T2WI 影像組學(xué)鑒別臨床顯著性和非顯著性前列腺癌價(jià)值初探

高 俊，蔡二朋，張 虎（通信作者），張曉金，董明松，雍成娟

（蕪湖市第二人民醫(yī)院醫(yī)學(xué)影像科 安徽 蕪湖 241000）

前列腺癌（prostate cancer，PCa）是老年男性的常見(jiàn)病，發(fā)病率、死亡率及疾病負(fù)擔(dān)均呈上升趨勢(shì)[1]。在我國(guó)，臨床顯著性前列腺癌（clinically significant prostate cancer，CSPC）發(fā)病率高，非臨床顯著性前列腺癌（non-clinically significant prostate cancer，NCSPC）是指一類Gleason 評(píng)分＜7 分，癌灶體積≤0.5 mL，且無(wú)前列腺外侵犯的低侵襲性腫瘤[2]，一般不會(huì)對(duì)預(yù)后及生存率產(chǎn)生影響，對(duì)NCSPC 的過(guò)度治療反而會(huì)降低患者的生存質(zhì)量。前列腺特異性抗原（PSA）和多參數(shù)磁共振成像（mp-MRI）檢查通?？商崾綪Ca 的診斷，但二者在區(qū)分CSPC 和NCSPC 中的準(zhǔn)確率并不高，這造成了活檢率的上升。前列腺系統(tǒng)穿刺活檢存在一定的風(fēng)險(xiǎn)和并發(fā)癥，由于操作不當(dāng)或穿刺的隨機(jī)性，漏診也時(shí)常發(fā)生，并且還存在升高PCa 危險(xiǎn)級(jí)別的風(fēng)險(xiǎn)[3-4]。故本文選取2018年6月—2020年12月于蕪湖市第二人民醫(yī)院住院治療的PCa 患者60 例（CSPC 患者40 例、NCSPC 患者20 例），尋找無(wú)創(chuàng)、有效的方法來(lái)區(qū)分CSPC 和NCSPC，現(xiàn)報(bào)道如下。

1 資料與方法

1.1 一般資料

回顧性分析2018年6月—2020年12月于蕪湖市第二人民醫(yī)院住院治療的PCa 患者60 例（CSPC 患者40例、NCSPC 患者20 例），年齡54 ～88 歲，平均年齡（72.15±6.04）歲，均行mp-MRI 掃描。納入標(biāo)準(zhǔn)：①前列腺mp-MRI 檢查前未行穿刺活檢，且未行任何針對(duì)性治療；②前列腺mp-MRI 檢查后1 個(gè)月內(nèi)經(jīng)PCa 根治手術(shù)獲取病理診斷；③無(wú)MRI 檢查禁忌，檢查前簽署知情同意書(shū)。排除標(biāo)準(zhǔn)：①腫瘤體積過(guò)小，在T2WI 圖像上顯示不清，無(wú)法準(zhǔn)確勾畫(huà)ROI；②腫瘤體積過(guò)大，病灶體積＞0.5 mL；③PCa 活檢取材部位與T2WI 圖像位置不匹配，PCa 存在前列腺外侵犯或遠(yuǎn)處轉(zhuǎn)移；④資料不完整，或MR 圖像不能滿足研究要求。

1.2 MRI 掃描方法

在Philips Achieva3.0T MRI 掃描儀完成全部檢查，16 通道腹部相控陣線圈。檢查前囑患者排便、排尿以減少偽影干擾。取仰臥位，線圈中心對(duì)準(zhǔn)恥骨聯(lián)合，緊束腹帶，減少呼吸偽影。掃描參數(shù)均按照前列腺影像報(bào)告數(shù)據(jù)系統(tǒng)第二版（PI-RADS v2.1）技術(shù)要求[5]，掃描快速自旋回波（TSE）序列，T2WI（橫軸面、冠狀面、矢狀面）、T1WI；彌散加權(quán)成像（diffusion weighted imaging，DWI）及DCE-MRI。橫軸位T2WI掃描參數(shù)如下，TR：2500 ms，TE：75 ms，F(xiàn)OV：20 mm×20 mm，矩陣：224×200，層厚：3.0 mm，層間距：0 mm，激勵(lì)次數(shù)：2（次），掃描時(shí)間：5 分40 秒。

