基于CT影像組學(xué)特征的腎腫瘤組織學(xué)亞型分類

朱元良

摘 要：目的：分析基于CT影像組學(xué)特征的腎腫瘤組織學(xué)亞型分類的方法及作用，以期為腎透明細(xì)胞癌（ccRCC）、乏脂肪血管平滑肌脂肪瘤（fp-AML）臨床鑒別診斷工作提供參考。方法：以我院38例ccRCC患者與40例fp-AML患者為研究對(duì)象，均施以CT影像學(xué)檢測(cè)，提取其CT影像學(xué)組織學(xué)特征，以皮爾森相關(guān)陣矩去除冗雜特征，通過Welchs實(shí)驗(yàn)，確定存在明顯差異的特征，借助序列浮動(dòng)前向選擇算法篩選有鑒別能力的CT影像組學(xué)特征，應(yīng)用AdaBoost、支持向量機(jī)（SVM）、隨機(jī)森林（RF）、k最近鄰（kNN）分類器實(shí)施分類。結(jié)果：在AdaBoost、SVM、RF、kNN4種分類器中，SVM的準(zhǔn)確度、敏感度、特異度、陰性預(yù)測(cè)率、陽性預(yù)測(cè)率均較高，ROC曲線下面積較大，分別為91.82%、89.75%、92.36%、95.01%、86.42%、0.942。結(jié)論：基于CT影像組學(xué)特征的腎腫瘤組織學(xué)亞型分類模型的構(gòu)建，可提高ccRCC、fp-AML臨床鑒別準(zhǔn)確度，促進(jìn)臨床診療工作的順利開展。

關(guān)鍵詞：CT影像組學(xué)特征;腎透明細(xì)胞癌;乏脂肪血管平滑肌脂肪瘤;分類

腎腫瘤為泌尿系統(tǒng)最常見的腫瘤之一，多為惡性[1]。臨床上常見的腎腫瘤包括腎母細(xì)胞瘤、腎細(xì)胞癌與發(fā)生于腎盞腎盂的移行細(xì)胞乳頭狀腫瘤。在腎部惡性腫瘤中，90%以上均為腎細(xì)胞癌，其中滲透膜細(xì)胞癌（ccRCC）約占70%，為目前臨床上常見的致死率較高的腎細(xì)胞癌亞型[2]。腎血管平滑肌脂肪瘤則為常見的腎部良性腫瘤，可通過CT檢測(cè)確診。而乏脂肪血管平滑肌脂肪瘤（fp-AML）由于缺乏或不含分散性脂肪組織，致使其與ccRCC影像學(xué)特征較為類似，故而，易被臨床誤診[3]。因此，需找尋一種有效鑒別ccRCC、fp-AML的方法，以保證臨床診斷的有效性與準(zhǔn)確性。影像學(xué)組技術(shù)為近年來興起的一種新型影像學(xué)分析方法，其主要是通過提取醫(yī)學(xué)影像內(nèi)具有特殊性的特征，來明確腫瘤特征，從而提升臨床診斷的正確率?，F(xiàn)有研究表示，影像學(xué)技術(shù)結(jié)合機(jī)器學(xué)習(xí)而建立的影像學(xué)模型能有效提升無創(chuàng)檢查方式的客觀性與準(zhǔn)確性，為臨床診療提供可靠依據(jù)。但現(xiàn)階段臨床上對(duì)基于CT影像組學(xué)特征的腎腫瘤組織學(xué)亞型分類模型構(gòu)建的相關(guān)研究較少。鑒于此，為驗(yàn)證在ccRCC、fp-AML鑒別中基于CT影像組學(xué)特征的腎腫瘤組織學(xué)亞型分類模型構(gòu)建的方法及意義，現(xiàn)對(duì)本院本院38例ccRCC患者與40例fp-AML患者的CT影像學(xué)組特征實(shí)施模型構(gòu)建及分類，具體如下：

