T2WI序列紋理分析聯(lián)合機(jī)器學(xué)習(xí)的影像組學(xué)術(shù)前預(yù)測腎透明細(xì)胞癌的病理分級

石博文，葉靖，段紹峰，趙泓博，劉路路，許晴

1.大連醫(yī)科大學(xué)，遼寧大連 116044；2.江蘇省蘇北人民醫(yī)院影像科，江蘇揚(yáng)州 225001；3.上海GE 醫(yī)療公司，上海 210000；4.揚(yáng)州大學(xué)，江蘇揚(yáng)州 225001；*通訊作者 葉靖 18051061289@163.com

腎臟腫瘤是泌尿系統(tǒng)常見腫瘤，常無明顯癥狀，多因體檢發(fā)現(xiàn)，且多為惡性[1]。腎細(xì)胞癌是泌尿系統(tǒng)中惡性度較高的腫瘤，也是最常見的腫瘤之一，其中最常見的病理類型是腎透明細(xì)胞癌（clear cell renal cell carcinoma，ccRCC），約占腎臟腫瘤的60%。2016年，WHO 提出的新分級指南Fuhrman 核分級[2]在目前病理學(xué)分級系統(tǒng)的應(yīng)用最廣泛，也是判斷預(yù)后的獨(dú)立指標(biāo)之一，F(xiàn)uhrman 分級與腫瘤的生長速度和患者的預(yù)后密切相關(guān)，術(shù)前準(zhǔn)確分級對手術(shù)的治療及預(yù)后極為重要[3]。目前常規(guī)影像學(xué)檢查對腫瘤術(shù)前病理分級的診斷價(jià)值有限，而影像組學(xué)作為一種無創(chuàng)方法，利用大量自動(dòng)化數(shù)據(jù)特征化算法將感興趣區(qū)（ROI）轉(zhuǎn)化為可以進(jìn)行發(fā)掘處理的特征空間數(shù)據(jù)，結(jié)合機(jī)器深度學(xué)習(xí)，能夠?qū)δ[瘤病變內(nèi)在的異質(zhì)性進(jìn)行定量分析，并與病理分級進(jìn)行關(guān)聯(lián)[4]。本研究擬探討基于磁共振T2WI 圖像紋理分析聯(lián)合機(jī)器學(xué)習(xí)的影像組學(xué)對術(shù)前預(yù)測ccRCC 病理分級的價(jià)值。

1 資料與方法

1.1 研究對象 收集2016年6月—2019年6月我院MR 診斷報(bào)告提示為腎癌并經(jīng)術(shù)后病理證實(shí)為ccRCC 的63 例患者，根據(jù)Fuhrman 分級標(biāo)準(zhǔn)[2]分為高級別ccRCC 29 例（Ⅲ級+Ⅳ級），低級別ccRCC 34 例（Ⅰ級+Ⅱ級），男43 例，女20 例，年齡27～82 歲，平均（58.4±11.02）歲。納入標(biāo)準(zhǔn)：①手術(shù)病理證實(shí)為ccRCC 并進(jìn)行Fuhrman 分級；②術(shù)前進(jìn)行常規(guī)MRI檢查，無明顯影響圖像紋理分析的偽影；③病灶均為單發(fā)且初發(fā)首治。

1.2 MRI 檢查 63 例患者均進(jìn)行常規(guī)腎臟MRI 平掃，使用GE Discovery MR750 3.0T MR 掃描儀，患者掃描前均禁飲食8 h，橫軸面T2WI 采用呼吸觸發(fā)脂肪抑制PROPELLER 序列（RTr Ax fs T2 PROPELLER），掃描范圍覆蓋全部腎臟，T2WI 掃描參數(shù)：TR 4800 ms，TE 74 ms，回波鏈長度28，矩陣320×320，層厚5 mm，層間距1.0 mm，視野40 cm×40 cm。

1.3 圖像處理 在醫(yī)院影像歸檔和通信系統(tǒng)（PACS）以DICOM 格式導(dǎo)出納入研究患者的腎臟MRI 圖像。將獲得的T2WI 圖像導(dǎo)入ITK-Snap 軟件（version3.8.0，www.itk-snap.org），然后勾畫ROI。由一位具有10年工作經(jīng)驗(yàn)的影像診斷醫(yī)師操作軟件并對圖像進(jìn)行判讀，采用盲法以手動(dòng)方式在橫斷位T2WI 圖像上勾畫ROI（圖1），勾畫原則：①在病灶最大層面勾畫出病灶的最大范圍；②ROI 邊緣距離病灶邊緣約2 mm，盡量避免將腎臟正常組織畫入其中。由另一位高年資影像診斷醫(yī)師檢查勾畫結(jié)果，最后將獲取的ROI 圖像以NIFTI 格式保存。

