基于多參數(shù)MRI影像組學(xué)鑒別子宮內(nèi)膜癌和子宮黏膜下肌瘤的價值

嚴(yán)文杰,許傳芳,杜灝藍(lán),林曉南,蘭鵬,鐘群

子宮內(nèi)膜癌(endometrial cancer,EMC)是最常見的婦科惡性腫瘤之一,尤其在高收入國家已成為最常見的婦科惡性腫瘤,臨床表現(xiàn)為陰道不規(guī)則流血,其發(fā)病率在全球范圍內(nèi)呈上升趨勢,早期子宮內(nèi)膜癌大多數(shù)通過子宮切除術(shù)治愈,但晚期疾病患者的預(yù)后較差[1,2]。子宮黏膜下肌瘤是生長在子宮腔內(nèi)或凸向子宮腔生長的子宮肌瘤,容易引起月經(jīng)生理紊亂、妊娠失敗等。MRI被認(rèn)為是子宮內(nèi)膜病變的診斷與分期診斷主要成像方式之一[3]。有研究表明子宮內(nèi)膜形態(tài)、信號強(qiáng)度、功能成像和增強(qiáng)特征的MRI特征為子宮內(nèi)膜良惡性腫瘤鑒別提供重要價值。然而,DWI信號強(qiáng)度和表觀擴(kuò)散系數(shù)(ADC)值的重疊,也導(dǎo)致在某些情況下對于鑒別子宮內(nèi)膜癌和子宮黏膜下肌瘤存在挑戰(zhàn)[4-6]。同時,子宮內(nèi)膜癌和子宮黏膜下肌瘤在治療方式上也存在差異,子宮內(nèi)膜癌需行全子宮切除術(shù)+雙附件切除術(shù)(加或不加盆腔和腹主動脈旁淋巴結(jié)切除術(shù)),而子宮黏膜下肌瘤僅需行宮腔鏡子宮肌瘤切除術(shù)[7,8]。因此,迫切需要一種客觀、無創(chuàng)、高度準(zhǔn)確的診斷方法鑒別子宮內(nèi)膜癌和子宮黏膜下肌瘤,從而指導(dǎo)臨床診斷和治療。

近年來,隨著影像組學(xué)技術(shù)的發(fā)展和改進(jìn),基于形態(tài)學(xué)、功能和分子特征的診斷方法得到了廣泛應(yīng)用,影像組學(xué)越來越多地通過特征去冗余、降維、預(yù)處理和基于機(jī)器學(xué)習(xí)的分類結(jié)合從圖像中客觀提取高通量特征,建立穩(wěn)健且與臨床相關(guān)的預(yù)后模型,以獲取與診斷或預(yù)后的相關(guān)信息,為腫瘤的檢測和治療決策提供定量和客觀的支持[9,10]。本項(xiàng)研究旨在建立多參數(shù)MRI影像組學(xué)模型鑒別子宮內(nèi)膜癌和子宮黏膜下肌瘤。

材料與方法

1．一般材料

回顧性收集2013年8月-2022年1月在本院收治的經(jīng)術(shù)后病理證實(shí)為子宮內(nèi)膜癌和子宮黏膜下肌瘤病例93例,其中子宮內(nèi)膜癌51例,年齡28～82歲,平均(55.73±9.78)歲;子宮黏膜下肌瘤42例,年齡28～68歲,平均(46.00±10.14)歲。納入標(biāo)準(zhǔn):①有完整的MRI影像資料;②手術(shù)前行MRI平掃和增強(qiáng)掃描,且MRI檢查與手術(shù)時間間隔<2周;③病灶>1 cm,且至少連續(xù)2個層面肉眼可見病灶;④MRI檢查前未行手術(shù)治療、放化療等其他治療;⑤有完整的手術(shù)治療記錄及術(shù)后病理資料。排除標(biāo)準(zhǔn):①宮腔內(nèi)大量積血,病變范圍顯示不清,影響感興趣區(qū)(ROI)勾畫;②MRI圖像質(zhì)量不佳,無法進(jìn)行影像學(xué)評價和組學(xué)特征的提取。

2．檢查方法

MRI檢查采用Siemens Verio 3.0T超導(dǎo)型MR掃描儀,8通道相控陣腹部線圈進(jìn)行盆腔MRI掃描,采集過程中患者自由呼吸,按照0.1 mmol/kg的劑量注射Gd-DTPA后行增強(qiáng)掃描。掃描序列及參數(shù):①矢狀面T2WI:TR 3300 ms,TE 91 ms,視野230 mm×230 mm,層厚5 mm,層間距1 mm;②橫軸面T2WI:TR 2500 ms,TE 87 ms,視野250 mm×250 mm,層厚5 mm,層間距1 mm;③橫軸面DWI:b值取0及1000 s/mm2,TR 5000 ms,TE 77 ms,視野300 mm×300 mm,層厚5 mm,層間距1 mm;④橫軸面VIBE-T1WI增強(qiáng):TR 2500 ms,TE 87 ms,視野250 mm×250 mm,層厚5 mm,層間距1 mm。

