基于MRI的影像組學(xué)特征聯(lián)合臨床危險(xiǎn)因素術(shù)前預(yù)測(cè)直腸癌淋巴結(jié)轉(zhuǎn)移

楊燕，付芳芳，吳亞平，吉祥，王梅云*

1.鄭州大學(xué)人民醫(yī)院醫(yī)學(xué)影像科，河南 鄭州 450003；2.河南省人民醫(yī)院 河南省神經(jīng)疾病影像診斷與研究重點(diǎn)實(shí)驗(yàn)室，河南鄭州 450003；3.鄭州大學(xué)信息工程學(xué)院，河南 鄭州 450001；*通信作者 王梅云 mywang@ha.edu.cn

結(jié)直腸癌的發(fā)病率和死亡率呈逐年上升趨勢(shì)，目前發(fā)病率為10%，居惡性腫瘤第3位；死亡率為9.4%，居癌癥致死率第2位[1-2]。結(jié)直腸癌中直腸癌占50%以上，晚期預(yù)后極差。術(shù)前確定直腸癌患者是否發(fā)生淋巴結(jié)轉(zhuǎn)移對(duì)臨床醫(yī)師選擇術(shù)式和預(yù)測(cè)預(yù)后至關(guān)重要，若淋巴結(jié)陽性的直腸癌患者未進(jìn)行淋巴結(jié)清掃，會(huì)大幅度提高局部復(fù)發(fā)率[3-5]，而對(duì)淋巴結(jié)轉(zhuǎn)移不明確的患者采用淋巴結(jié)清掃術(shù)則會(huì)增加患者的創(chuàng)傷。目前，術(shù)前依據(jù)影像學(xué)特征（大小、形態(tài)等）診斷直腸癌淋巴結(jié)轉(zhuǎn)移仍然具有挑戰(zhàn)性[6]，基于MRI的影像組學(xué)對(duì)淋巴結(jié)轉(zhuǎn)移可能具有更好的診斷性能[7-9]。既往大部分關(guān)于直腸癌淋巴結(jié)轉(zhuǎn)移的研究為基于CT圖像的影像組學(xué)分析，而MRI具有更高的軟組織分辨率，是目前評(píng)價(jià)直腸癌分期及淋巴結(jié)轉(zhuǎn)移的首選影像學(xué)檢查[10]。既往研究多采用T2WI、擴(kuò)散加權(quán)成像（DWI）等序列，本研究基于多序列MRI[脂肪抑制T2加權(quán)成像（fat suppression-T2 weighted imaging，F(xiàn)S-T2WI）、T1加權(quán)增強(qiáng)（T1 weighted contrast-enhanced，T1CE）]并聯(lián)合臨床危險(xiǎn)因素構(gòu)建組學(xué)模型，術(shù)前個(gè)體化預(yù)測(cè)直腸癌患者的淋巴結(jié)轉(zhuǎn)移狀態(tài)，以期更好地輔助臨床決策。

1 資料與方法

1.1 研究對(duì)象 回顧性納入2016年12月—2020年12月河南省人民醫(yī)院收治的直腸癌患者的MRI圖像。納入標(biāo)準(zhǔn)：①術(shù)后病理確診為直腸癌；②術(shù)后病理證實(shí)有或無淋巴結(jié)轉(zhuǎn)移；③術(shù)前有完整的MRI掃描圖像。排除標(biāo)準(zhǔn)：①術(shù)前行新輔助治療（放療、化療或靶向治療）；②合并其他惡性腫瘤；③MRI序列不全或圖像掃描質(zhì)量差無法評(píng)估。最終納入350例直腸癌患者，男210例，女140例，年齡19～87歲，平均（61±12）歲。本研究通過本院醫(yī)學(xué)倫理委員會(huì)批準(zhǔn)[審批號(hào)：〔2019〕倫審第（68）號(hào)]，并免除患者知情同意。