圖1 男，42 歲。A.橫斷位磁共振T2WI 示右腎腫瘤；B.紅色區(qū)域?yàn)槭謩?dòng)勾畫感興趣區(qū)，術(shù)后病理證實(shí)為右腎透明細(xì)胞癌Ⅲ級

1.4 數(shù)據(jù)采集

1.4.1 特征提取 將獲取的T2WI 原始圖像和勾畫完成的ROI 圖像分為高級別ccRCC 和低級別ccRCC，分別導(dǎo)入A.K.軟件（Artificial Intelligent Kit），先進(jìn)行圖像預(yù)處理，主要對異常值進(jìn)行處理，使圖像標(biāo)準(zhǔn)化。然后將預(yù)處理后的圖像再次導(dǎo)入A.K.軟件提取病灶紋理特征，共396 個(gè)特征，包括6 類特征參數(shù)：直方圖特征、形態(tài)學(xué)特征、灰度共生矩陣參數(shù)（grey level co-occurrence matrix，GLCM）、基于GLCM 的Haralick 特征參數(shù)、游程矩陣參數(shù)（run length matrix，RLM）、灰度連通區(qū)域矩陣參數(shù)（gray level size zone matrix，GLSAZM）。

1.4.2 特征篩選與統(tǒng)計(jì)學(xué)方法 使用A.K.軟件內(nèi)置R 語言算法自動(dòng)進(jìn)行統(tǒng)計(jì)分析。首先采用A.K.軟件提取T2WI 圖像上的396 個(gè)影像組學(xué)特征，使用單因素方差分析特征參數(shù)，采用Mann-WhitneyU檢驗(yàn)或t檢驗(yàn)，剔除兩組參數(shù)間差異無統(tǒng)計(jì)學(xué)意義的參數(shù)，此步驟篩選出89 個(gè)兩組之間差異有統(tǒng)計(jì)學(xué)意義的影像組學(xué)特征參數(shù)。然后采用Spearman 相關(guān)性分析進(jìn)行特征去冗余，剔除自相關(guān)性系數(shù)>0.9 的紋理參數(shù)，在第一步的基礎(chǔ)上進(jìn)一步篩選出10 個(gè)特征參數(shù)。

1.4.3 構(gòu)建模型 將病例以7∶3 隨機(jī)分為訓(xùn)練集與測試集，使用降維后獲得的8 個(gè)特征參數(shù)建立隨機(jī)森林（random forest，RF）機(jī)器學(xué)習(xí)模型，70%的ROI 樣本（低級別23 例，高級別20 例）作為訓(xùn)練組訓(xùn)練機(jī)器學(xué)習(xí)模型，30%的樣本（低級別11 例，高級別9 例）作為測試組對模型的準(zhǔn)確性進(jìn)行測試，計(jì)算準(zhǔn)確度、敏感度、特異度，并獲得ROC 曲線及曲線下面積（AUC）。

2 結(jié)果

2.1 影像組學(xué)特征提取 采用最小絕對收縮算子算法（least absolute shrinkage and selection operator，LASSO）進(jìn)行特征值降維，采用交叉驗(yàn)證篩選各個(gè)特征在最佳log（lambda）時(shí)的系數(shù)，獲得與高、低級別ccRCC 鑒別相關(guān)的特征參數(shù)5 個(gè)，分為4 類。其中，直方圖參數(shù)1 個(gè)：uniformity；形態(tài)學(xué)參數(shù)1 個(gè)：Compactness 2；GLCM 2 個(gè)：Correlation_AllDirection_offset7_SD 和GLCMEntropy_AllDirection_offset7_SD；RLM 1 個(gè)：LongRunHighGreyLevelEmphasis_angle90_offset7（圖2）。

圖2 經(jīng)三步篩選在最佳log（lambda）時(shí)的系數(shù)（coefficient），獲得最具特征的5 個(gè)參數(shù)

