非小細胞肺癌淋巴結(jié)轉(zhuǎn)移預測模型研究

盧孔堯，黃鋼，左艷

1.上海理工大學醫(yī)療器械與食品學院，上海 200093；2.上海健康醫(yī)學院附屬嘉定中心醫(yī)院上海市分子影像學重點實驗室，上海 201318

前言

肺癌依然是全世界癌癥相關死亡的主要原因［1］。腫瘤的早期發(fā)現(xiàn)和分期對肺癌的治療非常重要［2］。而非小細胞肺癌（Non-Small Cell Lung Cancer,NSCLC）患者約占所有肺癌患者的80%～85%，其治療方式主要根據(jù)TNM（Tumor, Lymph Node, Metastasis）期系統(tǒng)確定［3］。國家綜合癌癥網(wǎng)絡指南（2018）指出，早期NSCLC患者應首選手術，晚期NSCLC 患者應首選放療和化療［4］。而淋巴結(jié)轉(zhuǎn)移是肺癌最常見的轉(zhuǎn)移途徑。決定肺癌分期、治療方案和預后的關鍵因素之一是淋巴結(jié)轉(zhuǎn)移（Lymph Node Metastasis,LNM）。術前對腫瘤轉(zhuǎn)移的了解可以為選擇輔助治療或手術切除方案提供有價值的信息，從而幫助臨床醫(yī)生做出正確的決定［5］。為了保護肺功能，對于沒有淋巴結(jié)轉(zhuǎn)移的患者，應行有限切除，如楔形切除或節(jié)段切除［6］。已有調(diào)查研究表明，肺癌患者的5年生存率與淋巴結(jié)轉(zhuǎn)移相關，無淋巴結(jié)轉(zhuǎn)移患者的5年生存率約為56%，而有淋巴結(jié)轉(zhuǎn)移僅為38%［7］。因此，術前確定NSCLC 患者的淋巴結(jié)轉(zhuǎn)移情況非常重要。目前，評價NSCLC 淋巴結(jié)是否有轉(zhuǎn)移的方法有很多，這些方法包括計算機斷層掃描（Computed Tomography,CT）、正電子發(fā)射斷層掃描（Positron Emission Tomography-CT,PET-CT）、超聲引導活檢、胸腔鏡等［8-9］。PET-CT 檢查可以較好地評估淋巴結(jié)轉(zhuǎn)移狀態(tài)，對肺癌患者的淋巴結(jié)分期具有較高的特異性。然而，PET-CT 檢查方式存在的誤診［10］和假陰性率［11］仍然是一個值得關注的問題。此外，發(fā)展中國家的許多患者負擔不起PET-CT 掃描的較高費用［12］。而胸腔鏡檢查和活檢等病理檢查方式也能對NSCLC 的淋巴結(jié)狀態(tài)進行評估，但是其有創(chuàng)性的操作會給無淋巴結(jié)轉(zhuǎn)移的患者帶來負面影響。因此，找到非侵入性的方法來預測患者淋巴結(jié)轉(zhuǎn)移情況對后續(xù)的臨床治療尤為重要［13-15］。

近年來，影像組學作為一種新興的方法，受到了越來越多學者和專家的關注．影像組學在癌癥患者的個體化治療中顯得越來越重要。有研究表明，影像組學方法可以從數(shù)字醫(yī)學圖像中提取定量特征，使在圖像上挖掘出的高維數(shù)據(jù)能夠應用于臨床決策支持，從而提高診斷、預后和預測的準確性［16-17］。本研究的目標是開發(fā)和驗證一個基于影像組學的模型，用于術前預測NSCLC患者的淋巴結(jié)轉(zhuǎn)移情況。

1 材料和方法

1.1 試驗材料

本研究的病人數(shù)據(jù)一部分來自癌癥影像檔案（The Cancer Imaging Archive，TCIA）中 的NSCLC Radiogenomics 公共數(shù)據(jù)集［18］，使用數(shù)據(jù)庫中的134例NSCLC 患者的臨床和CT 影像數(shù)據(jù)。另一部分數(shù)據(jù)來自上海市胸科醫(yī)院經(jīng)病理證實的44 例NSCLC患者的臨床和CT 影像數(shù)據(jù)。患者的影像數(shù)據(jù)包括178 組CT 圖像序列，每幅圖像的尺寸大小為512 像素×512 像素，所選病例的納入標準為：（1）年齡均大于18 周歲，肺已發(fā)育完全，可以避免其他因素干擾；（2）病理診斷為NSCLC且已確定其LNM情況；（3）有完整的CT 圖像和個人的基本信息。排除標準為：（1）術前接受過放療或化療等治療；（2）沒有明確的病理分期。為了保證試驗本身的客觀和可靠性，并且能更有價值地預測淋巴結(jié)轉(zhuǎn)移狀況，在數(shù)據(jù)集的分配上，以公共數(shù)據(jù)集作為訓練集，總共134例樣本，其中109例無淋巴結(jié)轉(zhuǎn)移，25例有淋巴結(jié)轉(zhuǎn)移。從上海胸科醫(yī)院采集的數(shù)據(jù)作為測試集，總共44例樣本，其中17 例無淋巴結(jié)轉(zhuǎn)移，27 例有淋巴結(jié)轉(zhuǎn)移。兩部分患者的臨床信息如表1所示。