1.3 圖像分割和特征提取

首先將DICOM 格式的影像圖片導(dǎo)入美國(guó)GE AK（Analysis Kit，Version:3.2.0.R）軟件進(jìn)行圖像標(biāo)準(zhǔn)化處理。影像科兩名經(jīng)PI-RADS 專業(yè)培訓(xùn)的醫(yī)師結(jié)合手術(shù)病理結(jié)果及mp-MRI 圖像并協(xié)商達(dá)成一致，確定癌灶部位；運(yùn)用ITK-SNAP 3.6 軟件在標(biāo)準(zhǔn)化后的橫軸面T2WI 圖像上獨(dú)立手動(dòng)勾畫(huà)ROI，ROI 置于病灶最大層面，圖片經(jīng)放大處理，注意避開(kāi)邊緣部分，其中一名醫(yī)師1 周后再重新勾畫(huà)。共獲得60 個(gè)目標(biāo)區(qū)域，使用AK 軟件提取影像組學(xué)特征，共396 個(gè)，其中直方圖特征（hisogram features）42 個(gè)、幾何形態(tài)特征（form factors）9 個(gè)、灰度共生矩陣特征（features from gray level co-occurrence matrices，GLCMs）144 個(gè)、灰度尺寸區(qū)域特征（graylevel size zone matrices，GLSZMs）11 個(gè)、哈拉利克特征（Haralick features）10 個(gè)、行程矩陣特征（run length matrix features，RLMs）180 個(gè)。對(duì)所獲得的影像組學(xué)特征進(jìn)行操作者間及操作者自身一致性檢驗(yàn)，保留ICC ＞0.75 的特征納入后續(xù)研究。

1.4 特征篩選和模型建立

將樣本按7：3 分為訓(xùn)練集和驗(yàn)證集，在訓(xùn)練集中對(duì)ICC ＞0.75 的特征使用最小冗余最大相關(guān)法（mRMR）進(jìn)行特征篩選，十折交叉驗(yàn)證進(jìn)行特征降維。使用 LASSO（least absolute shrinkage and selection operator）回歸，根據(jù)保留的特征計(jì)算影像組學(xué)評(píng)分（Rad_score=intercept+βi·Xi），獲得最佳特征子集，并建立CSPC 和NCSPC 的T2WI 影像組學(xué)模型診斷模型，在驗(yàn)證集中進(jìn)行內(nèi)部驗(yàn)證。

1.5 統(tǒng)計(jì)學(xué)方法

所有統(tǒng)計(jì)學(xué)分析均在R 軟件上完成。使用glmnet 包進(jìn)行特征降維并建模；采用pROC 包制作ROC 曲線，并計(jì)算AUC 值；在訓(xùn)練集中評(píng)估模型的鑒別能力，并在驗(yàn)證集中進(jìn)行內(nèi)部驗(yàn)證；使用混淆矩陣計(jì)算模型的準(zhǔn)確率、敏感度、特異度、陽(yáng)性預(yù)測(cè)值、陰性預(yù)測(cè)值。運(yùn)用決策曲線分析（decision curve analyze，DCA）評(píng)估模型的實(shí)用性。

2 結(jié)果

2.1 一致性檢驗(yàn)

操作者間一致性：ICC 為0.895（95%CI，0.765～0.932）；操作者自身一致性：ICC 為0.912，（95%CI，0.794 ～0.959），操作者間及操作者自身的一致性均較高。

2.2 影像組學(xué)模型建立

將樣本分為訓(xùn)練集和驗(yàn)證集，訓(xùn)練集CSPC 28 例，NCSPC 14 例；驗(yàn)證集CSPC 12 例，NCSPC 6 例。經(jīng)LASSO 分析，最終篩選出6 個(gè)關(guān)鍵特征用于影像組學(xué)建模，6 個(gè)特征按權(quán)重進(jìn)行排序見(jiàn)圖1A，系數(shù)越大所對(duì)應(yīng)的預(yù)測(cè)價(jià)值越顯著，在模型中的權(quán)重占比越大。根據(jù)上述特征建立Rad_score，并行Wilcox 檢驗(yàn)，訓(xùn)練集P＜0.001，驗(yàn)證集P=0.004，差異均有統(tǒng)計(jì)學(xué)意義（P＜0.05），模型分類效果良好。

圖1 CSPC 和NCSPC 影像組學(xué)模型建立與診斷效能分析

2.3 影像組學(xué)模型的評(píng)估

對(duì)CSPC 和NCSPC 影像組學(xué)模型進(jìn)行ROC 曲線分析，在訓(xùn)練集中AUC 為0.94（0.88 ～1.00），驗(yàn)證集為0.93（0.82 ～1.00），模型的鑒別能力較強(qiáng)，見(jiàn)圖1（a）、1（b）。評(píng)估模型的性能：訓(xùn)練集準(zhǔn)確率為0.905（95%CI,0.774 ～0.973），敏感度為0.929，特異度為0.893，陽(yáng)性預(yù)測(cè)值為0.813，陰性預(yù)測(cè)值為0.962；驗(yàn)證集準(zhǔn)確率為0.889（95%CI,0.653 ～0.986），敏感度為0.833，特異度為0.917，陽(yáng)性預(yù)測(cè)值為0.833，陰性預(yù)測(cè)值為0.917。該模型的鑒別能力較強(qiáng)。進(jìn)一步使用DCA 曲線評(píng)估該模型的實(shí)用性見(jiàn)圖1（d），閾值概率在0.1 ～1范圍內(nèi)，使用該模型有明確臨床獲益。

