脂肪抑制T2WI影像組學(xué)模型在子宮肌瘤和子宮腺肌瘤中的鑒別價(jià)值

陳程，葉苗苗，陳博，朱雪瓊

（溫州醫(yī)科大學(xué)附屬第二醫(yī)院，浙江 溫州 325027，1.婦產(chǎn)科；2.放射影像科）

子宮肌瘤和子宮腺肌瘤在臨床表現(xiàn)方面存在較多相似之處，常發(fā)生誤診或漏診。兩者治療方案不盡相同，子宮肌瘤易于手術(shù)剝除[1-2]，而子宮腺肌瘤手術(shù)時(shí)難以完整剝除[3]。目前，彩色多普勒超聲檢查被廣泛用于子宮腺肌瘤的診斷，其能探測(cè)到子宮肌層內(nèi)的異?；芈晥F(tuán)，但有時(shí)較難與子宮肌瘤鑒別[4]。影像組學(xué)（radiomics）最早于2012年由LAMBIN等[5]提出，是指通過(guò)計(jì)算機(jī)軟件從醫(yī)學(xué)影像中高通量地提取海量影像信息，對(duì)其進(jìn)行深層次的挖掘、預(yù)測(cè)和分析，將疾病的視覺(jué)影像信息轉(zhuǎn)化為深層次的可量化的影像紋理特征，以輔助醫(yī)師做出準(zhǔn)確的診斷。影像組學(xué)基本步驟包括圖像獲取、病灶識(shí)別、病灶圖像分割、特征提取及篩選、預(yù)測(cè)模型的建立及相關(guān)臨床信息的分析[6]。由于MRI對(duì)于軟組織分辨率高，在鑒別子宮肌瘤和子宮腺肌瘤方面具有較大的優(yōu)勢(shì)[7]。本研究旨在通過(guò)影像組學(xué)的方法探討脂肪抑制T2WI在術(shù)前子宮肌瘤與子宮腺肌瘤鑒別診斷中的價(jià)值。

1 對(duì)象和方法

1.1 對(duì)象 回顧性分析2015年4月至2019年9月溫州醫(yī)科大學(xué)附屬第二醫(yī)院臨床診斷為子宮肌瘤或子宮腺肌瘤的120例婦科手術(shù)患者，其中子宮肌瘤63例，子宮腺肌瘤57例。納入標(biāo)準(zhǔn)：①經(jīng)術(shù)后常規(guī)病理檢查確診為子宮肌瘤或子宮腺肌瘤；②術(shù)前使用同一種磁共振掃描儀行盆腔磁共振平掃檢查。排除標(biāo)準(zhǔn)：①臨床和影像學(xué)資料不完整；②術(shù)后常規(guī)病理提示同時(shí)存在子宮肌瘤和子宮腺肌瘤；③術(shù)前盆腔磁共振圖像偽影嚴(yán)重影響分析。參考影像組學(xué)相關(guān)研究[8]以7:3的分配比例隨機(jī)將120例研究對(duì)象分成訓(xùn)練組84例和驗(yàn)證組36例。其中訓(xùn)練組用于預(yù)測(cè)模型的建立，驗(yàn)證組用于預(yù)測(cè)模型的優(yōu)化與驗(yàn)證。

1.2 MRI檢查方法 采用美國(guó)GE公司Discovery MR7503.0T超導(dǎo)型磁共振掃描儀進(jìn)行檢查。所有患者排除磁共振檢查禁忌后，取仰臥位，采用體部相控陣線圈，線圈中心置于恥骨聯(lián)合，下腹部用海綿墊壓迫減輕呼吸運(yùn)動(dòng)偽影，掃描范圍覆蓋整個(gè)盆腔。常規(guī)掃描序列：軸位T1快速自旋回波（fast spin echo，F(xiàn)SE）、軸位脂肪抑制T2快速恢復(fù)快速自旋回波（fast recovery-fast spin echo，F(xiàn)R-FSE）、冠狀位T2FSE、矢狀位脂肪抑制T2FSE。多b值DWI采用自旋回波-回波平面成像（spin echo-echo plane imaging，SE-EPI）序列。