1 資料與方法

1.1 臨床資料

選擇我院2019年2月至2020年2月收治的38例ccRCC患者與40例fp-AML患者。所有患者均了解且支持本次研究，并經(jīng)醫(yī)學(xué)理論委員會(huì)批準(zhǔn)。

1.2 方法

所有患者均施以CT檢測(cè)：選用我院多層螺旋CT機(jī)，管帶碾壓設(shè)為120kV，重建切片厚度控制為1mm，截面厚度為5mm，施以常規(guī)掃描。CT圖像攝取時(shí)間和病理檢查時(shí)間間隔不可超過4周。

提取CT影像學(xué)特征前，首先由1名工作經(jīng)驗(yàn)超過10年的影像學(xué)診斷醫(yī)師勾畫腫瘤感興趣區(qū)域（ROI）。該醫(yī)生于選擇腫瘤最大切面之后，依照腫瘤大小，根據(jù)以下準(zhǔn)則提取ROI：（1）于腫瘤區(qū)域中提取;（2）避開鈣化、出血、囊腫、壞死區(qū)域;（3）選擇均勻、明顯區(qū)域。本研究把矩形框最大尺寸設(shè)定為23×23像素，以減少算法計(jì)算量。

本研究通過影像學(xué)組技術(shù)，從每個(gè)ROI中選取540個(gè)特征，包括：417個(gè)小波特征，92個(gè)紋理特征，31個(gè)灰度特征，以上特征計(jì)算方式皆和圖像生物標(biāo)志物標(biāo)準(zhǔn)化倡議（IBIS）內(nèi)的計(jì)算方法相一致。紋理特征借助分析圖像內(nèi)像素灰度值關(guān)系與分布狀況，客觀評(píng)估腫瘤異質(zhì)性，本研究中分別提取灰度依賴矩陣特征22個(gè)、灰度區(qū)域大小矩陣特征20個(gè)、灰度游程矩特征18個(gè)、灰度共生矩陣特征24個(gè)?；叶忍卣鳠o需考慮空間關(guān)系便可描述圖像灰度分布狀況，本研究獲取的灰度值特征主要有峰度、偏度、能量等。對(duì)一階離散小波變換（DWT）可把ROI圖像分成HH、HL、LH、LL4個(gè)子圖像，從每個(gè)子圖像中選取紋理、灰度特征，總獲取417個(gè)小波特征。

選擇CT影像學(xué)特征前，先對(duì)特征實(shí)施預(yù)處理，把特征全部歸一化，以防止大數(shù)值中的特征對(duì)小數(shù)值中特征進(jìn)行過度的支配。首先，借助皮爾森相關(guān)矩陣（PCM），將冗余特征剔除，然后，通過Welchs查看是否存在統(tǒng)計(jì)學(xué)差異特征;以序列浮動(dòng)前向選擇（SFFS）算法，取具有較好識(shí)別能力的子集，以提高分類的準(zhǔn)確性。

本研究利用AdaBoost分類器、支持向量機(jī)（SVM）、隨機(jī)森林（RF）、k最近鄰（kNN）分類ccRCC、fp-AML。以留1法評(píng)估分類器性能，性能評(píng)估內(nèi)容包括陰性預(yù)測(cè)值、陽性預(yù)測(cè)值、特異度、敏感度、準(zhǔn)確度及ROC曲線下面積。