3 討論

影像組學(xué)由Lambin 等[6]首先報(bào)道，思想起源于腫瘤的異質(zhì)性，它通過(guò)計(jì)算機(jī)軟件高通量提取醫(yī)學(xué)圖像信息并將其轉(zhuǎn)化為數(shù)據(jù)信息，可重復(fù)、定量、客觀的描述腫瘤異質(zhì)性，彌補(bǔ)了影像科醫(yī)師定性、定量診斷的不足。目前，影像組學(xué)研究集中在腫瘤的診斷與分期、療效評(píng)價(jià)和生存期預(yù)測(cè)等方面，并已有大量工作發(fā)表[7-10]。筆者運(yùn)用AK 軟件在預(yù)處理后的T2WI 圖像上勾畫(huà)60 個(gè)ROI，每個(gè)ROI 均可獲取396 個(gè)定量影像特征參數(shù)，經(jīng)降維和去冗余后，保留權(quán)重系數(shù)非“0”且泛化能力最佳的6個(gè)影像組學(xué)特征建立模型，取得了不錯(cuò)的分類結(jié)果，我們認(rèn)為，影像組學(xué)方法用于鑒別CSPC 和NCSPC 是可行的，可能是由于兩者間腫瘤異質(zhì)性不同所導(dǎo)致的。關(guān)于癌灶大小，本研究按照長(zhǎng)橢圓體體積計(jì)算公式：V（癌灶體積）=0.52×最大左右徑（LR）×最大上下徑（CC）×最大前后徑（AP），納入V ＜0.5 mL 且無(wú)包膜外侵犯的PCa[11]，旨在為NCSPC 主動(dòng)監(jiān)測(cè)尋找可靠依據(jù)。本研究運(yùn)用最大截面手動(dòng)法分割圖像，雖然在相關(guān)研究中有學(xué)者提出三維自動(dòng)識(shí)別圖像分割法更加準(zhǔn)確、客觀，然而我們認(rèn)為該方法在本研究中實(shí)際操作性不強(qiáng)。首先，老年患者前列腺背景復(fù)雜，鈣化、出血、炎癥、纖維瘢痕、增生和上皮內(nèi)瘤變等均可表現(xiàn)為類似PCa 的T2WI 低信號(hào)，計(jì)算機(jī)存在不能自動(dòng)識(shí)別或識(shí)別出錯(cuò)的現(xiàn)象；再者，本研究癌灶均較小，部分病例在T2WI 序列上只有一副圖像清晰顯示，這使得三維分割無(wú)法實(shí)施。本研究結(jié)果顯示，訓(xùn)練集的AUC 為0.94（0.88 ～1.00），驗(yàn)證集為0.93（0.82 ～1.00），AUC 直觀意義為正樣本得分大于負(fù)樣本的概率，從rad_score[圖1（a）、1（c）]可以看出，無(wú)論是訓(xùn)練集還是驗(yàn)證集，CSPC 的樣本量大約是CSPC 的2 倍，這可能導(dǎo)致模型由于數(shù)據(jù)不均衡而發(fā)生偏倚，造成假陽(yáng)性率升高，AUC 值增大，這和吳亞平等[12]在高、低級(jí)別腦膠質(zhì)瘤影像組學(xué)研究中的結(jié)果類似。本模型在訓(xùn)練集中的準(zhǔn)確率為0.905，在驗(yàn)證集中為0.889，模型準(zhǔn)確率較高，與Wu 等[13]對(duì)移行帶（TZ）SPC 的影像組學(xué)研究結(jié)果類似，本模型有望用于臨床，對(duì)高齡NCSPC 患者的管理提供依據(jù)。

本研究嘗試運(yùn)用影像組學(xué)方法鑒別CSPC 和NCSPC，進(jìn)而減少對(duì)NCSPC 的過(guò)度治療和不必要的活檢，使患者從中受益，取得了預(yù)期效果。但還存在一些不足。第一，本研究樣本量小，未將癌灶分類研究，對(duì)于外周帶（PZ）PCa，DWI 為其優(yōu)勢(shì)序列，今后將繼續(xù)補(bǔ)充PCa 的數(shù)據(jù)量，對(duì)癌灶進(jìn)行分類，分別建模，深入研究。第二，盡管本研究模型的準(zhǔn)確率較高，還可能存在一定的提升空間，在建模時(shí)還應(yīng)將臨床資料，如年齡、前列腺特異性抗原密度（PSAD）、PI-RADS V2.1 等納入，綜合分析，以期獲得準(zhǔn)確率更高的影像組學(xué)模型。

綜上所述，筆者運(yùn)用影像組學(xué)方法對(duì)前列腺M(fèi)RI 圖像進(jìn)行數(shù)據(jù)挖掘、探索，并最終構(gòu)建了CSPC 和NCSPC的T2WI 影像組學(xué)診斷模型，該模型的診斷效能較高，有明確臨床收益。