基于T1WI增強(qiáng)的影像組學(xué)預(yù)測腦膜瘤Ki-67指數(shù)的研究

歐陽治強(qiáng)，魯毅，文亮，鄭茜，王聰，王婭，劉晗，孫學(xué)進(jìn)*

1.昆明醫(yī)科大學(xué)第一附屬醫(yī)院影像科，云南 昆明 650032；2.昆明醫(yī)科大學(xué)第一附屬醫(yī)院腦功能研究室，云南 昆明 650032； *通信作者 孫學(xué)進(jìn) sunxuejinkm@126.com

腦膜瘤在2016年更新的WHO中樞神經(jīng)系統(tǒng)腫瘤分類中分為3級15個亞型[1]，其中良性腦膜瘤（I級）占81%～90%，但良性腦膜瘤在完全切除術(shù)后5年復(fù)發(fā)率高達(dá)7%～25%，并且具有向高級別亞型轉(zhuǎn)化的潛能[2]。由此可見，以組織病理學(xué)特征為基礎(chǔ)的分級標(biāo)準(zhǔn)在預(yù)測腦膜瘤生物學(xué)行為方面存在一定的局限性，需要結(jié)合新的輔助診斷技術(shù)或檢測指標(biāo)進(jìn)行評價[3]。Ki-67指數(shù)作為反映腫瘤細(xì)胞增殖程度的標(biāo)志物，其在腦膜瘤良惡性診斷、預(yù)后判斷、復(fù)發(fā)風(fēng)險以及惡性轉(zhuǎn)化預(yù)測等方面均具有重要的意義[4-6]。然而，目前臨床主要通過對術(shù)后標(biāo)本進(jìn)行免疫組化分析，了解腦膜瘤Ki-67指數(shù)的表達(dá)，其中取樣誤差[7-8]、時效欠佳及費(fèi)用高均影響了Ki-67指數(shù)在腦膜瘤患者術(shù)前評估和治療方案制定中的價值。影像組學(xué)采用自動化計算方法，將海量醫(yī)學(xué)影像數(shù)據(jù)轉(zhuǎn)化為具有特征空間的定量化數(shù)據(jù)，進(jìn)行分析、篩選后建立分類模型，能夠及時、全面、無創(chuàng)地對腫瘤整體特征進(jìn)行評價，既往研究利用影像組學(xué)方法對乳腺癌Ki-67指數(shù)進(jìn)行預(yù)測[9-10]?；谶@樣的背景，本研究探索性地選擇腦膜瘤患者術(shù)前T1WI增強(qiáng)圖像進(jìn)行影像組學(xué)特征提取與分析，擬構(gòu)建用于預(yù)測腦膜瘤Ki-67指數(shù)的Nomogram模型，期望能為前瞻腦膜瘤的內(nèi)在生物學(xué)行為提供一定的依據(jù)。

1 資料與方法

1.1 研究對象 回顧性收集2016年6月—2020年6月昆明醫(yī)科大學(xué)第一附屬醫(yī)院經(jīng)術(shù)后病理及免疫組化證實(shí)的腦膜瘤患者。納入標(biāo)準(zhǔn)：①于我院接受手術(shù)治療，并經(jīng)術(shù)后病理及免疫組化證實(shí)顱內(nèi)占位為腦膜瘤；②患者接受手術(shù)治療前均在同一MR掃描儀上行頭部MRI平掃及增強(qiáng)檢查，且掃描參數(shù)保持一致；③術(shù)后均行Ki-67指數(shù)免疫組化分析，并具有明確的分析結(jié)果，Ki-67指數(shù)≤4%記為低表達(dá)，＞4%記為高表達(dá)[3,11]；④臨床資料完整。排除T1WI增強(qiáng)圖像質(zhì) 量不佳者。本研究經(jīng)昆明醫(yī)科大學(xué)第一附屬醫(yī)院倫理委員會批準(zhǔn)（〔2021〕倫理L第6號），免除患者知情同意。

