雙參數(shù)紋理分析結(jié)合機器學習在高級別前列腺癌中的診斷價值

肖建明，牛翔科，王娜，陳志凡，王宗勇，彭濤

成都大學附屬醫(yī)院放射科，四川成都 610081； *通訊作者 彭濤 18385951@qq.com

前列腺癌發(fā)病率居男性腫瘤第2位[1]，MR 多參數(shù)聯(lián)合掃描方案對前列腺癌的診斷效果最佳，但動態(tài)磁敏感對比增強的作用仍存在爭議[2]。為優(yōu)化MRI 序列，提升受檢者的舒適性，T2WI和擴散加權(quán)成像（DWI）組合的雙參數(shù)MRI 已用于前列腺癌研究[3]。本研究擬采用紋理分析結(jié)合機器學習的方法開發(fā)一種模型，用于準確識別高級別前列腺癌（Gleason 評分≥7 分）的患者，以改善患者接受檢查時的舒適度，并減少不必要的前列腺活檢。

1 資料與方法

1.1 研究對象 回顧性分析成都大學附屬醫(yī)院2014年1月—2017年12月經(jīng)MRI 診斷為前列腺癌或良性前列腺增生的患者。納入標準：MRI檢查前未進行治療，均行MRI 常規(guī)平掃及動態(tài)增強掃描，MRI 圖像完整且質(zhì)量滿足診斷需求，檢查后1個月內(nèi)經(jīng)超聲引導(dǎo)穿刺活檢獲得病理結(jié)果。最終納入高級別前列腺癌74例（Gleason 評分≥7 分），年齡56～93歲，平均（77±8）歲；良性前列腺增生120例，年齡50～93歲，平均（73±9）歲。

1.2 儀器與方法 采用Siemens Avanto 1.5T 超導(dǎo)型MR 儀。相控陣體部線圈和脊柱線圈。橫斷位T2WI：采用快速自旋回波序列，TR 4000 ms，TE 101 ms，F(xiàn)OV 200 mm×200 mm，矩陣256×205，層厚3 mm，層間距0.8 mm，平均次數(shù)1，翻轉(zhuǎn)角150°，回波鏈13，接收帶寬130 Hz/px；橫斷位DWI：采用自旋回波-平面回波成像序列，TR 3700 ms，TE 80 ms，F(xiàn)OV 260 mm×221 mm，矩陣160×95，層厚3.6 mm，層間距0 mm，平均次數(shù)6，翻轉(zhuǎn)角90°，回波鏈95，接收帶寬1250 Hz/px，采用頻率脂肪抑制，b值取0、100、800 s/mm2；橫斷位動態(tài)磁敏感增強T1WI：采用容積內(nèi)插體部檢查序列，TR 5 ms，TE 1.69 ms，F(xiàn)OV 260 mm×260 mm，矩陣192×138，層厚3.6 mm，層間距0 mm，平均次數(shù)1，翻轉(zhuǎn)角12°，接收帶寬300 Hz/px，連續(xù)掃描36次。T1WI_DSC 掃描2次后用高壓注射器以同樣速度和總量先后經(jīng)肘靜脈推注對比劑釓噴酸葡胺和生理鹽水，注射速度2 ml/s，用量0.2 ml/kg；注射對比劑和生理鹽水期間持續(xù)掃描。

1.3 圖像處理 導(dǎo)出原始DICOM 圖像數(shù)據(jù)后在Omni-Kinetics 軟件中勾畫興趣區(qū)：由1名副主任醫(yī)師采用盲法分別在T2WI、ADC、T1WI-DSC 序列中勾畫所有層面所有病灶區(qū)為興趣區(qū)，每一個序列勾畫完成后軟件整合計算，并提取出該序列的67個紋理特征，T1WI-DSC 另計算提取出99個定量特征。

1.4 數(shù)據(jù)分析 將Omni-Kinetics 軟件計算出的紋理及定量特征分成兩組：雙參數(shù)組為T2WI+ADC 紋理特征數(shù)據(jù)，多參數(shù)組為T2WI+ADC+T1WI_DSC 紋理及定量特征數(shù)據(jù)，分別載入R3.3.3 語言軟件、經(jīng)過LASSO 提取紋理特征降維后、隨機取高級別前列腺癌70%+前列腺良性增生70%為訓(xùn)練組（高級別前列腺癌51例，良性前列腺增生84例），其余30%為驗證組（高級別前列腺癌23例，良性前列腺增生36例），建立多元邏輯回歸模型。采用受試者工作特征（ROC）曲線評價模型的效能。

2 結(jié)果

2.1 特征降維結(jié)果 經(jīng)LASSO 進行特征選擇后，T2WI+ADC組最終篩選出 5個特征，包括T2.Quantile10、T2.Quantile95、ADC.MinIntensity、ADC.Quantile75 和ADC.sumAverage；T2WI+ADC+T1WI_DSC組最終篩選出 9個特征， 包括T2.Quantile10 、 T2.Quantile95 、 T2.MeanValue 、ADC.MinIntensity、ADC.Quantile75、ADC.sumAverage、DCE.Energy、DCE.Vp0.75 和DCE.Vp0.9 分別用于各組的多因素邏輯回歸建模（圖1）。

