肿瘤的影像特征可以间接地反映肿瘤的蛋白甚至基因的状态，影像组学则通过高通量地提取影像特征并进行相关分析，从而在预测肿瘤分期、病理分化程度、治疗疗效和预后中起到重要作用，主要综述了基于CT、MRI和PET/CT的影像组学在预测食管癌术前分期、术后脉管侵犯、癌病理分化程度和病理类型、治疗疗效和预后等领域的研究进展。
版权归中华医学会所有。
未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
世界范围内食管癌发病率位居第8位，死亡率位居第6位[1]。在中国食管癌的发病率更为严峻，在所有肿瘤中位居第6位[2]。食管癌总体预后仍然不客观，精准诊断也面临一些挑战。因此需要更为有效的标志物来进行食管癌的精确诊断、疗效预测和预后预测，以给予患者规范化治疗的同时兼顾个体化因素。影像组学便是其中较为有效的影像学标志物[3]。影像组学通过高通量地提取影像组学特征，成为连接病灶图像和个体化医学的桥梁[4]。近年来，影像组学在预测食管癌术前分期、病理分化程度、脉管侵犯、治疗疗效和预后中起到越来越重要的作用。影像组学主要通过提取影像特征进行分析，缺少基因和蛋白质水平的信息。近年来，影像-基因组学、影像-蛋白质组学也开始初见端倪。本文主要综述了基于CT、MRI和正电子发射计算机断层扫描（positron emission tomography，PET）/CT的影像组学在预测食管癌术前分期、术后脉管侵犯、癌病理分化程度和病理类型、治疗疗效和预后等领域的研究进展。
食管癌术前分期的判断对于食管癌的诊断和治疗具有重要意义[5]。传统的基于CT影像的分期判断存在精确度欠佳等问题，而基于影像组学的分期预测则提高了判断的准确性。在T分期诊断上，内镜超声（endoscopic ultrasonography，EUS）要优于CT和PET/CT，但是对于部分食管狭窄或梗阻的患者，超声内镜探头无法通过狭窄或梗阻部位，因而在实际临床工作中不是每个患者均能进行该项检查。目前研究显示影像组学在T分期判断中显示了良好的预测效能。Yang等[6]研究发现基于CT影像组学预测食管癌术前T分期曲线下面积（area under the curve，AUC）为0.86。术前N分期的判断则可以影响治疗方式的选择，如鉴别区域淋巴结和非区域淋巴结，非区域淋巴结是手术的禁忌证。多个研究均证实影像组学在预测食管癌术后淋巴结状态上均显示出优越的预测效能。Zhao等[7]研究显示基于食管癌原发灶和淋巴结影像组学预测食管癌术后淋巴结转移在训练组和验证组中的AUC分别为0.865、0.841。Li等[8]研究发现基于CT平扫、动脉期和静脉期图像的多序列影像组学可以较好地预测食管癌术后淋巴结转移，在训练组和验证组中的AUC分别为0.783、0.741。Ou等[9]研究则关注食管癌区域淋巴结和非区域淋巴结，所有患者中预测术后淋巴结转移在训练组和验证组中的AUC分别为0.865、0.841，对于具备淋巴结转移的患者，可以较好地区分区域淋巴结和非区域淋巴结（训练组和验证组中的AUC分别为0.98、0.95）。一项多中心的研究通过多个CT影像组学模型（手动勾画、机器辅助、深度特征）可以较好地预测食管癌淋巴结转移，发展组、内部验证组和外部验证组中C指数分别为0.875、0.874、0.840[10]。
脉管侵犯（lymphovascular invasion，LVI）为肿瘤侵犯血管和淋巴管，是食管癌复发转移的高危因素，也是不良预后因素[11]。因此，早期预测脉管侵犯对于食管癌的个体化治疗十分重要。Li等[12]基于CT影像组学对334例食管癌构建脉管侵犯预测模型，影像组学模型的AUC在训练组和验证组中分别为0.847、0.826，影像组学联合临床特征模型的AUC在训练组和验证组中分别为0.876、0.867。Peng等[13]对294例食管癌构建脉管侵犯预测模型，同样得到了不错的预测效能，在训练组中AUC为0.824。