1.2 儀器與方法

1.2.1 MRI檢查 采用Philips Achieva 1.5T MR掃描儀，8通道相控陣線圈，行頭部MRI平掃及增強(qiáng)檢查，掃描序列及參數(shù)：平掃行全腦軸位T1WI、T2WI、FLAIR掃描，采用快速自旋回波序列（TSE）；T1（TR 550 ms，TE 8.1 ms），T2（TR 6 896 ms，TE 70 ms），層厚6 mm，層間距1 mm，視野240 mm×240 mm，激勵次數(shù)1；增強(qiáng)掃描使用高壓注射器經(jīng)肘靜脈注入對比劑釓噴酸葡胺，速度2.0 ml/s，劑量0.2 mmol/kg，注射完成后加推15～20 ml生理鹽水，行全腦軸位、冠狀位、矢狀位T1WI掃描。

1.2.2 Ki-67免疫組化分析 手術(shù)切除標(biāo)本采用10%甲醛溶液固定，經(jīng)組織脫水后，使用石蠟切片封埋處理行Ki-67免疫組化染色，行病理鏡下觀察，將腫瘤細(xì)胞中Ki-67陽性細(xì)胞（細(xì)胞核內(nèi)出現(xiàn)深染的棕黃色顆粒）所占百分比記為Ki-67指數(shù)。

1.3 圖像處理

1.3.1 感興趣區(qū)（ROI）勾畫 將T1WI增強(qiáng)軸位圖像以DICOM格式導(dǎo)入基于MATLAB R2014a平臺開發(fā)的IBEX（Beta 1.0 http://bit.ly/IBEX_MDAnderson）影像組學(xué)軟件，由1名影像科碩士研究生（醫(yī)師1）在T1WI增強(qiáng)圖像上對腫瘤的最大層面進(jìn)行勾畫（圖1A），同時由1名具有8年以上中樞神經(jīng)系統(tǒng)影像診斷經(jīng)驗(yàn)的高年資醫(yī)師復(fù)核，隨后由另1名影像科碩士研究生（醫(yī)師2）進(jìn)行第2次勾畫（圖1B），再由同一名高年資醫(yī)師復(fù)核。腦膜瘤內(nèi)部壞死、囊變、鈣化、出血及被腫瘤侵犯的腦膜、顱骨和腦膜尾征作為常規(guī)影像上腫瘤異質(zhì)性的映射，與腦膜瘤惡性程度、侵襲性密切相關(guān)[12]，因此本研究所勾畫的ROI包括以上內(nèi)容。

圖1 醫(yī)師1在腦膜瘤患者術(shù)前T1WI增強(qiáng)圖像上勾勒出的腦膜瘤邊界（A），記為ROI 1；醫(yī)師2在同一名患者T1WI增強(qiáng)圖像上勾勒出的腦膜瘤邊界（B），記為ROI 2；該腦膜瘤患者術(shù)后病理切片（HE，×100，C），病理及免疫組化結(jié)果示左頂部鐮旁腦膜瘤，WHO Ⅱ級（非典型），Ki-67（20%+）

1.3.2 影像組學(xué)特征提取 利用IBEX軟件提取包括一階統(tǒng)計量特征、形態(tài)學(xué)特征及紋理特征在內(nèi)的3大類特征，提取特征前使用軟件自帶的拉普拉斯濾波和基于體素水平重采樣圖像預(yù)處理方法對2次勾畫的ROI進(jìn)行處理。

