基于多序列MRI影像組學(xué)模型預(yù)測宮頸鱗癌病理組織分型

李笑然，郭妍，徐臣，亢野，孫洪贊*

子宮頸癌每年新發(fā)病例數(shù)在女性腫瘤中位于第二位，由于HPV的預(yù)防和治療條件不同，在發(fā)展中國家其發(fā)病數(shù)量呈現(xiàn)逐年增多及年輕化的趨勢(shì)[1]。臨床資料證明，子宮頸癌病理類型中約80%為子宮頸鱗狀細(xì)胞癌(cervical squamous cell carcinoma)[2]。鱗狀上皮細(xì)胞分化的終末細(xì)胞是角化細(xì)胞，正常角化與凋亡諸多機(jī)制相似皆被認(rèn)為是細(xì)胞的一種死亡形式。角化型宮頸鱗癌臨床分期更偏向于FIGO Ⅲ期和Ⅳ期，有研究發(fā)現(xiàn)角化型子宮頸鱗癌5年生存率為63.4%，而非角化型子宮頸鱗癌則為65.3% (P=0.04)，未接受治療和放療后的亞組中角化型宮頸鱗癌中位生存期要低于非角化型鱗癌[2]。因此治療前精確預(yù)測宮頸鱗癌細(xì)胞的角化程度，對(duì)于患者的預(yù)后評(píng)估及治療方案的精準(zhǔn)制訂有著一定指導(dǎo)意義。

目前，傳統(tǒng)MRI廣泛應(yīng)用于宮頸癌的診斷、分期、治療后反映的評(píng)估，然而傳統(tǒng)MR的解剖成像僅僅能反映病變的形態(tài)特征，缺乏對(duì)于腫瘤病理類型、分化程度的判斷和評(píng)估。而隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，近年來熱門的影像組學(xué)可以通過高通量的提取圖像特征并利用機(jī)器學(xué)習(xí)建模等方法來評(píng)估病變異質(zhì)性從而對(duì)病理類型進(jìn)行分類預(yù)測。國外有研究PET圖像影像組學(xué)特征對(duì)宮頸癌病理類型及分化程度進(jìn)行聚類分析，Liu等[3]和Tsujikawa等[4]也通過ADC圖像特征對(duì)宮頸癌分化程度進(jìn)行鑒別等。國內(nèi)研究多參數(shù)MR影像組學(xué)可以預(yù)測宮頸鱗癌的淋巴結(jié)轉(zhuǎn)移和淋巴血管周圍侵犯[5]。然而MR影像組學(xué)預(yù)測宮頸鱗癌病理分型還處于空白，因此我們想通過MR影像組學(xué)來對(duì)宮頸鱗癌角化型與非角化型預(yù)測的價(jià)值進(jìn)行進(jìn)一步探索。

1 材料與方法

1.1 一般資料

本回顧性研究收集2017年1月至2019年6月我院收治的140例宮頸癌患者為研究對(duì)象。納入標(biāo)準(zhǔn)：(1)18歲以上經(jīng)病理活檢證實(shí)宮頸鱗癌的女性患者；(2)活檢病理證實(shí)后1周內(nèi)進(jìn)行常規(guī)盆腔MR平掃檢查，期間未進(jìn)行任何治療；(3)無MRI檢查禁忌證；(4)患者均知情同意；(5)患者無其他惡性腫瘤疾病史。排除標(biāo)準(zhǔn)：(1)檢查所得圖像質(zhì)量不理想；(2)活檢組織過少無法確認(rèn)角化情況；(3)病理類型非鱗癌患者；(4)病灶小于5 mm3以至于無法準(zhǔn)確勾畫病灶感興趣區(qū)。最終入組患者數(shù)量為103例，中位年齡為57歲(25～77歲)，角化型48例，非角化型55例；國際婦產(chǎn)聯(lián)盟(the International Federation of Gynecology and Obstetrics，F(xiàn)IGO)分期：ⅠB期7例，ⅡA期25例，ⅡB期41例，ⅢA期9例，ⅢB期20例，Ⅳ期1例。將入組患者按照3︰1隨機(jī)分成訓(xùn)練集和測試集，詳見表1。