食管癌病理分化程度包括低分化、中分化和高分化3种类型。病理分化程度为食管癌术后病理分期的重要参考指标之一。2位患者即使术后T分期相同，病理分化程度不同，最终的病理分期亦不相同[14]。基于CT影像组学的分析可以量化肿瘤的异质性[15]，从而有助于判断食管癌不同的病理分化程度。Kawahara等[16]对104例食管鳞癌手术患者研究发现，基于CT影像组学预测低分化组和中分化+高分化组的准确性、特异度、敏感性分别为85.4%、88.6%、80.0%，AUC为0.92。因此，基于CT影像组学可以较好地预测食管癌的术后病理分化程度。
基于CT影像组学还可以协助判断食管癌的不同病理类型。中国食管癌常见病理类型为鳞状细胞癌，少见病理类型为腺癌、小细胞癌和恶性黑色素瘤。Shi等[17]对28例食管原发性恶性黑色素瘤和94例食管鳞状细胞癌研究发现，基于CT影像组学构建的预测模型可以很好地区分以上2种不同的病理类型，实验组和验证组的AUC分别为0.975、0.906。
对于局部晚期可手术切除的食管癌，新辅助放化疗（neoadjuvant chemoradiotherapy，nCRT）联合手术治疗是其标准治疗方式[18]。然而并非所有患者均能取得理想效果，大约26%的患者可能接受新辅助放化疗后肿瘤退缩并不明显[19]，对于这些治疗疗效欠佳的患者也许新辅助放化疗不是其首选治疗手段。因此有效预测新辅助放化疗疗效对于治疗方案的选择至关重要。Li等[20]研究针对预测病理完全缓解率（pathological complete responses，pCRs）构建预测模型，分析显示影像组学特征+临床特征预测模型和临床特征预测模型AUC分别为0.84、0.70。
对于局部晚期不可手术切除的食管癌或拒绝手术的食管癌，根治性同步放化疗是其标准治疗。放疗前CT影像组学特征可以预测食管癌放化疗近期疗效，Luo等[21]研究纳入226例食管癌同步放化疗患者，预测指标为治疗后完全缓解（complete response，CR），影像组学特征预测模型在训练集和验证集AUC分别为0.812、0.744，影像组学特征联合临床特征预测模型效果更优，在训练集和验证集AUC分别为0.844、0.807。近期研究显示基于放疗期间多次MR影像组学特征可以进行疗效预测。An等[22]采集2个中心食管癌放疗前及放疗5、10次的MR，基于3次MR的Delta影像组学预测近期疗效，在训练组、内部验证组和外部验证组中AUC分别为0.824、0.744、0.742。
食管癌根治性放化疗后大约一半的患者出现局部复发[23]，早期预测局部复发对于个体化随访和治疗策略的制定十分关键。Kong等[24]对218例食管癌放化疗后构建局部无复发生存率（local recurrence-free survival，LRFS）预测模型，在训练组和验证组中C指数分别为0.742、0.715。一项入组302例患者的多中心研究显示融合影像组学特征、深度学习特征和临床特征的联合模型可以很好地预测食管癌放化疗后LRFS，训练组、内部验证组和外部验证组的C指数分别为0.82、0.78、0.76[25]。
放射性肺炎是食管癌放疗期间和放疗后常见的不良反应[26]。传统的临床特征和剂量参数预测模型预测效能有限，不同的中心剂量参数也不尽相同，基于剂量参数的预测模型预测效能和重复性有限。基于影像组学、剂量参数和临床特征的联合预测模型取得了较好的预测疗效。一项基于锥形束CT（cone-beam computed tomography，CBCT）影像组学的研究采集了96例食管癌放疗期间第3、4、5周3个时间节点的CBCT，基于影像组学、剂量参数和临床特征的联合模型在训练集和验证集中AUC分别为0.836、0.905，可以较好地预测食管癌放疗后≥2级放射性肺炎的发生[27]。Wang等[28]构建了delta影像组学预测模型预测食管癌放疗后重度急性肺炎（severe acute radiation pneumonitis，SARP），模型包含24个影像特征，与SARP状态显著相关，影像组学联合临床特征预测模型在训练集和验证集中C指数分别为0.975、0.921，达到了较好的预测效能。