1.3.3 影像組學(xué)特征篩選及預(yù)測模型構(gòu)建 基于R 4.0.2（http://www.r-project.org）。首先，刪除特征數(shù)據(jù)中的無效特征（特征數(shù)據(jù)為某一相同數(shù)值或全為空值項(xiàng)），應(yīng)用均值填充法對數(shù)據(jù)缺項(xiàng)進(jìn)行填充；其次，使用組間相關(guān)系數(shù)（ICC）評價2次勾畫的ROI觀察者間的一致性，提取ICC≥0.75的影像組學(xué)特征，并采用Z分?jǐn)?shù)標(biāo)準(zhǔn)化以及單因素方差分析對差異有統(tǒng)計學(xué)意義的特征進(jìn)行篩選；然后，設(shè)置1、6、9的隨機(jī)種子，通過隨機(jī)選擇函數(shù)將特征數(shù)據(jù)按7∶3進(jìn)行3次無放回的抽取，分為訓(xùn)練組和驗(yàn)證組；隨后，使用最小收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）回歸與10倍交叉驗(yàn)證對3次隨機(jī)試驗(yàn)的訓(xùn)練組特征數(shù)據(jù)進(jìn)行降維處理，提取具有非零系數(shù)的影像組學(xué)特征，組成特征集；最后，將訓(xùn)練組特征數(shù)據(jù)集分別納入邏輯回歸（logistic regression，LR）、決策樹（decision tree，DT）、支持向量機(jī)（support vector machine，SVM）以及自適應(yīng)增強(qiáng)（adaptive boosting，AdaBoost）4種分類學(xué)習(xí)器，建立相應(yīng)的腦膜瘤Ki-67指數(shù)預(yù)測模型，并用驗(yàn)證組數(shù)據(jù)進(jìn)行檢驗(yàn)。分析患者M(jìn)RI資料，篩選出在腦膜瘤Ki-67指數(shù)低表達(dá)組和高表達(dá)組之間差異有統(tǒng)計學(xué)意義的影像特征，并將其參數(shù)納入上述4種分類學(xué)習(xí)器中預(yù)測效能最佳的1個，構(gòu)建影像特征模型、聯(lián)合模型（影像特征和影像組學(xué)特征）。

1.4 比較4種分類學(xué)習(xí)器及影像特征模型、聯(lián)合模型的預(yù)測效能并建立Nomogram模型 繪制受試者工作特征（ROC）曲線，評價4種分類學(xué)習(xí)器及影像特征模型、聯(lián)合模型的預(yù)測效能，評價指標(biāo)包括敏感度、特異度、準(zhǔn)確率和曲線下面積（AUC）。最后，將影像特征與影像組學(xué)特征一并納入Nomogram模型的構(gòu)建，并采用校準(zhǔn)曲線與決策曲線對Nomogram模型進(jìn)行評價。

1.5 統(tǒng)計學(xué)方法 采用SPSS 21.0軟件，行正態(tài)性分布檢驗(yàn)，符合正態(tài)分布的計量資料以±s表示，采用獨(dú)立樣本t檢驗(yàn)；不符合正態(tài)分布的計量資料以M（Qr）表示，采用Mann-WhitneyU檢驗(yàn)；計數(shù)資料采用χ2檢 驗(yàn)或Fisher確切概率法，P＜0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 患者資料

2.1.1 一般資料 根據(jù)納入與排除標(biāo)準(zhǔn)，最終納入腦膜瘤240例，其中Ki-67≤4%和Ki-67＞4%各120例。所有病例按7∶3隨機(jī)分配到訓(xùn)練組和驗(yàn)證組，訓(xùn)練組168例，其中Ki-67≤4%和Ki-67＞4%各84例；驗(yàn)證組72例，其中Ki-67≤4%和Ki-67＞4%各36例。訓(xùn)練組和驗(yàn)證組中Ki-67≤4%和Ki-67＞4%患者的性別、年齡差異均無統(tǒng)計學(xué)意義（P＞0.05），見表1。

2.1.2 MRI資料 腫瘤強(qiáng)化均勻度這一影像特征在腦膜瘤Ki-67低表達(dá)組和高表達(dá)組中差異有統(tǒng)計學(xué)意義（P＜0.05），見表1；即行MRI增強(qiáng)檢查時，腦膜瘤Ki-67指數(shù)高表達(dá)者較低表達(dá)者更易出現(xiàn)強(qiáng)化非均勻表現(xiàn)（強(qiáng)化欠均勻/不均勻）。