1.2 病理分析

入組103例腫瘤活檢或術(shù)后冰凍切片均由我院病理科醫(yī)生進(jìn)行分析，根據(jù)HE染色后光鏡下癌巢形態(tài)學(xué)特點(diǎn)及細(xì)胞質(zhì)角化程度分為角化型和非角化型鱗癌。其中低分化38例，中分化34例，高分化31例。

1.3 圖像采集

采用Philips Ingenia 3.0 T MR掃描儀，通用體表相控陣列線圈包繞整個(gè)盆腔。行常規(guī)T2W-TSE軸位、T1W-TSE矢狀位及T2W-SPAIR (T2R)軸位掃描。掃描參數(shù)及圖像參數(shù)詳見表2。

1.4 圖像預(yù)處理及病灶分割

基于Artificial intelligence kit，AK (GE醫(yī)療，中國)軟件對(duì)圖像進(jìn)行預(yù)處理，首先采用模板匹配算法(block matching algorithm)以T2W-TSE序列為參考進(jìn)行各個(gè)序列圖像配準(zhǔn)。然后采用線性插值法對(duì)圖像進(jìn)行重采樣，以保證體素大小均一和各向同性。

由我院放射科2名具有10年以上腹盆部影像診斷經(jīng)驗(yàn)的醫(yī)師采用AK軟件對(duì)各序列癌灶進(jìn)行手動(dòng)逐層勾畫分割出三維感興趣區(qū)(voxel of interest，VOI)，各序列最大范圍勾畫實(shí)體腫瘤區(qū)域，如遇宮頸管內(nèi)存在氣體或積血等異常信號(hào)，在勾畫時(shí)應(yīng)該避開該區(qū)域，遇到爭議時(shí)兩者協(xié)商后勾畫。圖1為人工勾畫腫瘤原發(fā)灶感興趣區(qū)病例。

1.5 提取影像組學(xué)特征

采用GE healthcare研發(fā)的AK軟件對(duì)T2、T1及T2R序列圖像分割的VOI分別進(jìn)行高通量提取影像組學(xué)特征396個(gè)，其中包括統(tǒng)計(jì)直方圖特征(histogram) 42個(gè)，形態(tài)特征(formfactor) 9個(gè)，移動(dòng)方向?yàn)?、45、90、135度，移動(dòng)步長為1、4、7的灰度共生矩陣特征144個(gè)(glcm)和灰度游程矩陣特征180個(gè)(glrlm)，灰度區(qū)域大小矩陣特征(glszm) 11個(gè)及基于灰度共生矩陣的哈拉利克特征(haralick) 10個(gè)。

1.6 建立機(jī)器學(xué)習(xí)模型及評(píng)價(jià)

采用基于python語言的orange[6]數(shù)據(jù)挖掘組件進(jìn)行模型的建立及評(píng)價(jià)。詳細(xì)步驟可見流程圖2。

1.6.1 數(shù)據(jù)預(yù)處理

對(duì)103例患者影像組學(xué)特征異常值替換為平均值，再將其各個(gè)特征數(shù)據(jù)按照μ=0，δ2=1進(jìn)行標(biāo)準(zhǔn)化。

1.6.2 劃分?jǐn)?shù)據(jù)集

按照之前入組103例患者3︰1隨機(jī)分組后的訓(xùn)練集和測試集歸納影像組學(xué)特征分集。

1.6.3 篩選特征

表1 患者一般信息及分布情況Tab. 1 General information of patients and Person Chi-square test

表2 掃描序列及相關(guān)參數(shù)Tab. 2 Scanning sequence and related parameters

對(duì)T1、T2及T2R的特征信息增益率、gini系數(shù)、reliefF算法值進(jìn)行評(píng)分并排序，綜合篩選評(píng)分前五個(gè)特征；聯(lián)合預(yù)測模型采用各序列前5個(gè)特征進(jìn)行回歸分析，去除冗余特征后為建模所用特征。篩選后的具體特征及評(píng)分見表3。

1.6.4 建立預(yù)測模型并對(duì)其測試

采用樸素貝葉斯算法(na?ve bayes)分別對(duì)T1、T2、T2R及聯(lián)合模型的78例數(shù)據(jù)進(jìn)行20折交叉驗(yàn)證建模。將25例測試集數(shù)據(jù)分別代入各個(gè)預(yù)測模型中，獲得預(yù)測分類概率值。

1.6.5 模型預(yù)測結(jié)果評(píng)價(jià)

