和MRI影像组学的机器学习模型预测肝癌早期复发的研究进展
下一篇 移动医学影像的现状与未来
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2