普通CT只能反映肿瘤解剖结构，而18F-氟代脱氧葡萄糖（18F-fludeoxyglucose，18F-FDG）PET/CT则可以作为分子影像标志物反映肿瘤的代谢情况。近年来多个研究关注PET/CT影像组学在食管癌诊治中的应用，相关研究涉及食管癌临床分期预测、新辅助放化疗疗效预测、根治性放化疗疗效预测等多个领域。Deantonio等[32]对5项研究进行荟萃分析和系统回顾发现18F-FDG PET/CT影像组学可以较好地预测食管癌术后pCR，5项研究合并的AUC为0.821。Jayaprakasam等[33]研究发现18F-FDG PET/CT影像组学还可以预测临床T分期、临床N分期、PET对诱导化疗的反应情况、无进展生存率（progression-free survival，PFS）和总生存率（overall survival，OS）。Li等[34]对184例局部晚期接受同步放化疗的食管鳞癌研究发现4个PET相关的影像组学特征可以用来鉴别治疗无反应的患者。
多组学技术包括基因组学、转录组学、蛋白质组学和代谢组学，基于多组学技术的数据分析增加了对肿瘤的了解，并发现了有价值的生物学标志物[35]。单一的影像组学仅是通过高通量提取影像特征进行分析，缺少基因水平和蛋白质水平的信息；在影像组学的基础上联合基因组学和蛋白质组学，探索影像组学特征背后的基因差异，同时在基因层面和蛋白质层面筛选良好预测效能的生物标记物也是未来发展的方向。Cui等[36]对118例接受根治性放化疗的食管鳞癌患者的治疗前活检石蜡样本进行DNA检测，该研究显示基于6个影像组学特征构建的影像组学特征分数（radiomics score，Rad-score）可以预测PFS；进一步多因素分析显示Rad-score和同源重组修复（homologous recombination repair，HRR）通路是PFS的独立预后因素；在训练组和验证组中，影像-基因组学预测模型C指数分别为0.616、0.649。Brancato等[37]研究纳入了16例食管癌的病例，这些病例在肿瘤影像档案（the cancer imaging archive，TCIA）中有影像学资料，同时在癌症基因图谱（the cancer genome atlas，TCGA）中有基因组学和转录组学的数据。通过分析发现RNAm6A甲基化联合miRNA和影像组学与食管癌的临床特征（分期、饮酒史、体质量指数）显著相关。在分期中，miRNA-4746和HHL GLCM集群显著相关；在饮酒史中，LHH一阶均值和miRNA-21、miRNA-4746和miRNA-93显著相关；在体质量指数中，METTL3与HLH均值、LHL GLDM高灰度强调、HLL GLRLM灰度方差和LLL GLDM小相关性高灰度强调显著正相关。Zheng等[38]研究显示，相比传统TNM分期，在TNM分期、影像组学特征基础上联合蛋白质组学可以取得更好的预测效能。
目前食管癌影像组学得到了很大的发展，但是在以下几个方面仍然需要做进一步的延伸：（1）单一的影像已经不能满足临床的需求，需要CT、MR、PET/CT多模态的影像特征来进行模型构建，以达到更好的预测效能；（2）目前多数研究为单中心回顾性研究，需要多中心前瞻性研究来提高相关组学特征的重复性和预测效能；（3）采用机器学习、人工智能等更优的分析方法来进行数据分析；（4）基于影像组学特征的模型可以预测肿瘤的基因突变状态，如多个研究显示影像组学特征可以预测非小细胞肺癌EGFR突变状态[39,40,41]，食管鳞癌显著突变的基因包括TP53、ZNF750、NOTCH1、FAT1和NFE2L2[42]，目前未见相关研究使用影像组学特征预测以上基因突变，有待于未来进一步探索。
所有作者均声明不存在利益冲突