1.2 臨床信息采集與分析 采集患者的年齡、性別、術(shù)前癌胚抗原（carcinoembryonic antigen，CEA）、糖類抗原（carbohydrate antigen，CA）199水平、腫瘤最大直徑及有無遠(yuǎn)處轉(zhuǎn)移等臨床資料。將性別（男=1，女=2）及遠(yuǎn)處轉(zhuǎn)移（有=1，無=0）分別定義。

1.3 MRI檢查 采用西門子3.0T MR成像儀，采用盆腔陣列相控線圈。所有患者行常規(guī)術(shù)前MRI掃描。FST2WI掃描參數(shù)：視野300 mm×300 mm，矩陣272×320，TR 4 000 ms，TE 87 ms，層厚4 mm。DWI掃描參數(shù)：視野230mm×230mm，矩陣256×256，TR 2 400ms，TE 54 ms，層厚6 mm。T1CE掃描參數(shù)：視野380 mm×380 mm，矩陣288×320，TR 5 ms，TE 7 ms，層厚2.5 mm，對(duì)比劑采用釓噴酸葡胺，劑量0.1 mmol/kg，行軸位增強(qiáng)掃描。

1.4 MRI影像組學(xué)分析

1.4.1 MRI圖像感興趣區(qū)（ROI）勾畫 從圖像存檔和通信系統(tǒng)獲取MRI圖像，基于軸位FS-T2WI、T1CE序列進(jìn)行圖像后處理，應(yīng)用ITK-SNAP 3.8.0軟件（http://www.itksnap.org/）在直腸癌病變區(qū)域勾畫三維ROI。由1位具有5年工作經(jīng)驗(yàn)的放射科主治醫(yī)師進(jìn)行手工勾畫，另一位具有10年工作經(jīng)驗(yàn)的放射科副主任醫(yī)師檢驗(yàn)，共同確定最終的ROI。最后，將每個(gè)序列的ROI保存為掩碼文件（圖1）。

圖1 直腸癌病變區(qū)ROI勾畫單層圖。A.軸位圖像DWI；B.軸位圖像FS-T2WI；C.軸位圖像壓脂T1CE

1.4.2 ROI影像組學(xué)特征提取 針對(duì)本研究中不同的影像序列，分別計(jì)算影像組學(xué)特征并進(jìn)行組合，創(chuàng)建多序列組學(xué)特征。本研究計(jì)算的影像組學(xué)特征包括FS-T2WI、T1CE以及兩者聯(lián)合。

應(yīng)用開源軟件PyRadiomics 3.0.1（http: //github.com/Radiomics/pyradiomics）進(jìn)行特征提取及分析。為了減少成像參數(shù)引起的圖像差異，首先進(jìn)行圖像歸一化、圖像重采樣預(yù)處理，應(yīng)用12個(gè)濾波器（Original、BoxMean、AdditiveGaussianNoise、BinomiaIBIurlmage、CurvatureFlow、Boxsigmalmage、LoG、wavelet、Normalize、Laplacian Sharpening、DiscreteGaussian、ShotNoise）進(jìn)一步進(jìn)行特征提取，從每個(gè)序列的ROI中生成一階統(tǒng)計(jì)特征（Firstorder）、形狀特征（Shape）、直方圖灰度共生矩陣（GLCM）、灰度游程長(zhǎng)度矩陣（GLRLM）、灰度區(qū)域大小矩陣（GLSZM）、灰度共生矩陣（GLDM）、鄰域灰度差矩陣（NGTDM）的圖像特征，共提取2 600個(gè)特征。

1.4.3 影像組學(xué)特征篩選及建立模型 對(duì)于計(jì)算的影像組學(xué)特征，首先對(duì)提取的特征采用Z分?jǐn)?shù)歸一化，將數(shù)據(jù)轉(zhuǎn)換為標(biāo)準(zhǔn)化強(qiáng)度范圍，減小特征的量綱差異。對(duì)預(yù)處理的數(shù)據(jù)首先進(jìn)行特征選擇，采用方差閾值法刪除低方差特征（＜0.1），然后基于K最佳方法（Fvalue法，P＜0.05）去除與分類標(biāo)簽相關(guān)性低的特征，最后應(yīng)用最小絕對(duì)收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）去除不相關(guān)或冗余的特征（圖2），并計(jì)算影像組學(xué)分?jǐn)?shù)（Radscore），見圖3。由于特征選擇后特征數(shù)量仍然較大，本研究進(jìn)一步應(yīng)用獨(dú)立成分分析、線性判別分析、非負(fù)矩陣分解或主成分分析進(jìn)行特征降維，得到最終的特征。最后基于4種分類器（支持向量機(jī)、極致梯度提升、Logistic回歸、Bagging決策樹）訓(xùn)練得出不同的分類模型。圖4所示的混淆矩陣顯示了訓(xùn)練集和測(cè)試集模型的預(yù)測(cè)性能。