3．圖像分割

將所有子宮內(nèi)膜癌和子宮黏膜下肌瘤患者的橫軸面T2WI、ADC及CE-T1WI原始圖像以DICOM格式導(dǎo)入3D Slicer軟件4.13.0版本(www.slicer.org), 由具有8年和10年婦科影像診斷經(jīng)驗(yàn)的放射科醫(yī)師完成病灶勾畫,分別在橫軸面T2WI、ADC及CE-T1WI圖像上對病灶逐層進(jìn)行手動ROI勾畫,ROI范圍應(yīng)避免正常組織區(qū)域,盡可能覆蓋整個腫瘤,包括出血、囊變、壞死、鈣化區(qū)域(圖1、2)。

圖1 女,53歲,子宮內(nèi)膜癌。a)矢狀面T2WI圖像;b～d)分別在T2WI、ADC、CE-T1WI圖像上手動勾畫病灶圖像。 圖2 女,49歲,子宮黏膜下肌瘤。a)矢狀面T2WI圖像;b～d)分別在T2WI、ADC、CE-T1WI圖像上手動勾畫病灶圖像。

4．影像組學(xué)特征提取和選擇

采用Python軟件Pyradiomics包進(jìn)行影像組學(xué)特征提取。將所有T2WI、ADC及CE-T1WI圖像及所對應(yīng)的ROI圖像導(dǎo)入Python軟件,圖像重采樣到1 mm×1 mm×1 mm體素大小并將bin值設(shè)為25,然后計算出ROI內(nèi)的定量影像特征參數(shù)。采用組內(nèi)相關(guān)系數(shù)(intraclass correlation coefficient,ICC)對2名醫(yī)師勾畫的ROI提取影像組學(xué)特征進(jìn)行一致性檢驗(yàn),保留ICC>0.75的特征納入進(jìn)一步研究。

特征降維與分類模型建立及模型效能評估:將子宮內(nèi)膜癌、子宮黏膜下肌瘤患者按照7:3的比例隨機(jī)分為訓(xùn)練集(n=65)與測試集(n=28)。訓(xùn)練集用于特征篩選與建模,測試集用來評估模型。首先,在訓(xùn)練集中將所有特征數(shù)據(jù)標(biāo)準(zhǔn)化并導(dǎo)入LASSO回歸分析,通過10折交叉驗(yàn)證篩選LASSO回歸模型的最優(yōu)超參數(shù)lambda值,在最優(yōu)lambda值下,得到特征系數(shù)不為0的特征,篩選后作為變量代入Logistic回歸,采用Logistic回歸機(jī)器學(xué)習(xí)方法構(gòu)建模型,并在測試集中進(jìn)行驗(yàn)證。繪制受試者操作特征(receiver operating characteristic,ROC)曲線, 比較曲線下面積(area under curve,AUC)。采用敏感度、特異度、準(zhǔn)確率及AUC值來評價影像組學(xué)模型的診斷效能。

5．統(tǒng)計分析

采用SPSS 26.0統(tǒng)計分析軟件與Python軟件中的sklearn庫與matplotlib庫,臨床資料計量資料符合正態(tài)分布以均值±標(biāo)準(zhǔn)差表示,采用t檢驗(yàn)進(jìn)行兩組間比較,不符合正態(tài)分布以M(Q1,Q3)表示,采用非參數(shù)檢驗(yàn)(Mann-WhitneyU檢驗(yàn))比較組間的差異,計數(shù)資料采用四表格卡方檢驗(yàn)比較組間差異;采用sklearn庫中的LASSO回歸篩選特征并帶入Logistic回歸建立模型,并分析AUC以評估影像組學(xué)模型的敏感度、特異度、準(zhǔn)確率,并計算AUC值的95%置信區(qū)間(95% CI)。matplotlib庫繪制ROC曲線并進(jìn)行對比。不同模型間AUC的比較采用Delong檢驗(yàn),以P<0.05為差異具有統(tǒng)計學(xué)意義。

結(jié) 果

1．一般資料比較

本研究兩組臨床資料比較見表1,兩組間年齡和病灶形態(tài)差異有統(tǒng)計學(xué)意義(P<0.001,P=0.028),病灶最長徑和體積差異均無統(tǒng)計學(xué)意義(P=0.908、0.280)。

表1 子宮內(nèi)膜癌和子宮黏膜下肌瘤患者的臨床資料比較

2．影像組學(xué)分析結(jié)果

通過Pyradiomics模塊分別在T2WI、ADC及CE-T1WI圖像上提取1316個特征,排除了ICC≤0.75的組學(xué)特征,T2WI、ADC、CE-T1WI組分別保留了1043、970、730個影像組學(xué)特征。通過LASSO回歸篩選,T2WI組共提取24個特征,包括2個一階段特征、1個三維形狀特征、3個灰度共生矩陣特征、2個灰度行程矩陣特征、16個小波特征;ADC組共提取27個特征,包括6個一階段特征、2個三維形狀特征、2個灰度級依賴矩陣特征、1個灰度共生矩陣特征、16個小波特征;CE-T1WI組共提取26個特征,包括3個一階段特征、2個三維形狀特征、21個小波特征。