采用ROC曲線對(duì)訓(xùn)練集和測試集預(yù)測效果進(jìn)行評(píng)價(jià)。

1.7 統(tǒng)計(jì)分析

采用SPSS 25.0統(tǒng)計(jì)分析及R語言軟件對(duì)訓(xùn)練集和測試集的臨床特征進(jìn)行統(tǒng)計(jì)檢驗(yàn)，由于不滿足正態(tài)性分布而對(duì)兩組年齡進(jìn)行非參數(shù)兩獨(dú)立樣本M-U秩和檢驗(yàn)；對(duì)兩組病理組織學(xué)分類及臨床分期的分級(jí)數(shù)據(jù)進(jìn)行Person卡方檢驗(yàn)。對(duì)驗(yàn)證集和測試集各個(gè)預(yù)測模型的ROC曲線進(jìn)行兩兩比較的Delong test檢驗(yàn)。P＜0.05為差異具有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 分組患者的臨床特征分布統(tǒng)計(jì)

訓(xùn)練集和驗(yàn)證集患者的臨床特征情況顯示于表1中，兩組之間的年齡分布的非參數(shù)M-U檢驗(yàn)結(jié)果顯示檢驗(yàn)統(tǒng)計(jì)量為1207.5，P=0.073；兩組之間病理分型和臨床分期的構(gòu)成比Person卡方檢驗(yàn)的卡方值分別為2.381、5.935；P值均大于0.05，訓(xùn)練集和測試集臨床特征分布無顯著統(tǒng)計(jì)學(xué)差異

2.2 各個(gè)模型預(yù)測結(jié)果ROC曲線兩兩比較

圖3和圖4顯示各個(gè)預(yù)測模型在訓(xùn)練集和測試集中ROC曲線。預(yù)測模型在訓(xùn)練集中的ROC曲線兩兩配對(duì)的delong test統(tǒng)計(jì)分析(表4)，結(jié)果顯示聯(lián)合模型的ROC曲線與T2、T1模型的ROC曲線差異存在統(tǒng)計(jì)學(xué)差異，P值分別為0.004和0.018。預(yù)測模型在測試集中的ROC曲線進(jìn)行兩兩配對(duì)的delong test統(tǒng)計(jì)分析(表5)，結(jié)果顯示只有聯(lián)合模型與T1模型ROC曲線差異具有統(tǒng)計(jì)學(xué)意義，P=0.027。

2.3 基于T1、T2、T2脂肪抑制序列及聯(lián)合以上多序列影像組學(xué)模型的預(yù)測效能

T1、T2、T2抑脂及聯(lián)合模型在訓(xùn)練集交叉驗(yàn)證中均表現(xiàn)良好(表6)，其中聯(lián)合模型預(yù)測結(jié)果ROC曲線的AUC值最高，為0.863 (P＜0.001)，準(zhǔn)確率為0.756.四種模型在測試集中的預(yù)測效能見表6，其中T1模型預(yù)測效能最低，AUC值為0.673 (P=0.149)；聯(lián)合模型預(yù)測結(jié)果AUC值最高，為0.860 (P=0.003)，準(zhǔn)確率為0.720，召回率為0.900，精確率為0.600，F(xiàn)1-score為0.720。

表3 篩選特征及評(píng)分Tab. 3 Features selected and scores

表4 訓(xùn)練集中各模型ROC曲線的Delong test檢驗(yàn)Tab. 4 Delong test of ROC curve of models in the training dataset

表5 測試集中各模型ROC曲線的Delong test檢驗(yàn)Tab. 5 Delong test of ROC curve of models in the testing dataset

表6 各模型在訓(xùn)練集和測試集中的評(píng)價(jià)結(jié)果Tab. 6 Evaluation results of each model on the training and testing sets

