基于動(dòng)態(tài)對(duì)比增強(qiáng)MRI影像組學(xué)模型預(yù)測乳腺癌新輔助化療后非病理完全緩解

宋德領(lǐng)，崔書君，楊 飛，馬永青，張玉姣，郭亞哲，朱月香

(1.河北北方學(xué)院研究生院，河北 張家口 075000；2.河北北方學(xué)院附屬第一醫(yī)院影像科，河北 張家口 075000)

圖1 患者女，52歲，左側(cè)乳腺浸潤性導(dǎo)管癌Ⅱ級(jí) A.原始DCE-MRI； B.勾畫病灶ROI示意圖(紅色區(qū)域)

乳腺癌是基因變異導(dǎo)致的高度異質(zhì)性疾病，已成為全球女性死亡率最高的惡性腫瘤。新輔助化療(neoadjuvant chemotherapy, NAC)可降低術(shù)前腫瘤分期，使更多患者可接受保乳手術(shù)治療，在無進(jìn)展生存期、總生存期和局部病灶區(qū)域控制方面可達(dá)到與輔助化學(xué)治療(簡稱化療)相似的結(jié)果[1]；但仍有部分患者不能獲益于NAC，導(dǎo)致后續(xù)化療方案改變及長期生存率降低[2-3]。目前已有影像組學(xué)用于鑒別良惡性腫瘤、腫瘤分子亞型及預(yù)測基因突變等研究報(bào)道[4-7]。本研究觀察基于4個(gè)周期NAC后動(dòng)態(tài)對(duì)比增強(qiáng)MRI(dynamic contrast-enhanced MRI, DCE-MRI)影像組學(xué)模型預(yù)測乳腺癌非病理完全緩解(non-pathological complete response, non-pCR)的價(jià)值。

1 資料與方法

1.1 一般資料 收集2016年1月—2020年8月144例乳腺癌患者，均為女性，年齡38～74歲，平均(54.4±9.7)歲。納入標(biāo)準(zhǔn)：①于NAC前、后接受活組織檢查并獲得病理分期，且證實(shí)為Ⅱ～Ⅲ期原發(fā)性乳腺癌；②完成4個(gè)周期NAC，且之前未接受其他方案；③于4個(gè)周期NAC后接受乳腺M(fèi)RI。按照7∶3比例將患者分入訓(xùn)練組(n=99)和驗(yàn)證組(n=45)。

1.2 儀器與方法 采用Philips Ingina 3.0 T超導(dǎo)型MR儀行乳腺M(fèi)RI，配備四通道乳腺專用相控線圈。患者取俯臥位，頭先進(jìn)，使雙乳自然、對(duì)稱懸垂于線圈內(nèi)。采集乳腺常規(guī)圖像后行DCE-MRI，采集脂肪抑制乳腺容積內(nèi)插梯度回波序列T1WI，TR 2.1 ms，TE 4.5 ms，層厚1.5 mm，層數(shù)150層，矩陣512×512，F(xiàn)OV 30 cm×30 cm，翻轉(zhuǎn)角12°，NEX 2；掃描一期蒙片確認(rèn)病灶位置，以流率2 ml/s經(jīng)肘靜脈注射釓對(duì)比劑(0.2 mmol/kg體質(zhì)量)后行無間隔動(dòng)態(tài)增強(qiáng)掃描，共掃描11期。