1.3 影像學(xué)分析

1.3.1 圖像分割：運(yùn)用ITK-SNAP軟件（Version 3.4.0，http：//www.itksnap.org/）在脂肪抑制T2WI圖像上勾畫感興趣區(qū)（region of interest，ROI）。由1名高年資放射科醫(yī)師通過(guò)ITK-SNAP軟件在脂肪抑制T2WI圖像上逐層勾畫靶病灶（最大病灶）邊緣，并融合成三維ROI，同時(shí)由另1名高年資放射科醫(yī)師進(jìn)行修改核對(duì)，見(jiàn)圖1。

圖1 在脂肪抑制T2WI圖像上分割子宮靶病灶并生成融合圖像（手動(dòng)分割法）

1.3.2 MRI影像組學(xué)特征提取及降維：①特征提?。簯?yīng)用美國(guó)GE公司AI-Kit（Artificial Intelligence Kit，Version：3.0.1.A）軟件對(duì)120例研究對(duì)象手術(shù)前的盆腔MRI脂肪抑制T2WI圖像進(jìn)行影像組學(xué)特征提取。紋理參數(shù)包括4大類特征共396個(gè)定量參數(shù)，分別為一階直方圖特征、紋理特征、灰度共生矩陣（gray-level co-occurrence matrix，GLCM）和灰度步長(zhǎng)矩陣（gray-level run-length matrix，GLRLM）特征。②特征降維：采用最大相關(guān)-最小冗余（maxrelevance and min-redundancy，mRMR）和最小絕對(duì)收縮算子特征選擇法（least absolute shrinkage and selection operator，LASSO）[9]對(duì)提取的影像組學(xué)特征進(jìn)行降維，以降低預(yù)測(cè)模型的復(fù)雜程度，且LASSO回歸選擇十折交叉驗(yàn)證。

1.3.3 數(shù)據(jù)標(biāo)準(zhǔn)化處理：用Excel進(jìn)行Z-score標(biāo)準(zhǔn)化，先求出所有參數(shù)的算數(shù)平均值xi和標(biāo)準(zhǔn)差si；再進(jìn)行標(biāo)準(zhǔn)化處理，zij=(xij-xi)/si，其中zij為標(biāo)準(zhǔn)化后的參數(shù)值，xij為實(shí)際參數(shù)值；最后將逆指標(biāo)前的正負(fù)號(hào)對(duì)調(diào)。

1.4 統(tǒng)計(jì)學(xué)處理方法 采用R（Version：3.4.4，https：//www.r-project.org/）軟件進(jìn)行統(tǒng)計(jì)學(xué)分析。正態(tài)分布的計(jì)量資料用±s表示，2組間比較用t檢驗(yàn)；非正態(tài)分布用M（P25，P75）表示，2組間比較用秩和檢驗(yàn)；將篩選獲得的影像組學(xué)特征通過(guò)logistic回歸得到各自的回歸系數(shù)，建立預(yù)測(cè)模型，并對(duì)回歸方程做擬合優(yōu)度檢驗(yàn)。每例研究對(duì)象的影像組學(xué)評(píng)分（Rad-score）通過(guò)mRMR和LASSO選取的特征與其logistic回歸系數(shù)的線性組合來(lái)計(jì)算[10]。用Delong檢驗(yàn)比較2組接受者操作特性曲線下面積（area under the receiver-operating characteristic curve，AUC），AUC的值越接近于1，該模型的預(yù)測(cè)效能越高。P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 臨床資料 120例手術(shù)患者中術(shù)后常規(guī)病理診斷為子宮肌瘤患者63例，年齡22～67（49±8）歲，腫瘤直徑為3.7（2.4，5.6）cm；術(shù)后常規(guī)病理診斷為子宮腺肌瘤的患者57例，年齡25～71（45±8歲），腫瘤直徑為5.6（4.6，7.2）cm。