表1 兩中心納入病例的臨床信息（n=178）Table 1 Clinical information of the enrolled cases from two centers(n=178)

1.2 方法

首先，由經(jīng)驗豐富的放射科醫(yī)生通過開源軟件ITK-SNAP［19］（3.6.0 版本，www.itksnap.org）手工勾畫感興趣區(qū)域（Region of Interest,ROI）。兩個病例樣本最大直徑處勾畫的腫瘤標記CT 切片圖和最終經(jīng)三維重建得到的三維腫瘤圖見圖1。然后，再從中提取形態(tài)學特征、一階統(tǒng)計學特征和紋理特征。接著采用綜合采樣人工合成數(shù)據(jù)算法（Synthetic Minority Over-sampling Technique, SMOTE）對訓練集數(shù)據(jù)做平衡化處理，再用主成分分析（Principal Component Analysis,PCA）方法進行特征降維，而后用Relief、方差分析（Analysis of Variance,ANOVA）和遞歸特征消除（Recursive Feature Elimination, RFE）算法進行特征選擇，最后將預處理后的數(shù)據(jù)對5種分類器進行訓練，并經(jīng)過5 折交叉驗證，建立NSCLC 淋巴結(jié)轉(zhuǎn)移預測模型，然后進行外部驗證。工作流程如圖2所示。

圖1 兩個病例腫瘤切片標記圖（上）和三維重建圖（下）Figure 1 Tumor slice labeled images(up)and three-dimensional reconstruction images(down)of 2 cases

圖2 本文工作流程Figure 2 Workflow of the proposed method

1.2.1 特征提取特征提取是影像組學中非常關鍵的一步，通過此步驟可以從醫(yī)學影像中獲取有用的信息和數(shù)據(jù)，以便于后續(xù)對腫瘤異質(zhì)性的定量分析和描述。為了使CT 影像組學特征更準確地分析并預測NSCLC淋巴結(jié)轉(zhuǎn)移狀況，應該多角度、多種類地提取相關的定量指標特征。本研究使用python 中的開源軟件包Pyradiomics［20］（https://github. com/Radiomics/pyra-diomics）從分割的腫瘤區(qū)域中自動提取出1 648 個影像組學特征，其中包括形態(tài)學、紋理、一階統(tǒng)計學特征，具體的特征類型及名稱如表2所示。

表2 所提取的特征Table 2 Extracted features

1.2.2 數(shù)據(jù)平衡在試驗中，由于訓練集的樣本中有109例無淋巴結(jié)轉(zhuǎn)移，25例淋巴結(jié)轉(zhuǎn)移，兩者在數(shù)量上的比例不均衡。而這種樣本類別之間的比例失調(diào)，往往會導致預測得出的結(jié)果出現(xiàn)很大的偏倚，即預測分類結(jié)果會更偏向于多數(shù)類樣本，致使分類結(jié)果不準確。因此，為了解決數(shù)據(jù)不平衡問題，采用SMOTE算法對訓練集數(shù)據(jù)做平衡化處理。SMOTE算法是2002年Chawla等［21］提出的一種技術，這種技術可以用過采樣方法合成少數(shù)類樣本的數(shù)量，以達到類別數(shù)量之間趨于均衡的效果。算法的具體流程如下所示。

（1）在特征數(shù)據(jù)空間中，取每一個少數(shù)類的樣本m，找到該樣本的k個最近的相鄰樣本，一般k值取5。（2）根據(jù)自身試驗所需樣本的過采樣量，確定過采樣倍率，然后從k個最近的相鄰樣本中隨機選擇n個樣本（n＜k）。（3）先算出某一少數(shù)樣本與其最近鄰樣本的差值，然后將該差值乘以0 和1 之間的一個隨機數(shù)，最后將其加入原來的少數(shù)樣本中，從而合成新的樣本。（4）本文采用SMOTE 算法，使訓練集數(shù)據(jù)的無淋巴結(jié)轉(zhuǎn)移樣本擴充到109 例。由于使用該算法得到的樣本并不是真實樣本數(shù)據(jù)，所以該部分樣本只參與分類器模型的訓練過程，而不參與模型的測試過程，測試過程選用的是44 例外部數(shù)據(jù)集作為測試集進行模型驗證。