2 結(jié)果

于Spyder3.2.8環(huán)境下實(shí)現(xiàn)編程，因留1法較差檢驗(yàn)的應(yīng)用，對(duì)每1折內(nèi)訓(xùn)練集數(shù)據(jù)分別實(shí)施特征選擇。本研究實(shí)驗(yàn)開展82次特征選擇。通過PCM篩選后，剩下401～432個(gè)特征。之后，借助Welchs實(shí)施特征選擇，保留113～125個(gè)特征。最后，以SFFS算法于每1折剩下的特征中選取大小分別為60、50、40、30、20、10的特征子集。對(duì)剩余的子集分別應(yīng)用AdaBoost、SVM、kNN、RF分類器實(shí)施分類。4種分類器的性能如下：AdaBoost分類器的準(zhǔn)確度、敏感度、特異度、陰性預(yù)測(cè)率、陽性預(yù)測(cè)率、ROC曲線下面積分別為88.27%、83.34%、9041%、92.38%、78.24%、0.868;SVM準(zhǔn)確度、敏感度、特異度、陰性預(yù)測(cè)率、陽性預(yù)測(cè)率、ROC曲線下面積分別為9182%、89.75%、92.36%、95.01%、86.42%、0.942，RF準(zhǔn)確度、敏感度、特異度、陰性預(yù)測(cè)率、陽性預(yù)測(cè)率、ROC曲線下面積分別為86.74%、83.25%、88.13%、91.42%、75.03%、0.876;kNN準(zhǔn)確度、敏感度、特異度、陰性預(yù)測(cè)率、陽性預(yù)測(cè)率、ROC曲線下面積分別為88.29%、88.75%、88.13%、93.15%、76.14%、0.921。

3 討論

既往臨床關(guān)于ccRCC、fp-AML分類研究中多是通過紋理分析技術(shù)選取少量紋理特征實(shí)施分析。本研究中則選用影像學(xué)技術(shù)，獲取CT影像學(xué)圖像的特殊征象，以全面地對(duì)腫瘤特征實(shí)施描述。相較于其他研究中通過單一算法實(shí)施特征選擇，本研究則有效融合Wrapper算法與Filter算法對(duì)影像學(xué)組特征實(shí)施選擇。同時(shí)，本研究選用4種應(yīng)用較為廣泛的分類器對(duì)其性能實(shí)施對(duì)比，以獲取性能最佳的分類器，從而保證后期臨床診斷正確性。

目前，在臨床醫(yī)學(xué)影像分析中越來越多的學(xué)者開始關(guān)注于影像學(xué)組技術(shù)的應(yīng)用及發(fā)展。于非侵入性診斷方面，通過影像學(xué)組模型的構(gòu)建，可有效幫助臨床醫(yī)師了解腫瘤特征，為臨床診療工作提供科學(xué)依據(jù)。在基于CT影像學(xué)特征的腎腫瘤組織學(xué)亞型分類模型的構(gòu)建中，通過對(duì)冗雜特征、弱相關(guān)特征、無關(guān)特征的剔除，從而可有效明確有效鑒別ccRCC、fp-AML特異性特征，為后期以上兩種疾病診斷中提供參考，促進(jìn)臨床診斷質(zhì)量的提升，避免誤診現(xiàn)象的出現(xiàn)。本研究中借助影像學(xué)技術(shù)于每個(gè)CT圖像ROI區(qū)域內(nèi)中提取417個(gè)小波特征、92個(gè)紋理特征及31個(gè)灰度特征，然后通過PCM與Welchs檢驗(yàn)及SFFS計(jì)算選擇有效的特征，最后，利用4種不同分類器組建模型實(shí)施分類。通過對(duì)4種模型性能的對(duì)比，得出SVM分類器性能最佳。

綜上所述，基于CT影像學(xué)特征的腎腫瘤組織學(xué)亞型分類模型的構(gòu)建，可提升腎病疾病診斷準(zhǔn)確性，促進(jìn)患者早期治療工作的開展，具有較好實(shí)踐價(jià)值。

參考文獻(xiàn)：

[1]王禹，董瀟，孔垂?jié)桑?不同病理類型腎腫瘤的影像學(xué)特點(diǎn)和病理學(xué)特點(diǎn)分析[J].中華泌尿外科雜志，2019，40（5）：374-379.

[2]王平，裴旭，殷小平，等.基于增強(qiáng)CT影像組學(xué)模型鑒別腎透明細(xì)胞癌與非透明細(xì)胞癌[J].中國(guó)醫(yī)學(xué)影像技術(shù)，2019，35（11）：1689-1692.

[3]丁冠融，李涵默，莊君龍.多排螺旋CT檢查對(duì)乏脂肪腎血管平滑肌脂肪瘤的診斷價(jià)值[J].實(shí)用癌癥雜志，2019，31（7）：1201-1203.