2.1.3 病理資料 訓(xùn)練組和驗(yàn)證組中Ki-67指數(shù)高表達(dá)者為WHO高級別腦膜瘤（Ⅱ、Ⅲ級）的概率明顯高于Ki-67指數(shù)低表達(dá)者（P＜0.05），見表1。

表1 腦膜瘤患者一般資料、MRI資料及WHO病理分級

2.2 影像組學(xué)特征分析 從T1WI增強(qiáng)圖像中提取到初始影像組學(xué)特征838個，手動刪除無效特征28個，經(jīng)組間一致性檢驗(yàn)，獲得ICC≥0.75的組學(xué)特征706個，通過Z分?jǐn)?shù)標(biāo)準(zhǔn)化處理及單因素方差分析后，得到622個組間差異有統(tǒng)計學(xué)意義（P＜0.05）的特征。隨后，對3次隨機(jī)試驗(yàn)中的訓(xùn)練組數(shù)據(jù)進(jìn)行LASSO回歸和10倍交叉驗(yàn)證降維處理，分別提取到12、14、12個影像組學(xué)特征（圖2）。

圖2 3次隨機(jī)分組試驗(yàn)使用LASSO對622個影像組學(xué)特征進(jìn)行篩選的系數(shù)收斂圖（A～C），縱坐標(biāo)為因變量y是LASSO系數(shù)，下橫坐標(biāo)為自變量x是Log（λ）值，上橫坐標(biāo)是非零系數(shù)的個數(shù)，隨著Log（λ）值逐漸增大，LASSO系數(shù)逐漸減小為0；3次試驗(yàn)使用10倍交叉驗(yàn)證法篩選效能最佳的組學(xué)特征圖（D～F），下橫坐標(biāo)是Log（λ）值，上橫坐標(biāo)是與Log（λ）值相對應(yīng)的LASSO降維后的特征個數(shù)，左側(cè)虛線表示Log（λ）值為最低平均分類錯誤率（最小方差）時所對應(yīng)的特征個數(shù)，右側(cè)虛線表示Log（λ）值為最低平均分類錯誤率1倍標(biāo)準(zhǔn)差（最簡化模型）時所對應(yīng)的特征個數(shù)，3次試驗(yàn)均取最簡化模型所提供的特征

2.3 4 種分類學(xué)習(xí)器預(yù)測效能分析 訓(xùn)練組中SVM模型的預(yù)測效能最佳，驗(yàn)證組中LR模型的表現(xiàn)最佳；對2種模型進(jìn)行綜合評價，認(rèn)為LR模型預(yù)測效能最佳，見表2。

表2 4種分類學(xué)習(xí)器在3次隨機(jī)試驗(yàn)中的平均預(yù)測效能

2.4 影像組學(xué)模型、影像特征模型、聯(lián)合模型預(yù)測效能分析 將腫瘤強(qiáng)化均勻度這一影像特征參數(shù)納入LR分類學(xué)習(xí)器，得到影像特征模型；再將影像組學(xué)特征參數(shù)與影像特征參數(shù)一同納入LR分類學(xué)習(xí)器，得到聯(lián)合模型，各模型的ROC曲線及預(yù)測效能見圖3A、B及表3。其中，聯(lián)合模型對腦膜瘤Ki-67指數(shù)的預(yù)測效能在訓(xùn)練組與驗(yàn)證組中均為最佳，訓(xùn)練組和驗(yàn)證組AUC分別為0.817、0.822。決策曲線（圖3C）表明當(dāng)閾值概率＞0.13時，使用聯(lián)合模型預(yù)測腦膜瘤Ki-67指數(shù)的凈收益將顯著高于使用影像特征模型。

表3 影像組學(xué)模型、影像特征模型及聯(lián)合診斷模型的預(yù)測效能

圖3 基于LR分類學(xué)習(xí)器構(gòu)建的影像組學(xué)模型、影像特征模型和聯(lián)合模型在訓(xùn)練組（A）和驗(yàn)證組（B）中的ROC曲線及影像特征模型和聯(lián)合模型的決策曲線（C）