1.3 數(shù)據(jù)處理及篩選紋理參數(shù) 采用MaZda軟件(The Technical University of Lodz, Institute of Electronics, http: //www.eletel. p.lodz.pl/mazda/)分析 DCE-MRI。由2名分別具有4年和6年胸部影像學(xué)診斷經(jīng)驗(yàn)的主治醫(yī)師采用盲法于第2期[4]軸位增強(qiáng)圖像顯示病灶最大層面上手動(dòng)勾畫病灶ROI(圖1)，由1名具有10年胸部影像學(xué)診斷經(jīng)驗(yàn)的副主任醫(yī)師逐一確認(rèn)后，提取病灶紋理參數(shù)，包括灰度直方圖(histogram)、灰度共生矩陣(the gray-level cooccurrence matrix, GLCM)、游程長度矩陣(grey level run length matrix, GLRLM)和小波變換(wavelet parameters)等，每個(gè)參數(shù)測2次，取其平均值為最后結(jié)果。利用標(biāo)準(zhǔn)分?jǐn)?shù)對(duì)特征參數(shù)進(jìn)行處理，計(jì)算其平均值()x和標(biāo)準(zhǔn)差(s)，以公式y(tǒng)ij=(xij-x)/s標(biāo)準(zhǔn)化數(shù)據(jù)，xij為實(shí)際參數(shù)值，yij為標(biāo)準(zhǔn)化參數(shù)值，對(duì)經(jīng)標(biāo)準(zhǔn)化后為負(fù)數(shù)的參數(shù)取絕對(duì)值進(jìn)行分析。

1.4 篩選影像組學(xué)特征與建立標(biāo)簽 采用R 3.6.2統(tǒng)計(jì)分析軟件，對(duì)病理完全緩解(pathological complete response, pCR)和non-pCR分別以0和1作為診斷標(biāo)簽,以最小絕對(duì)收縮與選擇算子(least absolute shrinkage and selection operator, LASSO)算法對(duì)提取的特征參數(shù)進(jìn)行篩選，通過調(diào)整權(quán)重參數(shù)λ將部分特征的系數(shù)抑制為零，以篩選最優(yōu)特征，并以十折交叉驗(yàn)證法篩選特征參數(shù)的系數(shù)(圖2)。依據(jù)選出特征及相應(yīng)特征系數(shù)構(gòu)建影像組學(xué)標(biāo)簽，計(jì)算每例患者的影像組學(xué)分值。

圖2 采用LASSO算法篩選影像組學(xué)特征 A.通過調(diào)整不同參數(shù)(λ)使模型二項(xiàng)式偏差達(dá)至最小，以篩選最優(yōu)特征[左側(cè)垂直虛線表示取最佳λ值時(shí)Log(λ)對(duì)應(yīng)的最小偏差值，右側(cè)虛線代表最佳λ值所對(duì)應(yīng)的函數(shù)值，圖片頂端為納入的特征數(shù)目]； B.篩選最優(yōu)特征系數(shù)收斂圖(圖中垂直線對(duì)應(yīng)篩選出具有非零系數(shù)的特征)

1.5 病理資料 根據(jù)Miller-Payne分級(jí)系統(tǒng)評(píng)價(jià)NAC前后腫瘤細(xì)胞凋亡狀況，評(píng)估NAC療效：1級(jí)為癌細(xì)胞組織形態(tài)、數(shù)量無明顯改變；2級(jí)為癌細(xì)胞總體數(shù)量減少≤30%；3級(jí)為癌細(xì)胞總體數(shù)量減少>30%～90%；4級(jí)為癌細(xì)胞總體數(shù)量減少>90%，病灶內(nèi)僅存在少量殘余癌細(xì)胞；5級(jí)為惡性細(xì)胞全部清除，僅殘存部分導(dǎo)管原位癌細(xì)胞。將3～5級(jí)歸為pCR，1～2級(jí)歸為non-pCR。記錄病理分期、雌激素受體(estrogen receptor, ER)、孕激素受體(progesterone receptor, PR)、人類表皮生長因子受體2(human epidermal growth factor receptor 2, HER2)和細(xì)胞增殖核抗原(nuclear-associated antigen, Ki-67)表達(dá)狀況。