2.2 影像組學(xué)分析 在脂肪抑制T2WI圖像上勾畫的ROI區(qū)域中，共提取出396個(gè)特征參數(shù)，其中394個(gè)特征具有較好的可重復(fù)性。首先進(jìn)行mRMR以消除冗余和無(wú)關(guān)的特征，保留了20個(gè)特征；然后通過(guò)LASSO回歸篩選并納入6個(gè)紋理參數(shù)構(gòu)建鑒別子宮肌瘤和子宮腺肌瘤的預(yù)測(cè)模型，見(jiàn)圖2和3。其中包括了1個(gè)紋理特征、2個(gè)GLCM特征和3個(gè)GLRLM特征。該預(yù)測(cè)模型的Rad-score=-2.1366+（2.6501×10-8×特征1）-（4.1243×10-8×特征2）+（4.3418×10-8×特征3）+（6.2868×10-4×特征4）+（1.1305×10-2×特征5）-（4.4976×10-7×特征6），見(jiàn)表1。子宮腺肌瘤Rad-score值的均數(shù)為-0.633，95%CI（-0.834～-0.431），子宮肌瘤Rad-score值的均數(shù)為1.330，95%CI（0.857～1.802），2組Rad-score值的差異有統(tǒng)計(jì)學(xué)意義（Z=-7.102，P＜0.001）。Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)顯示，訓(xùn)練組和驗(yàn)證組間的預(yù)測(cè)值和觀察值差異均無(wú)統(tǒng)計(jì)學(xué)意義（P=0.148、0.472），表明無(wú)擬合偏離，數(shù)據(jù)與模型配合較好。

圖2 LASSO模型中調(diào)節(jié)參數(shù)（λ）的選擇圖

圖3 LASSO回歸模型中使用十折交叉驗(yàn)證篩選特征的特征系數(shù)收斂圖

2.3 預(yù)測(cè)模型評(píng)價(jià) 訓(xùn)練組中影像組學(xué)特征構(gòu)建的預(yù)測(cè)模型對(duì)鑒別子宮肌瘤和子宮腺肌瘤的AUC值為0.861，敏感度為84.1%（37/44），特異度為82.5%（33/40），模型準(zhǔn)確率為83.3%（70/84），模型預(yù)測(cè)結(jié)果的ROC曲線見(jiàn)圖4。驗(yàn)證組中鑒別子宮肌瘤和子宮腺肌瘤的AUC值為0.913，敏感度為84.2%（16/19），特異度為94.1%（16/17），模型準(zhǔn)確率為88.9%（32/36），2組ROC曲線差異無(wú)統(tǒng)計(jì)學(xué)意義（D=-0.836，P=0.405），見(jiàn)圖5。

3 討論

子宮肌瘤和子宮腺肌瘤是育齡期女性常見(jiàn)的婦科疾病，2者的臨床表現(xiàn)相似，均會(huì)造成經(jīng)量增多、經(jīng)期延長(zhǎng)等癥狀，甚至導(dǎo)致患者習(xí)慣性流產(chǎn)、不孕[11-12]，嚴(yán)重影響患者的身心健康及生活質(zhì)量。子宮腺肌瘤區(qū)別于子宮肌瘤的最主要臨床表現(xiàn)是繼發(fā)性痛經(jīng)并進(jìn)行性加重[13]。目前，彩色多普勒超聲檢查是子宮肌瘤和子宮腺肌瘤常用的診斷手段，但子宮肌瘤和子宮腺肌瘤在聲像圖上存在相似之處，特別是不典型子宮肌瘤和局限性子宮腺肌瘤的鑒別診斷，容易誤診及漏診[14]。由于子宮肌瘤和子宮腺肌瘤的治療原則及治療方式不同，因此較準(zhǔn)確地鑒別子宮肌瘤和子宮腺肌瘤對(duì)于患者尤為重要[15]。

表1 基于脂肪抑制T2WI圖像最小誤差對(duì)應(yīng)的6個(gè)紋理參數(shù)

圖4 基于脂肪抑制T2WI圖像紋理特征預(yù)測(cè)模型在訓(xùn)練組中的ROC曲線

圖5 基于脂肪抑制T2WI圖像紋理特征預(yù)測(cè)模型在驗(yàn)證組中的ROC曲線

影像組學(xué)技術(shù)來(lái)源于計(jì)算機(jī)輔助診斷（computer aided diagnosis，CAD），目前已經(jīng)發(fā)展成為融合影像、基因、臨床等信息的輔助診斷、分析和預(yù)測(cè)的方法[16]。本研究以磁共振脂肪抑制T2WI圖像的影像組學(xué)特征為基礎(chǔ)，以術(shù)后常規(guī)病理結(jié)果為金標(biāo)準(zhǔn)，建立鑒別子宮肌瘤和子宮腺肌瘤的影像組學(xué)預(yù)測(cè)模型。