3 討論

通過影像方法來評(píng)估及預(yù)測宮頸癌病理組織分型對(duì)臨床決策有著積極意義，國內(nèi)外已經(jīng)有很多研究MR動(dòng)態(tài)增強(qiáng)[7]及功能成像[8-10]在鑒別宮頸癌組織分型中的作用?；诟咄康挠跋裉卣鞯挠跋窠M學(xué)模型近些年引起了廣泛關(guān)注，從機(jī)器學(xué)習(xí)和人工智能方面為醫(yī)學(xué)影像提供了新的視角。自1975年起WHO將子宮頸腫瘤病理分型為角化型大細(xì)胞癌、非角化型大細(xì)胞癌及小細(xì)胞癌，國外對(duì)于宮頸鱗癌預(yù)后研究的多元分析中發(fā)現(xiàn)臨床分期、角化分型為獨(dú)立預(yù)測因素(P＜0.05)，而病理組織分化程度并不是獨(dú)立預(yù)測因素[2]，因此本研究集中于通過傳統(tǒng)多序列MR圖像的影像組學(xué)模型預(yù)測子宮頸鱗癌是否為角化型。

對(duì)訓(xùn)練集和驗(yàn)證集的其他可能存在干擾的臨床特征我們進(jìn)行統(tǒng)計(jì)分析，其年齡、病理組織分型及臨床分期P值均＞0.05，說明兩組之間臨床特征分布沒有明顯的統(tǒng)計(jì)學(xué)差異，排除其他混雜因素干擾模型建立。

國內(nèi)外之前有研究MR功能成像與子宮頸鱗癌組織類型及分化程度的關(guān)系，葉曉華等[8]利用體素不相干成像研究宮頸癌組織類型和分化程度，發(fā)現(xiàn)IVIM中ADC值、D*、D值和f值在宮頸鱗癌和腺癌之間存在明顯統(tǒng)計(jì)學(xué)差異(P＜0.05)；并發(fā)現(xiàn)鱗癌組織分化程度減低，D值隨之下降，但其沒有統(tǒng)計(jì)學(xué)差異(P＞0.05).而也有國內(nèi)研究者采用DWI雙b值單指數(shù)模型的ADC值在不同分化組之間存在明顯統(tǒng)計(jì)學(xué)差異[9](P＜0.001). 有研究進(jìn)一步[3]對(duì)DWI的b=0、800、1000的圖像提取圖像影像組學(xué)特征，并用LASSO模型進(jìn)行交叉驗(yàn)證發(fā)現(xiàn)b=1000時(shí)模型在錯(cuò)誤分類率(0.3642±0.0162)比b=800時(shí)的錯(cuò)誤分類率(0.3758±0.0118)明顯減低，P=0.0076。但其沒有測試數(shù)據(jù)集進(jìn)行驗(yàn)證，缺乏客觀的模型評(píng)價(jià)。證實(shí)了MR的彌散功能成像可以鑒別鱗癌組織分化程度，猜想可能是因?yàn)殡S著腫瘤分化減低，癌巢的角化程度減低，細(xì)胞質(zhì)內(nèi)角蛋白和細(xì)胞間橋減少，導(dǎo)致細(xì)胞變形，細(xì)胞密度增高，整體癌巢空間的水分子彌散作用減低，所以研究發(fā)現(xiàn)標(biāo)準(zhǔn)化ADC值與D值減低。Meng等[10]采用MR酰胺質(zhì)子轉(zhuǎn)移(amide proton transfer，APT)對(duì)宮頸癌組織分化程度差異進(jìn)行探索，發(fā)現(xiàn)低分化組鱗癌的MTRasym (3.5 ppm)明顯高于高分化組和中分化組(P=0.02/0.01)，同樣是因?yàn)榈头只M細(xì)胞密度增高導(dǎo)致MTRasym (3.5 ppm)增高。