2.2 構(gòu)建RF 機(jī)器學(xué)習(xí)模型及效能評價(jià) 使用A.K.軟件中的RF 模型對上述5 個(gè)影像學(xué)特征參數(shù)進(jìn)行分類訓(xùn)練和測試，計(jì)算得訓(xùn)練集準(zhǔn)確度、敏感度、特異度及ROI曲線下面積（AUC）均為100%，獲得訓(xùn)練集ROC 曲線；測試集準(zhǔn)確度、敏感度、特異度及AUC 分別為85%、100%、72%、0.87，獲得測試集ROC 曲線（圖3）。

圖3 篩選出的5 個(gè)特征參數(shù)構(gòu)建RF 機(jī)器學(xué)習(xí)模型，A 為訓(xùn)練集ROC 的AUC 為1，B 為測試集ROC 的AUC 為0.87

3 討論

臨床上對不同病理級別的ccRCC 需采用不同的手術(shù)方案，高級別ccRCC 一般采取根治性腎切除術(shù)，但對于低級別ccRCC，為了最大限度地保留腎單位，避免給患者帶來腎功能下降及心血管事件發(fā)生的風(fēng)險(xiǎn)，通常行腎臟局部切除術(shù)或腹腔鏡等創(chuàng)傷較小的手術(shù)[5]，因此術(shù)前明確ccRCC 的病理分級至關(guān)重要。

影像組學(xué)方法是指對圖像提取定量影像學(xué)特征，并通過分割、特征提取、模型建立等得到圖像的灰度變化、體素空間關(guān)系等特征，從而實(shí)現(xiàn)對疾病的精準(zhǔn)預(yù)測、診斷及預(yù)后評估等[6-7]，這不僅避免了觀察者本身對于影像特征解讀的主觀偏向，還能深度挖掘并整合影像圖像中大量的人眼無法識別和區(qū)分的數(shù)字化信息，從而提高疾病的診斷效能，且非侵入性的影像組學(xué)檢查無損傷，可重復(fù)檢查[8]。MRI 具有高分辨率、無電離輻射損失、可提供多參數(shù)功能成像等優(yōu)勢，T2WI序列圖像組織分辨率更高，對病灶顯示更為清晰。T1WI、DWI 序列圖像對病灶的大小、邊緣顯示不及T2WI 序列圖像。CT 掃描作為檢出和診斷腎臟腫瘤的常用方法，具有一定的輻射性；CT 增強(qiáng)掃描需要注射對比劑，有引起對比劑過敏的風(fēng)險(xiǎn)，并增加腎功能不全患者的腎臟負(fù)擔(dān)。此外，病灶碘含量值受掃描時(shí)相、血管異常等因素的干擾，容易影響高、低級別組間差異的顯著性[9]。因此本研究采用基于磁共振T2WI 圖像影像組學(xué)對高、低病理級別的ccRCC 病變進(jìn)行研究。

既往研究已證實(shí)通過影像組學(xué)診斷腎臟腫瘤性病變的可行性。王平等[10]采用CT 增強(qiáng)圖像影像組學(xué)模型鑒別ccRCC 與非透明細(xì)胞癌，顯示良好的診斷效能。Juntu 等[11]使用支持向量機(jī)分類器對86 例良性和49 例惡性腎臟軟組織腫瘤患者的MRI 影像進(jìn)行紋理分析，發(fā)現(xiàn)基于T1WI 的紋理分析鑒別軟組織腫物良惡性的AUC 值（0.93）高于肉眼診斷的AUC 值（0.90）。白旭等[12]研究證實(shí)發(fā)生不同部位轉(zhuǎn)移的ccRCC 原發(fā)灶基于T2WI圖像的影像組學(xué)特征差異有統(tǒng)計(jì)學(xué)意義。然而，利用磁共振T2WI 圖像紋理分析聯(lián)合機(jī)器學(xué)習(xí)的影像組學(xué)預(yù)測ccRCC 術(shù)前病理分級的相關(guān)研究目前鮮有報(bào)道。