圖1 使用LASSO Logistic 回歸模型進行特征選擇。A為T2WI+ADC：左邊垂直虛線Lambda.min=0.025，指在Lambda.min 1個方差范圍內(nèi)得到最簡單模型的λ值，最優(yōu)目標參量是13，右邊垂直虛線Lambda.1se=0.070，指在所有的λ值中，得到最小目標參量均值的是5；B為T2WI+ADC+T1WI_DSC：左邊垂直虛線Lambda.min=0.029，指在Lambda.min 1個方差范圍內(nèi)得到最簡單模型的λ值，最優(yōu)目標參量是29，右邊垂直虛線Lambda.1se=0.089，指在所有的λ值中，得到最小目標參量均值的是9

2.2 多因素Logistic 回歸結(jié)果 雙參數(shù)、多參數(shù)組降維后的紋理及定量特征數(shù)據(jù)的多元邏輯回歸結(jié)果顯示，雙參數(shù)驗證組的陽性預(yù)測率為79.17%（19/24），陰性預(yù)測率為88.57%（31/35）；多參數(shù)驗證組的陽性預(yù)測率為80.00%（20/25），陰性預(yù)測率為91.18%（31/34，表1、2）。

表1 雙參數(shù)邏輯回歸系數(shù)（T2WI+ADC）

表2 多參數(shù)邏輯回歸系數(shù)（T2WI+ADC+T1WI_DSC）

2.3 雙參數(shù)與多參數(shù)的診斷效能 雙參數(shù)（T2WI+ADC）診斷高級別前列腺癌的敏感度為82.61%，特異度為86.11%，準確度為84.75%；多參數(shù)（T2WI+ADC+T1WI_DSC）診斷高級別前列腺癌的敏感度為86.97%，特異度為86.11%，準確度為86.44%；雙參數(shù)驗證集（AUC為0.919）與多參數(shù)的驗證集（AUC為0.946）比較，差異無統(tǒng)計學意義（P=0.077，圖2）。

3 討論

紋理特征對病灶部位的信號強度及分布、形態(tài)和緊致性特征、紋理特征分布等進行量化，客觀反映病灶特征。為了提高紋理特征對病灶的敏感度，多數(shù)紋理分析的報道通過以病灶最大層面或最大病灶作為興趣區(qū)勾畫獲得紋理數(shù)據(jù)[4-6]。本研究勾畫了所有病灶的全部層面作為興趣區(qū)合并計算紋理特征，以更全面、客觀地反映病灶信息。本研究采用的LASSO 方法適用于高維數(shù)據(jù)的回歸[7-8]，因為它可用于從主要數(shù)據(jù)集中提取最重要的預(yù)測因子和通過一系列參數(shù)控制模型的復(fù)雜度，為每個變量計算風險分數(shù)，從而避免過度擬合，提高模型的解釋性和預(yù)測精度。

圖2 雙參數(shù)（A）與多參數(shù)（B）診斷高級別前列腺癌的ROC 曲線。A 中訓(xùn)練組AUC為0.9631，驗證組AUC為0.9179；B 中訓(xùn)練組AUC為0.9701，驗證組AUC為0.9457

經(jīng)LASSO 篩選出的雙參數(shù)紋理特征T2.Quantile10、T2.Quantile95 分別表示T2WI 信號強度10%分位值、95%分位值，其值越低，表示信號強度降低，提示病灶區(qū)自由水成分減少。在雙參數(shù)紋理特征中，T2.Quantile10 和T2.Quantile95 均與高級別前列腺癌呈負相關(guān)，表明高級別前列腺癌在T2WI 中的表現(xiàn)并非特異性的高信號或低信號，基質(zhì)型增生、出血、炎癥、瘢痕及治療后改變等均可表現(xiàn)為類似前列腺癌樣的低信號[9]，本研究結(jié)果與此相似。ADC.MinIntensity、ADC.Quantile75 分別表示ADC 最低信號強度、75%分位信號強度，ADC.sumAverage 反映圖像整體信號強度，用于度量像素點的平均灰度，若圖像整體信號強度大，則ADC.sumAverage值較大；反之則較小。ADC.MinIntensity 和ADC.Quantile75 均與高級別前列腺癌呈負相關(guān)，而ADC.sumAverage 則呈正相關(guān)，表示高級別前列腺癌并非擴散絕對受限或受限程度越高越可以肯定是高級別前列腺癌，急性前列腺炎、間質(zhì)增生為主的結(jié)節(jié)等也有類似擴散受限表現(xiàn)[10-11]，本研究結(jié)果與此相似。

多參數(shù)紋理特征是在雙參數(shù)基礎(chǔ)上增加了定量特征，但本研究中ROC 曲線顯示，增加的這部分特征并未顯著提高其診斷高級別前列腺癌的準確性。盡管根據(jù)前列腺成像報告和數(shù)據(jù)系統(tǒng)2版（PI-RADS V2）對病變進行評分后與本研究結(jié)論一致的報道也認為動態(tài)增強序列在HGPCa 的診斷中作用有限[12-13]，但一些研究者堅持建議仍應(yīng)仔細評估動態(tài)增強序列的潛在異常，因為檢查動態(tài)增強序列可能有助于提高病灶檢出率、分期準確率及降低誤診率[14]。

本研究的局限性：①本研究為回顧性分析和單中心研究，樣本量相對較?。虎诒狙芯课疵枋霾∽兊奈恢煤头中?。因此，在進一步的前瞻性研究中，需要多中心和更大的樣本量進行驗證以及準確定位和更細致的分型。

雙參數(shù)MR 紋理分析與機器學習相結(jié)合對高級別前列腺癌具有良好的診斷性能。建議當有減輕經(jīng)濟負擔、提高患者的舒適度及減少增強掃描所致不良反應(yīng)需求時，鑒別高級別前列腺癌與良性增生，雙參數(shù)MR 紋理分析結(jié)合機器學習或可作為首選方法。