圖2 LASSO降維特征篩選。A為L(zhǎng)ASSO模型中調(diào)節(jié)參數(shù)（λ）的選擇；B為特征篩選過程中的LASSO路徑

圖3 訓(xùn)練集與測(cè)試集的Rad-score箱式圖。軸坐標(biāo)0代表預(yù)測(cè)標(biāo)簽為無淋巴結(jié)轉(zhuǎn)移，1代表預(yù)測(cè)標(biāo)簽為有淋巴結(jié)轉(zhuǎn)移

圖4 訓(xùn)練集（A）和測(cè)試集（B）模型的混淆矩陣。左上角與右下角分別代表真陽性與真陰性，右上角與左下角代表假陽性與假陰性；真陽性與真陰性值越大，代表模型性能越好

針對(duì)FS-T2WI、T1CE和兩者聯(lián)合的影像組學(xué)特征，以及加入或不加入臨床特征構(gòu)建6個(gè)數(shù)據(jù)集，訓(xùn)練了6個(gè)預(yù)測(cè)模型，分別命名為FS-T2WI、T1CE、FS-T2WI+T1CE、FS-T2WI聯(lián)合臨床因素、T1CE聯(lián)合臨床因素及FS-T2WI+T1CE聯(lián)合臨床因素。以7∶3將患者隨機(jī)分為訓(xùn)練集（245例）和測(cè)試集（105例），在訓(xùn)練集評(píng)估6個(gè)模型的診斷效能，并在驗(yàn)證集中對(duì)模型進(jìn)行驗(yàn)證和測(cè)試。根據(jù)不同模型相對(duì)應(yīng)的曲線下面積（AUC）及模型的敏感度、特異度、F1-score分?jǐn)?shù)等篩選出最優(yōu)模型。

1.5 統(tǒng)計(jì)學(xué)方法 采用SPSS 26.0軟件，計(jì)量資料采用±s表示，兩組間比較采用獨(dú)立樣本t檢驗(yàn)；計(jì)數(shù)資料以例數(shù)或百分比表示，組間比較采用χ2檢驗(yàn)；采用Logistic回歸方法對(duì)直腸癌患者臨床相關(guān)因素進(jìn)行分析，篩選出淋巴結(jié)轉(zhuǎn)移的危險(xiǎn)因素，P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。使用驗(yàn)證集受試者工作特征AUC、敏感度、特異度等評(píng)估不同組合模型的診斷性能，并用Delong檢驗(yàn)進(jìn)行模型間AUC比較。

2 結(jié)果

2.1 臨床資料 淋巴結(jié)轉(zhuǎn)移組131例，無淋巴結(jié)轉(zhuǎn)移組219例。兩組患者CEA水平和有無遠(yuǎn)處轉(zhuǎn)移差異有統(tǒng)計(jì)學(xué)意義（均P＜0.05），其他臨床特征組間差異均無統(tǒng)計(jì)學(xué)意義（均P＞0.05），見表1。

表1 淋巴結(jié)轉(zhuǎn)移組與無淋巴結(jié)轉(zhuǎn)移組患者臨床資料比較

2.2 直腸癌術(shù)前淋巴結(jié)轉(zhuǎn)移的危險(xiǎn)因素分析Logistic回歸顯示患者年齡、性別、CA199水平及腫瘤最大徑與淋巴結(jié)轉(zhuǎn)移無關(guān)（P＞0.05），腫瘤CEA水平以及有無遠(yuǎn)處轉(zhuǎn)移是淋巴結(jié)轉(zhuǎn)移的危險(xiǎn)因素（OR=1.026，95%CI1.010～1.042；OR=3.476，95%CI1.770～6.872，P均＜0.005）。