1.6 統(tǒng)計(jì)學(xué)分析 采用R 3.6.2統(tǒng)計(jì)分析軟件。以組內(nèi)相關(guān)系數(shù)(intraclass correlation coefficients,ICC)評(píng)價(jià)2名醫(yī)師測量參數(shù)結(jié)果的一致性，ICC為0.75～1.0表示一致性較好。采用±s表示計(jì)量資料，以獨(dú)立樣本t檢驗(yàn)進(jìn)行比較；采用頻數(shù)表示計(jì)數(shù)資料，以χ2檢驗(yàn)進(jìn)行比較。針對(duì)差異有統(tǒng)計(jì)學(xué)意義的參數(shù)，以多因素Logistic回歸構(gòu)建聯(lián)合影像組學(xué)分值的預(yù)測乳腺癌NAC后non-pCR的聯(lián)合模型，采用Hosmer-Lemeshow檢驗(yàn)評(píng)價(jià)訓(xùn)練組和驗(yàn)證組模型的擬合優(yōu)度，P>0.05表示模型擬合效果好；以受試者工作特征(receiver operating characteristic, ROC)曲線法評(píng)價(jià)模型的診斷效能。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

訓(xùn)練組36例pCR、63例non-pCR，驗(yàn)證組分別為15例和30例。2名醫(yī)師提取DCE-MRI特征參數(shù)的一致性較高(ICC=0.763～0.921，P均<0.05)。

2.1 臨床病理資料比較 pCR與non-pCR患者間，PR、HER2及Ki-67表達(dá)在訓(xùn)練組和驗(yàn)證組中差異均有統(tǒng)計(jì)學(xué)意義(P均<0.05)；患者年齡、病理分期及ER表達(dá)差異均無統(tǒng)計(jì)學(xué)意義(P均>0.05)，見表1、2。

表1 驗(yàn)證組pCR與non-pCR患者臨床病理資料比較

表2 訓(xùn)練組pCR與non-pCR患者臨床病理資料比較

表3 根據(jù)訓(xùn)練組影像組學(xué)標(biāo)簽聯(lián)合病理因素構(gòu)建Logistic回歸方程

圖3 基于DCE-MRI影像組學(xué)聯(lián)合預(yù)測模型預(yù)測乳腺癌NAC后non-pCR的ROC曲線 A.訓(xùn)練組； B驗(yàn)證組

2.2 預(yù)測模型診斷效能 共提取306個(gè)DCE-MRI特征參數(shù)，在λ=0.08處篩選出8個(gè)最優(yōu)特征參數(shù)用于建立影像組學(xué)標(biāo)簽，即1.689+1.1 Contrast×0.001+1.1 Correlation×(-1.121)+2.2 Correlation×(-0.001)+5.0 Contrast×0.001+0.5 Inverse Difference Moment×(-0.257)+5.5 Entropy×(-0.288)+135 Grey Level Nonuniform×(-0.001)+45 Long Run Emphasis×(0.023)。

將PR、HER2和Ki-67表達(dá)及影像組學(xué)分值納入多因素Logistic回歸分析(表3)，由于方差膨脹因子>10，HER2未能納入聯(lián)合預(yù)測模型。Hosmer-Lemeshow檢驗(yàn)結(jié)果顯示模型在訓(xùn)練組和驗(yàn)證組中均擬合良好(P=0.19、0.34)。ROC曲線結(jié)果顯示，影像組學(xué)標(biāo)簽預(yù)測訓(xùn)練組和驗(yàn)證組乳腺癌NAC后non-pCR的曲線下面積(area under the curve, AUC)分別為0.85和0.84(P均<0.05)；聯(lián)合預(yù)測模型預(yù)測訓(xùn)練組乳腺癌NAC后non-pCR的AUC為0.90[95%CI為(0.82，0.95)]，敏感度和特異度分別為88.89%和83.33%；預(yù)測驗(yàn)證組的AUC為0.89[(95%CI為(0.76，0.96)]，敏感度和特異度分別為83.33%和86.67%，見圖3。