子宮肌瘤為平滑肌組織，故脂肪抑制T2WI呈低信號(hào)，肌瘤發(fā)生變性時(shí)信號(hào)增高；子宮腺肌瘤為子宮內(nèi)膜組織，由于內(nèi)膜組織周期性出血，陳舊性出血脂肪抑制T2WI呈低信號(hào)，亞急性出血呈高信號(hào)。因此，部分子宮肌瘤與子宮腺肌瘤依靠視覺(jué)影像鑒別存在困難。近年來(lái)，磁共振成像在鑒別子宮肌瘤和子宮腺肌病方面的優(yōu)勢(shì)逐漸顯現(xiàn)[17]。JHA等[18]通過(guò)分析50例子宮肌瘤和43例子宮腺肌病患者的DWI圖像發(fā)現(xiàn)表觀擴(kuò)散系數(shù)（apparent diffusion coefficient，ADC）在正常子宮肌層、子宮肌瘤和子宮腺肌病之間存在明顯差異；研究者選取了其中的20例子宮肌瘤和20例子宮腺肌病患者，通過(guò)ROI法測(cè)量ADC值，發(fā)現(xiàn)與子宮腺肌病相比，子宮肌瘤具有更高的組織異質(zhì)性。另一項(xiàng)研究對(duì)17例子宮肌瘤和22例子宮腺肌病患者展開研究，通過(guò)比較DWI圖像的ADC值及ADC-D值（定義為高信號(hào)密集灶的ADC值與病變組織的ADC值的差值）來(lái)鑒別子宮肌瘤和子宮腺肌病，結(jié)果發(fā)現(xiàn)DWI成像上的ADC值有利于子宮肌瘤和子宮腺肌病的鑒別診斷，但是ADC-D值的鑒別能力較ADC值高；相較于子宮肌瘤而言，子宮腺肌病的ADC-D值較低[19]。

本研究首次提出基于脂肪抑制T2WI圖像建立鑒別子宮肌瘤和子宮腺肌瘤的影像組學(xué)預(yù)測(cè)模型，發(fā)現(xiàn)子宮肌瘤的Rad-score值大于子宮腺肌瘤，且診斷準(zhǔn)確率為83.3%（訓(xùn)練組）、88.9%（驗(yàn)證組）。雖然目前大多采用彩色多普勒超聲檢查鑒別子宮肌瘤和子宮腺肌瘤，但其鑒別診斷水平受制于影像科醫(yī)師的工作經(jīng)驗(yàn)，而影像組學(xué)預(yù)測(cè)模型則是對(duì)海量影像數(shù)據(jù)信息進(jìn)行深層次的挖掘、預(yù)測(cè)和分析來(lái)輔助醫(yī)師做出準(zhǔn)確的診斷，具有客觀性。我們相信通過(guò)更大樣本的影像數(shù)據(jù)和診斷數(shù)據(jù)，不斷進(jìn)行深度機(jī)器學(xué)習(xí)訓(xùn)練，特別是融入臨床資料構(gòu)建臨床影像組學(xué)模型，能夠進(jìn)一步提高該預(yù)測(cè)模型的診斷準(zhǔn)確率。

通過(guò)構(gòu)建影像組學(xué)預(yù)測(cè)模型，提供量化的子宮肌瘤和子宮腺肌瘤的鑒別診斷標(biāo)準(zhǔn)，是一種更加優(yōu)越、無(wú)創(chuàng)、客觀地鑒別子宮肌瘤和子宮腺肌瘤的工具。該預(yù)測(cè)模型在臨床工作中的應(yīng)用，可為臨床醫(yī)師制定治療方案提供可靠的診斷依據(jù)。此外，將成熟的臨床影像組學(xué)模型開發(fā)為人工智能（artificial intelligence，AI）診斷軟件可以幫助影像醫(yī)師削減讀片時(shí)間，提升工作效率。