2.3 影像組學(xué)特征篩選及模型建立 以FS-T2WI+T1CE聯(lián)合臨床特征的影像-臨床聯(lián)合模型為例介紹其模型建立過程：對(duì)提取的2 600個(gè)特征，經(jīng)過方差閾值、K最佳及LASSO篩選出437個(gè)特征并構(gòu)建Rad-score，然后應(yīng)用線性判別分析將LASSO降維后的437個(gè)特征降到30個(gè)，再使用不同分類器建立預(yù)測(cè)模型。

2.4 直腸癌術(shù)前淋巴結(jié)轉(zhuǎn)移模型與效能評(píng)估 本研究得出6個(gè)預(yù)測(cè)模型（表2）。測(cè)試集中，F(xiàn)S-T2WI、T1CE及FS-T2WI+T1CE聯(lián)合臨床特征模型的AUC分別顯著大于單純FS-T2WI、T1CE及兩者聯(lián)合序列模型的AUC（0.854比0.718，Z=2.951；0.925比0.888，Z=5.556；0.942比0.907，Z=2.779；P均＜0.005），F(xiàn)S-T2WI+T1CE與臨床聯(lián)合模型的AUC大于FS-T2WI與臨床聯(lián)合模型的AUC（0.942比0.854，Z=4.061，P＜0.001），T1CE與臨床聯(lián)合模型的AUC大于FS-T2WI與臨床聯(lián)合模型的AUC（0.925比0.854，Z=3.733，P=0.0002），F(xiàn)ST2WI+T1CE與臨床聯(lián)合模型的AUC較T1CE與臨床聯(lián)合模型的AUC差異無統(tǒng)計(jì)學(xué)意義（0.942比0.925，Z=0.113，P=0.9103）。結(jié)合其他評(píng)價(jià)指標(biāo)，測(cè)試集中FS-T2WI+T1CE與臨床特征組合模型AUC最大，敏感度、特異度及F1-sore值均高于T1CE與臨床聯(lián)合的模型，因此被確定為最佳預(yù)測(cè)模型，見圖5。

圖5 6種預(yù)測(cè)模型在驗(yàn)證集中的受試者工作特征曲線

表2 MRI組學(xué)模型及聯(lián)合模型對(duì)淋巴結(jié)轉(zhuǎn)移的診斷效能

3 討論

本研究探討了基于多模態(tài)MRI影像組學(xué)特征及臨床危險(xiǎn)因素對(duì)直腸癌患者術(shù)前淋巴結(jié)轉(zhuǎn)移的預(yù)測(cè)模型。既往影像組學(xué)分析通常在腫瘤最大病變層面上勾畫單層圖像ROI。本研究采用手動(dòng)逐層勾畫三維ROI，三維比二維ROI包含了更多重要的空間信息[11]，同時(shí)手動(dòng)勾畫ROI會(huì)使結(jié)果更準(zhǔn)確。既往預(yù)測(cè)直腸癌術(shù)前淋巴結(jié)狀態(tài)的研究主要有基于CT紋理特征、基于高分辨率T2WI、DWI等序列提取的影像特征以及單序列聯(lián)合臨床特征構(gòu)建的模型[12-13]，本研究應(yīng)用FS-T2WI、T1CE、兩序列聯(lián)合，并將兩序列與聯(lián)合序列分別與臨床危險(xiǎn)因素聯(lián)合，對(duì)直腸癌患者是否發(fā)生淋巴結(jié)轉(zhuǎn)移進(jìn)行評(píng)價(jià)。FS-T2WI較T2WI能夠抑制背景及腫瘤內(nèi)脂肪組織信號(hào)，增加病灶與周圍組織的對(duì)比度。由于腫瘤細(xì)胞生長(zhǎng)依靠豐富的血供，隨著微血管密度增加，轉(zhuǎn)移淋巴結(jié)的形態(tài)也隨之改變[14]，T1CE序列可以反映病灶的血供情況，能夠從淋巴結(jié)豐富的微循環(huán)和血管表面積中提取更重要的特征，增加模型的預(yù)測(cè)性能。