1.2.3 特征優(yōu)化通過影像組學的方法可以從腫瘤區(qū)域中提取出大量的定量特征，但是由于提取的特征中包含一些噪聲和冗余的特征，會使后續(xù)的計算變得更加復雜，甚至會導致預測模型出現(xiàn)過擬合現(xiàn)象。因此，特征優(yōu)化是一種非常有必要的方法，借助此方法可以選到一些對提高模型預測性能和數(shù)據(jù)處理速度真正重要的特征子集。試驗中首先通過PCA 方法壓縮和簡化提取到的高維特征數(shù)據(jù)，去除無關和冗余信息對預測模型的干擾。然后再使用Relief、ANOVA 和RFE 算法進行特征選擇，最終達到特征優(yōu)化的目的。

本文采用PCA 算法進行特征降維，PCA 可以將多個變量轉(zhuǎn)化為重要的幾個綜合主成分，而忽略掉其中不重要的成分，這些主成分是通過原始數(shù)據(jù)的變量特征經(jīng)過線性變換轉(zhuǎn)化而來的組合，組合之間是互不相關的，但是能反映原始數(shù)據(jù)的大量信息，從而實現(xiàn)高維特征向量向低維特征向量的轉(zhuǎn)換。其具體的算法流程如下。

假設有一個特征數(shù)據(jù)集，其樣本數(shù)量為n，特征數(shù)量為p，將其組合成一個大小為n×p矩陣x，如公式（1）所示：

由于每個特征的度量單位不一致的情況容易影響后續(xù)的的特征降維，所以先對數(shù)據(jù)集中的每一個特征進行標準化處理，即按列計算出每個特征的均值和標準差，然后通過計算得到標準化數(shù)據(jù)，使標準化數(shù)據(jù)的每一個特征減去對應該列特征的平均值，得到新的矩陣X，如公式（2）所示：

然后計算標準化樣本的協(xié)方差矩陣R，如公式（3）所示：

一般來說，貢獻率越大，表明該成分綜合的信息越多。而為了達到降維又盡可能地保證原數(shù)據(jù)信息的完整性，保留累計貢獻率達到較高值的k個特征向量作為主成分。本試驗選取累計貢獻率超過80%的前幾個特征作為主成分，在保證原數(shù)據(jù)信息完整的條件下，去除噪聲和冗余信息，達到特征降維并優(yōu)化的效果。在試驗中，將原來提取的1 648個影像組學特征通過PCA方法降維到60個更具代表性的主成分特征，既達到了特征壓縮的目的，又能充分代表原數(shù)據(jù)的信息，為后續(xù)分類預測模型的建立奠定了良好的基礎。

經(jīng)過PCA 特征降維之后，再使用Relief、ANOVA和RFE 算法進行特征選擇，最后得到特征冗余量小并與淋巴結(jié)轉(zhuǎn)移更顯著相關的特征子集。

1.2.4 預測分類模型的建立和驗證為了得到最優(yōu)的預測分類模型，進行了大量的試驗研究和測試，最終采用了5種泛化性強、適合小樣本數(shù)據(jù)的代表性分類算法，包括樸素貝葉斯（Na?ve Bayes,NB），線性判別分析（Linear Discriminant Analysis, LDA）、邏輯回歸（Logistic Regression,LR）、支持向量機（Support Vector Machine, SVM）和高斯過程（Gaussian Process, GP），再用優(yōu)化后的訓練集數(shù)據(jù)訓練分類器，接著用測試集數(shù)據(jù)進行分類預測研究。此外，在試驗中還引入了5折交叉驗證的方法，該方法既能提升模型的可靠性，還能在很大程度上提高現(xiàn)有數(shù)據(jù)的利用率。

2 結(jié)果

使用基于5 種不同的機器學習分類算法和5 折交叉驗證的方法進行分類試驗和模型評估，并使用準確率（Accuracy, ACC）、受試者操作特征曲線（Receiver Operative Characteristic Curve, ROC）的曲線下面積（Area Under Curve, AUC）、敏感性（Sensitivity, SEN）及特異性（Specificity, SPE）這些指標評價分類結(jié)果的好壞。在訓練集和測試集上的評價結(jié)果如表3所示，5 種分類器模型最優(yōu)子類型的ROC曲線如圖3所示。