2.5 Nomogram模型分析及校準(zhǔn) 基于LR算法構(gòu)建Nomogram模型（圖4A）。將腫瘤強(qiáng)化均勻度積分（均 勻積0分、欠均勻積31分、不均勻積63分）與影像組學(xué)標(biāo)簽積分（-3～3.5分別積0～100分）相加得到總分，總分越高，對應(yīng)的腦膜瘤Ki-67指數(shù)高表達(dá)（Ki-67＞4%）的概率越高。Nomogram預(yù)測模型經(jīng)Boostrap法行1 000次內(nèi)部抽樣驗(yàn)證后，得出模型的預(yù)測值與臨床實(shí)際觀察值趨近于45°斜線（圖4B），表明該模型的校準(zhǔn)度較好。

圖4 預(yù)測腦膜瘤Ki-67指數(shù)表達(dá)的Nomogram圖（A）及Nomogram預(yù)測模型的校準(zhǔn)曲線（B）

3 討論

本研究運(yùn)用影像組學(xué)方法對腦膜瘤Ki-67指數(shù)進(jìn)行預(yù)測，運(yùn)用多種分類學(xué)習(xí)算法聯(lián)合影像組學(xué)與常規(guī)影像特征，經(jīng)多次隨機(jī)分組試驗(yàn)，較具創(chuàng)新性地建立了能用于腦膜瘤Ki-67指數(shù)術(shù)前預(yù)測的Nomogram模型。

Ki-67指數(shù)作為反映細(xì)胞增殖活性最典型的免疫組化標(biāo)志物，其對腦膜瘤臨床結(jié)局的負(fù)面影響已逐漸被認(rèn)識。Be?uli?等[13]研究發(fā)現(xiàn)：Ki-67指數(shù)的表達(dá)與腦膜瘤瘤周水腫嚴(yán)重程度呈正相關(guān)，間接證明了腦膜瘤侵襲性與Ki-67指數(shù)表達(dá)有關(guān)；Liu等[5]對Ki-67/MIB-1在腦膜瘤預(yù)后中的作用進(jìn)行Meta分析，發(fā)現(xiàn)Ki-67指數(shù)高表達(dá)與腦膜瘤患者較差的總生存期有關(guān)，提出Ki-67指數(shù)＞4%可作為判斷臨床預(yù)后好壞的截止值，并建議Ki-67指數(shù)＞4%的腦膜瘤患者術(shù)后進(jìn)行更加密切、規(guī)律的隨訪；此外，有研究發(fā)現(xiàn)腦膜瘤患者Ki-67指數(shù)越高，其切除術(shù)后復(fù)發(fā)的時間間隔越短，臨床醫(yī)師可根據(jù)Ki-67指數(shù)的表達(dá)為患者制定更加科學(xué)合理的隨訪計劃[11]。因此，對腦膜瘤Ki-67指數(shù)進(jìn)行術(shù)前預(yù)測，已成為目前的研究熱點(diǎn)。近來，有研究通過分析腦膜瘤患者術(shù)前MRI圖像，發(fā)現(xiàn)擴(kuò)散峰度成像中的平均峰度（mean kurtosis，MK）及徑向峰度（radial kurtosis，RK）與Ki-67指數(shù)呈正相關(guān)[6]，而表觀擴(kuò)散系數(shù)（ADC）與Ki-67指數(shù)呈負(fù)相關(guān)[14]，并提出可通過測量MK、RK和ADC值對腦膜瘤患者Ki-67指數(shù)進(jìn)行預(yù)測。然而，這些研究均是基于醫(yī)學(xué)圖像的常規(guī)分析，所獲取的圖像信息較為有限，而本研究利用影像組學(xué)的方法，通過挖掘醫(yī)學(xué)圖像中的高通量特征數(shù)據(jù)，提取肉眼無法直接識別的深層信息進(jìn)行定量分析，很好地彌補(bǔ)了這一缺陷[9,15]。Liang等[10]基于T2WI圖像構(gòu)建的分類學(xué)習(xí)器對乳腺癌Ki-67指數(shù)已具備較好的預(yù)測效能，訓(xùn)練組和驗(yàn)證組AUC分別為0.762和0.740；黎嬌等[9]基于術(shù)前分期CT圖像構(gòu)建的乳腺癌Ki-67指數(shù)預(yù)測模型訓(xùn)練組和驗(yàn)證組AUC分別為0.782、0.781，預(yù)測效能進(jìn)一步提升。本研究基于LR建立的腦膜瘤Ki-67指數(shù)預(yù)測模型在驗(yàn)證組中的AUC為0.713，預(yù)測效能略低于上述兩項(xiàng)研究建立的預(yù)測模型，其原因可能是本研究采取了3次隨機(jī)分組試驗(yàn)求平均值的方法，但與以往研究相比，本研究所得結(jié)果更具穩(wěn)定性與可靠性。此外，基于Ma等[16]聯(lián)合常規(guī)CT特征與影像組學(xué)特征建立鑒別BorrmannⅣ型胃癌和原發(fā)性胃淋巴瘤診斷模型，本研究對所有納入患者的MRI特征進(jìn)行分析，發(fā)現(xiàn)腫瘤強(qiáng)化均勻度這一常規(guī)影像特征在腦膜瘤Ki-67指數(shù)高表達(dá)組與低表達(dá)組間有顯著差異，即將該影像特征的參數(shù)納入LR分類學(xué)習(xí)器，得到的聯(lián)合模型預(yù)測效能較單一模型明顯提升（聯(lián)合模型AUC＞影像組學(xué)模型AUC＞影像特征模型AUC），訓(xùn)練組與驗(yàn)證組AUC分別升至0.817和0.822，表明聯(lián)合模型成功繼承了傳統(tǒng)影像學(xué)與影像組學(xué)的優(yōu)點(diǎn)。最后，本研究緊扣影像組學(xué)研究前沿[17]，整合腦膜瘤強(qiáng)化均勻度與影像組學(xué)標(biāo)簽值，構(gòu)建風(fēng)險量化的Nomogram模型，實(shí)現(xiàn)了對腦膜瘤Ki-67指數(shù)高表達(dá)風(fēng)險的定量預(yù)測。