本研究采用磁共振T2WI 圖像影像組學(xué)構(gòu)建RF機(jī)器學(xué)習(xí)模型，探討高、低病理級別ccRCC 病變的異質(zhì)性，研究采用的影像圖像來自同一臺MRI 設(shè)備，手動(dòng)勾畫腫瘤病變區(qū)域，并進(jìn)行圖像預(yù)處理，以減小個(gè)體差異及采集誤差，保證了提取特征的可靠性。最終篩選獲得直方圖參數(shù)、形態(tài)學(xué)參數(shù)、GLCM 及RLM 4類特征參數(shù)。直方圖參數(shù)與圖像像素有關(guān)，其中均勻度參數(shù)描述了圖像紋理的均勻程度。GLCM 反映間隔一定距離的一對像素在既定方向上成對出現(xiàn)的頻率，而RLM 反映具有某灰度值的像素于既定方向上連續(xù)出現(xiàn)的頻數(shù)，能在一定程度上反映圖像的對比度，表明紋理模式中的異質(zhì)性。這4 類參數(shù)描述了圖像灰度的對稱性、紋理的均勻程度以及灰度分布的不確定性和隨機(jī)性。而灰度均值和灰度分布的不均勻性特征又代表腫瘤的生物學(xué)侵襲性。高、低級別ccRCC 在T2WI圖像影像組學(xué)特征上存在差異，其原因可能是與低級別ccRCC 相比，高級別ccRCC 病灶存在以下特點(diǎn)：①成分復(fù)雜，腫瘤內(nèi)常并發(fā)壞死、出血；②腫瘤新生血管豐富、紆曲，分支更不規(guī)則，血供存在差別；③腫瘤細(xì)胞的密度較大，細(xì)胞外間隙相對小；④高級別ccRCC細(xì)胞核較大且中重度不規(guī)則。

本研究構(gòu)建RF 機(jī)器學(xué)習(xí)模型，分析基于T2WI圖像與高、低級別ccRCC 鑒別相關(guān)的5 個(gè)特征參數(shù)。RF 算法是一種集成機(jī)器學(xué)習(xí)方法，它利用隨機(jī)自助法重采樣技術(shù)和節(jié)點(diǎn)隨機(jī)分裂技術(shù)構(gòu)建多棵決策樹，通過投票得到最終分類結(jié)果[13]。RF 算法泛化能力強(qiáng)，不容易過擬合，訓(xùn)練速度快，可并行計(jì)算，而且對樣本缺失值不敏感。本文計(jì)算得RF 模型下訓(xùn)練集準(zhǔn)確度、敏感度、特異度、ROI 的AUC 均為1；測試集準(zhǔn)確度為85%、敏感度為100%、特異度為72%、AUC為0.87。本研究測試集的準(zhǔn)確度為85%，表明測試集能較好地模擬訓(xùn)練集，訓(xùn)練集與驗(yàn)證集擬合度較好，本研究構(gòu)建的RF 模型可重復(fù)性高。李小虎等[14]對34 例ccRCC 患者進(jìn)行基于CT 圖像的影像組學(xué)分析，構(gòu)建RF 模型鑒別低級別和高級別ccRCC，證明影像組學(xué)結(jié)合RF 模型對ccRCC 術(shù)前病理分級預(yù)測有價(jià)值，AUC 為0.88，與本研究AUC 值相似，其敏感度為79%，較本研究中的敏感度（100%）低，可能是由于T2WI 組織分辨率更高，對分級的診斷價(jià)值可能高于CT。He 等[15]利用CT 紋理分析聯(lián)合機(jī)器學(xué)習(xí)對227 例ccRCC 病例進(jìn)行研究，證實(shí)在提取的556 個(gè)紋理特征中CIF-minMSEM 參數(shù)具有很好的診斷效能，其正確率為（94.06±1.14）%，較本研究中的正確率（85%）高，盡管該研究采用CT 圖像，但其采用MaZda（version4.6）軟件進(jìn)行紋理提取和分析，該軟件可能較本研究采用的A.K.軟件性能更為成熟。此外，本研究樣本量較少，導(dǎo)致準(zhǔn)確性略低。

本研究的局限性為：①二維的ROI 可能會遺漏一些影像學(xué)特征，ROI 的選擇為腫瘤的最大層面，影像學(xué)紋理分析僅反映該層面ROI 的異質(zhì)性，不能完全反映該腫瘤組織整體的異質(zhì)性；②本研究為回顧性分析，且各病理級別組樣本相對較少；③盡管影像組學(xué)為腫瘤的術(shù)前病理分類提供了較好的應(yīng)用結(jié)果，但其醫(yī)學(xué)解釋有待進(jìn)一步研究。后期將收集更多樣本，并在三維ROI 的基礎(chǔ)上進(jìn)行前瞻性研究。

總之，基于磁共振T2WI 紋理分析聯(lián)合機(jī)器學(xué)習(xí)的影像組學(xué)對鑒別診斷高、低級別ccRCC 具有一定的價(jià)值。