圖3 5種模型的最優(yōu)子類型ROC曲線圖Figure 3 ROC curves of the optimal subtypes of 5 models

表3 5種分類器的分類結(jié)果Table 3 Classification results of 5 classifiers

為了得到一個穩(wěn)定有效的模型，并且保證該模型在訓練時不會出現(xiàn)過擬合現(xiàn)象。于是對多個分類器進行訓練，在保證較高的準確率和AUC 值的情況下，還要使模型的敏感性和特異性保持在一種較為均衡的狀態(tài)。如上面試驗結(jié)果所示，用不同模型進行訓練和預測時，采用Relief 特征選擇方法下的NB預測模型為本試驗中最好的模型，在所有模型中，此模型下測試集的準確率和AUC 的值均為最高，分別為0.795 和0.810，敏感性和特異性也處于較高水平，分別為0.725和0.869，表明通過該影像組學模型能較準確地對NSCLC患者的淋巴結(jié)轉(zhuǎn)移情況進行預測。

3 討論

本研究基于影像組學的方法，通過高通量計算，從CT圖像中提取定量特征，將數(shù)字醫(yī)學圖像轉(zhuǎn)換為可挖掘分析的高維特征數(shù)據(jù)，然后通過數(shù)據(jù)統(tǒng)計分析探究CT圖像的影像組學特征與NSCLC患者淋巴結(jié)轉(zhuǎn)移的相關聯(lián)系，并以多中心實驗數(shù)據(jù)開發(fā)并驗證一個穩(wěn)健有效的影像組學預測模型，進一步實現(xiàn)對NSCLC患者淋巴結(jié)轉(zhuǎn)移狀況無創(chuàng)準確的預測。其中所創(chuàng)建的最優(yōu)影像組學模型在測試集上（AUC=0.810）具有良好的鑒別分類能力，并且其預測NSCLC患者LNM的有效性顯著高于CT報告中淋巴結(jié)狀態(tài)模型和形態(tài)學模型［22-23］。結(jié)果表明，影像組學特征可以為我們提供更豐富的信息，以其為基礎建立的模型在很大程度上提高NSCLC患者LNM的預測準確率，從而輔助醫(yī)生做出更精準的決策，因此在臨床應用上具有重要的指導意義。本研究有如下創(chuàng)新點，第一，我們所開發(fā)的影像組學預測模型是基于多個中心獲得的數(shù)據(jù)建立的，因此可以從外部數(shù)據(jù)驗證預測模型的穩(wěn)健性和可重復性。第二，從CT醫(yī)學影像提取1 648個定量影像組學特征，并進行有效的統(tǒng)計分析，更全面準確地反映CT圖像中的腫瘤信息，大大提高了影像組學模型的預測準確性。第三，采用了SMOTE算法，解決了模型訓練過程中的數(shù)據(jù)不平衡問題，使試驗得到的預測模型更加穩(wěn)定和準確。第四，采用PCA特征降維和Relief、ANOVA和RFE特征選擇方法做特征優(yōu)化處理，最后獲得相關性最高的最優(yōu)特征，為建立更準確的預測模型奠定良好的基礎。最后，通過5折交叉驗證的方法對NB,LDA,LR,SVM和GP 5種泛化性強、適合小樣本數(shù)據(jù)的代表性分類算法進行分類訓練，再用外部數(shù)據(jù)評估驗證模型的準確性和穩(wěn)定性，這些方法既能降低數(shù)據(jù)集產(chǎn)生的偶然性，提高模型的泛化能力，還能高效地利用現(xiàn)有數(shù)據(jù)，并通過試驗結(jié)果對比得到性能最優(yōu)的預測模型。

目前已有學者開發(fā)相似的基于影像組學的預測模型用于預測NSCLC患者的LNM狀態(tài)，Cong等［24］從411例NSCLC患者的CT圖像中提取影像組學特征，然后使用ANOVA和最小絕對收縮和選擇運算（LASSO）方法選擇最優(yōu)的10個影像組學特征，并使用LR算法建立預測模型。朱靜等［25］從200例樣本中提取影像組學特征，使用LASSO和LR方法建立預測模型。然后將文獻［24-25］中用到的方法建立的預測模型結(jié)果與本文相比，以預測模型的AUC值作為評估指標進行對比，其對比結(jié)果如表4所示。從結(jié)果上看，本文采用的算法所開發(fā)的預測模型的AUC值比其他兩者都高，說明本文提出的預測模型分類性能更好，準確度更高。

表4 不同方法的預測模型結(jié)果比較Table 4 Comparison of results of prediction models with different methods

雖然本文開發(fā)的預測模型分類鑒別效果良好，但是還是存在一些不足之處。一、本試驗研究所用到的數(shù)據(jù)樣本量比較少，今后需要獲取更多的試驗數(shù)據(jù)進行下一步測試和驗證。二、僅基于影像組學特征建立預測模型，沒有將患者的臨床和基因組學特征納入試驗研究中?？傊?，我們開發(fā)并驗證了一種基于影像組學的淋巴結(jié)預測模型，可以對NACLC患者的淋巴結(jié)狀態(tài)進行無創(chuàng)并有效地評估，并輔助臨床決策。