本研究的局限性：首先，本研究為回顧性研究，在研究對象的選擇上可能存在選擇性偏倚，進(jìn)而對最終結(jié)果產(chǎn)生影響；其次，本研究僅選取T1WI增強(qiáng)序列進(jìn)行影像組學(xué)特征提取和分析，最終構(gòu)建的預(yù)測模型效能可能不如基于MRI多參數(shù)/模態(tài)的研究[18]；最后，本研究為單中心驗(yàn)證，尚需多中心研究進(jìn)一步驗(yàn)證結(jié)論。

總之，基于影像組學(xué)的方法可以進(jìn)一步挖掘腦膜瘤患者術(shù)前T1WI增強(qiáng)圖像中所蘊(yùn)含的信息，利用LR分類學(xué)習(xí)器構(gòu)建的腦膜瘤Ki-67指數(shù)預(yù)測模型已初具良好的預(yù)測效能，進(jìn)一步納入強(qiáng)化均勻度這一常規(guī)影像特征后得到的聯(lián)合模型預(yù)測效能較影像特征模型、影像組學(xué)模型均有提升，而最終構(gòu)建的Nomogram模型對風(fēng)險因子權(quán)重進(jìn)行了量化，是臨床預(yù)測腦膜瘤Ki-67指數(shù)直觀、可靠的參考工具，能為前瞻腦膜瘤的內(nèi)在生物學(xué)行為提供有力的依據(jù)，并為患者進(jìn)行一次MRI檢查帶來額外的附加收益。今后腦膜瘤影像組學(xué)相關(guān)研究將更加廣泛、深入，并向著多中心驗(yàn)證后投入臨床實(shí)踐發(fā)展。