而本研究基于傳統(tǒng)多序列MR圖像的影像組學(xué)預(yù)測子宮頸鱗癌病理分型在訓(xùn)練集交叉驗(yàn)證中，各個(gè)模型的預(yù)測結(jié)果均表現(xiàn)良好，其中聯(lián)合預(yù)測模型及T2抑制模型的AUC值較高，分別為0.863、0.819，P值均小于0.001，說明其在訓(xùn)練集中的預(yù)測效能較高。在測試集中聯(lián)合模型ROC曲線的AUC值為0.860，P=0.003；T2抑脂模型ROC曲線的AUC值為0.780，P=0.02；T2模型ROC曲線的AUC值為0.830，P=0.006。聯(lián)合模型在訓(xùn)練集和測試集中均擬合良好，而T2抑脂模型的準(zhǔn)確率減低；T2模型在測試集中AUC值得到明顯提升，可能存在擬合過度表現(xiàn)，但仍具有統(tǒng)計(jì)學(xué)意義。同時(shí)筆者研究篩選后的模型中發(fā)現(xiàn)如GLCM的correlation、differenceEntropy及ClusterShade等反映了病灶體素之間的相關(guān)性，混雜程度及集群形態(tài)的特征對(duì)分類角化型和非角化型鱗癌有著明顯作用，猜想是因?yàn)殡S著癌巢角化程度減低，細(xì)胞排列混雜有關(guān)，這還需要高分辨病理圖像的VOI特征分析進(jìn)行進(jìn)一步證實(shí)。也有類似研究利用MR的T2加權(quán)、T2脂肪抑制加權(quán)及動(dòng)態(tài)增強(qiáng)圖像的影像組學(xué)預(yù)測56例子宮頸鱗癌的淋巴血管周圍侵犯、淋巴結(jié)轉(zhuǎn)移及分化程度[5]，其研究也發(fā)現(xiàn)結(jié)合多序列MR圖像的影像組學(xué)模型可以區(qū)分中分化和低分化的子宮頸鱗癌，AUC值為0.802，靈敏度和特異度分別為76.5%和73.3%，由于其病例數(shù)量的局限，入組病例中未能包含高分化的子宮頸鱗癌，同時(shí)也未能進(jìn)行機(jī)器學(xué)習(xí)模型的構(gòu)建和組外測試。

我們將傳統(tǒng)MR平掃圖像的影像組學(xué)特征與機(jī)器學(xué)習(xí)等數(shù)據(jù)挖掘技術(shù)相結(jié)合，建立預(yù)測模型，用測試數(shù)據(jù)集進(jìn)行組外客觀的評(píng)價(jià)，聯(lián)合T1、T2及T2抑脂模型對(duì)于預(yù)測宮頸癌非角化型準(zhǔn)確性良好。在對(duì)模型的兩兩配對(duì)檢驗(yàn)中也可以看出聯(lián)合模型較T1模型ROC曲線的提升存在明顯統(tǒng)計(jì)學(xué)差異(P=0.027)，可能因?yàn)門1圖像無法準(zhǔn)確反映腫瘤邊界，并且體素灰度基本一致，紋理特征在角化型和非角化型之間無明顯差異；而加入T2脂肪抑制序列，使脂肪信號(hào)減少了對(duì)圖像特征的影響。

國內(nèi)外學(xué)者也有采用PET影像組學(xué)研究對(duì)角化型和非角化型鱗癌進(jìn)行分類鑒別[4]，其研究僅發(fā)現(xiàn)子宮頸鱗癌原發(fā)灶PET圖像NGLCM的二階相關(guān)性特征(0.70±0.07)高于非角化型鱗癌(0.64±0.07，P=0.0030)，可能是因?yàn)镻ET圖像受限于本身分辨率和體素大小所導(dǎo)致。類似PET影像組學(xué)研究中亦發(fā)現(xiàn)灰度區(qū)域大小矩陣(gray-level size zone matrix，GLSZM)的短區(qū)域因子(short-zone emphasis，SZE)可以區(qū)分子宮頸鱗癌和非鱗癌，P=0.025[11]。而MR圖像本身軟組織的高分辨率更能反映腫瘤異質(zhì)性和體素分布情況，才使得提取出的紋理特征在樸素貝葉斯分類器中表現(xiàn)良好，希望以后可以聯(lián)合MR平掃和功能圖像特征預(yù)測病理組織分型。

總之，基于MR平掃的影像組學(xué)特征可以預(yù)測子宮頸鱗癌角化型和非角化型，并且聯(lián)合多序列圖像特征的模型預(yù)測效果更好。本研究局限性在于病例數(shù)量稍少，未能進(jìn)一步加入彌散及增強(qiáng)等序列圖像，但常規(guī)傳統(tǒng)MR影像組學(xué)在鑒別子宮頸鱗癌組織分型上仍是可行的。醫(yī)工結(jié)合的影像學(xué)和機(jī)器學(xué)習(xí)模型相結(jié)合在預(yù)測宮頸癌病理組織分型提供了一個(gè)新方法，對(duì)臨床決策及預(yù)后評(píng)估有一定的參考價(jià)值，更為未來的人工智能醫(yī)療奠定研究基礎(chǔ)。

利益沖突：無。