本研究建立的6個(gè)預(yù)測(cè)模型中，F(xiàn)S-T2WI+T1CE影像學(xué)特征聯(lián)合臨床特征構(gòu)成的影像-臨床組學(xué)模型最優(yōu)，可能是因?yàn)槠渎?lián)合了FS-T2WI與T1CE的優(yōu)點(diǎn)，更能反映病灶的異質(zhì)性，機(jī)器從中能提取更多有價(jià)值的影像組學(xué)特征；且提取的影像特征進(jìn)一步與臨床危險(xiǎn)因素聯(lián)合，進(jìn)而提高了模型效能。本研究發(fā)現(xiàn)結(jié)合臨床危險(xiǎn)因素能提高模型性能，與既往研究結(jié)果一致[7,9,15-17]。近年關(guān)于評(píng)估直腸癌患者淋巴結(jié)轉(zhuǎn)移的放射組學(xué)研究逐漸增多，研究者基于CT和MRI的放射性組學(xué)模型的AUC約為0.77～0.87[18-19]，低于本研究獲得的最高AUC。Li等[17]在T2WI基礎(chǔ)上直接對(duì)淋巴結(jié)本身提取影像特征，結(jié)合放射科醫(yī)師的分析，AUC可高達(dá)0.94，但此方法對(duì)淋巴結(jié)本身的定位并不容易，僅納入較大的或肉眼可見的淋巴結(jié)。

除影像組學(xué)特征標(biāo)簽外，本研究中臨床因子CEA水平為淋巴結(jié)轉(zhuǎn)移的獨(dú)立危險(xiǎn)因素，與既往研究結(jié)果一致[7,20]，可能是因?yàn)镃EA在細(xì)胞的黏附和增殖中起基礎(chǔ)作用，參與直腸癌的轉(zhuǎn)移和復(fù)發(fā)，CEA水平越高，提示腫瘤細(xì)胞的增殖能力越強(qiáng)，浸潤(rùn)性、轉(zhuǎn)移性越強(qiáng)[17,20]。此外，本研究發(fā)現(xiàn)有無遠(yuǎn)處轉(zhuǎn)移與淋巴結(jié)是否轉(zhuǎn)移具有相關(guān)性，表明發(fā)生遠(yuǎn)處轉(zhuǎn)移的直腸癌在微觀上很可能已經(jīng)侵犯了腸周淋巴結(jié)，對(duì)直腸癌的術(shù)式應(yīng)該擴(kuò)大范圍。在CA199、年齡、性別及腫瘤最大直徑等因素上，不同研究得出的結(jié)論不一。本研究中，上述因素均與淋巴結(jié)是否轉(zhuǎn)移無關(guān)，與Zhou等[8]和Liu等[9]的研究結(jié)論一致，而與Glynne-Jones等[3]和Li等[21]的研究不同，可能與樣本量大小不同或納入及排除標(biāo)準(zhǔn)不同有關(guān)，需要增加樣本量進(jìn)一步研究。此外，本研究為單中心研究，缺乏獨(dú)立的外部驗(yàn)證，計(jì)劃在將來的研究中納入多中心樣本解決以上問題。

總之，基于MRI影像組學(xué)聯(lián)合臨床危險(xiǎn)因素構(gòu)建的影像-臨床組學(xué)模型可以更好地預(yù)測(cè)淋巴結(jié)轉(zhuǎn)移狀態(tài)，能夠作為評(píng)估直腸癌患者術(shù)前淋巴結(jié)轉(zhuǎn)移的個(gè)體化決策支持工具，更好地輔助臨床醫(yī)師對(duì)患者進(jìn)行術(shù)前決策、術(shù)后評(píng)價(jià)、預(yù)后評(píng)估，制訂個(gè)體化臨床治療方案。

利益沖突 所有作者均聲明不存在利益沖突