3 討論

乳腺癌HER2缺失常提示其分化較差、對(duì)化療藥物不敏感，且與Ki-67表達(dá)呈正相關(guān)[8]。本研究以篩選出的8個(gè)乳腺癌DCE-MRI最優(yōu)特征參數(shù)構(gòu)建預(yù)測NAC后non-pCR的影像組學(xué)標(biāo)簽，用于訓(xùn)練組和驗(yàn)證組預(yù)測NAC后non-pCR的AUC分別為0.85和0.84，提示臨床病理因素等個(gè)體化因素對(duì)NAC療效存在影響[9]。本研究結(jié)果顯示pCR與non-pCR患者間PR、HER2和Ki-67表達(dá)差異均有統(tǒng)計(jì)學(xué)意義，以影像組學(xué)標(biāo)簽聯(lián)合PR和Ki-67構(gòu)建的聯(lián)合預(yù)測模型預(yù)測訓(xùn)練組NAC后non-pCR的AUC為0.90，驗(yàn)證組的AUC為0.89，均高于影像組學(xué)標(biāo)簽，表明模型的泛化能力較好，而納入臨床病理特征對(duì)提高模型的診斷效能具有積極作用，與既往基于超聲影像組學(xué)特征預(yù)測乳腺癌NAC療效的研究結(jié)果[10]類似。

本研究篩選的最優(yōu)影像組學(xué)特征包含6個(gè)GLCM和2個(gè)GLRLM參數(shù)。GLCM參數(shù)主要通過不同空間位置的像素反映ROI內(nèi)不同方向灰度級(jí)變化幅度，常用統(tǒng)計(jì)量有熵、能量、對(duì)比度、相關(guān)性、逆差距和聚類等[11]。腫瘤生長和轉(zhuǎn)移往往依賴于腫瘤血管內(nèi)皮細(xì)胞，促血管生長因子數(shù)量越多，血管空間關(guān)系和結(jié)構(gòu)分布越復(fù)雜。non-pCR腫瘤異質(zhì)性較高，細(xì)胞生長活躍且對(duì)化療不敏感的亞細(xì)胞群體數(shù)量高于pCR，NAC后仍存在未被殺死的腫瘤細(xì)胞和不規(guī)則分布的囊變、壞死組織，且腫瘤血管密度下降不明顯或出現(xiàn)新生血管，DCE-MRI表現(xiàn)為分布不均勻的中、高混雜信號(hào)。pCR腫瘤細(xì)胞大量減少或消失，血管長度、分叉節(jié)點(diǎn)降低，僅存少量纖維組織，DCE-MRI表現(xiàn)為分布較均勻的中、低信號(hào)。影像組學(xué)標(biāo)簽中包含6個(gè)GLCM參數(shù)，提示腫瘤異質(zhì)性程度與圖像紋理相似度、對(duì)比度和復(fù)雜程度有關(guān)，同時(shí)反映細(xì)胞分子間相互作用導(dǎo)致微環(huán)境改變與DCE-MRI紋理分布具有高度相關(guān)性[12]。TERUEL等[13]發(fā)現(xiàn)乳腺癌NAC后DCE-MRI的和方差和熵值越大，腫瘤異質(zhì)性越高，腫瘤血管內(nèi)皮細(xì)胞對(duì)化療藥物越不敏感。GLRLM用于描述圖像內(nèi)灰度級(jí)在不同方向上游行的長度，往往包含更重要的圖像特征和相位特征。本研究中，影像組學(xué)標(biāo)簽包含2個(gè)GLRLM參數(shù)，表明腫瘤內(nèi)部的光滑度和粗糙度亦為預(yù)測NAC療效的關(guān)鍵因素。

綜上所述，基于乳腺癌4個(gè)周期NAC后DCE-MRI影像組學(xué)模型預(yù)測NAC non-pCR具有一定價(jià)值，有助于制定治療方案。本研究的局限性：①樣本量較少，結(jié)果存在偏倚；②提取影像組學(xué)特征僅限于病灶最大層面，提取3D特征參數(shù)或可獲得更豐富的病灶細(xì)節(jié)特征[14]，有待進(jìn)一步觀察。