3．影像組學(xué)模型的診斷效能

構(gòu)建的鑒別診斷子宮內(nèi)膜癌和子宮黏膜下肌瘤的T2WI、ADC、CE-T1WI組模型中,訓(xùn)練組和測試組中基于T2WI模型的AUC最高。而基于T2WI、ADC和CE-T1WI的組合模型均高于基于T2WI、ADC、CE-T1WI組的單獨(dú)模型。在訓(xùn)練組中,ADC模型與組合模型、CE-T1WI模型與組合模型鑒別子宮內(nèi)膜癌和子宮黏膜下肌瘤的AUC差異均有統(tǒng)計學(xué)意義(P=0.008、0.027),T2WI模型與組合模型、ADC模型與CE-T1WI模型、ADC模型與T2WI模型、CE-T1WI模型與T2WI模型鑒別子宮內(nèi)膜癌和子宮黏膜下肌瘤的AUC差異均無統(tǒng)計學(xué)意義。在測試組中,ADC模型與組合模型、ADC模型與T2WI模型鑒別子宮內(nèi)膜癌和子宮黏膜下肌瘤的AUC差異均有統(tǒng)計學(xué)意義(P=0.015、0.033),CE-T1WI模型與組合模型、T2WI模型與組合模型、ADC模型與CE-T1WI模型、CE-T1WI模型與T2WI模型鑒別子宮內(nèi)膜癌和子宮黏膜下肌瘤的AUC差異均無統(tǒng)計學(xué)意義。四組影像組學(xué)模型訓(xùn)練組及測試組的敏感度、特異度、準(zhǔn)確率及AUC值見表2和圖3。

表2 四組模型訓(xùn)練組及測試組在鑒別診斷中的效能

圖3 各影像組學(xué)模型對子宮內(nèi)膜癌與子宮黏膜下肌瘤鑒別診斷性能的ROC曲線。a)訓(xùn)練組;b)測試組。

討 論

本研究探討了基于多參數(shù)MRI影像組學(xué)建立模型鑒別子宮內(nèi)膜癌和子宮黏膜下肌瘤的可行性。本研究結(jié)果表明,基于T2WI和CE-T1WI模型均有很好的鑒別診斷效能,而基于T2WI、ADC和CE-T1WI建立組合影像組學(xué)模型更有利于鑒別子宮內(nèi)膜癌和子宮黏膜下肌瘤。因此,基于多參數(shù)MRI的影像組學(xué)模型可以作為鑒別子宮內(nèi)膜癌和子宮黏膜下肌瘤的一種低成本、有效且能廣泛普及的檢查方案。

目前,關(guān)于子宮內(nèi)膜疾病基于MRI影像組學(xué)的研究主要在子宮內(nèi)膜癌分期、預(yù)后以及臨床病理危險因素等方面[11-15],但關(guān)于子宮內(nèi)膜癌鑒別診斷的研究卻少有報道。生曉惠等[16]利用ADC的全域直方圖鑒別子宮內(nèi)膜癌和子宮黏膜下肌瘤,發(fā)現(xiàn)ADC10th具有最好的鑒別診斷效能。周欣等[17]研究發(fā)現(xiàn)全容積直方圖能夠有效鑒別Ⅰa期子宮內(nèi)膜癌與子宮內(nèi)膜息肉,其中第1百分?jǐn)?shù)ADC值診斷效能最佳。直方圖分析描述了體素值范圍的選定結(jié)構(gòu)的分?jǐn)?shù)體積,可以提供平均值、中位數(shù),最小值、最大值、范圍、偏度、峰度等信息的一種影像組學(xué)方法[18]。而本研究共選取93例子宮腫瘤病例,采用多參數(shù)MRI影像組學(xué)建立模型,通過Pyradiomics軟件對T2WI、ADC及CE-T1WI圖像勾畫ROI各提取1316個特征,提供更多定量信息。

采用Logistic回歸方法建立基于T2WI、ADC及CE-T1WI的影像組學(xué)模型,基于T2WI影像組學(xué)模型訓(xùn)練組及測試組的AUC分別為0.97(0.95,0.98)、0.90(0.86,0.92),均大于基于ADC影像組學(xué)模型的0.88(0.85,0.91)、0.67(0.62,0.73)和基于CE-T1WI影像組學(xué)模型的0.93(0.91,0.95)、0.85(0.82,0.88),結(jié)果顯示T2WI和CE-T1WI模型均有很好的診斷效能,且AUC表現(xiàn)良好。因此,T2WI和CE-T1WI影像組學(xué)模型有助于有效地鑒別子宮內(nèi)膜癌和子宮黏膜下肌瘤。而在三個MRI序列中,基于T2WI圖像紋理特征的影像組學(xué)模型的AUC值最高,T2WI圖像能夠提供病灶與周圍組織間更高的對比度,提供腫瘤的病理學(xué)和組織學(xué)特征的豐富信息,例如含水量、纖維化程度、壞死和出血等[19],這可能是基于T2WI選擇的特征可以最有效地建立預(yù)測模型的原因。而ADC不僅與水分子的擴(kuò)散運(yùn)動有關(guān),還受血液微循環(huán)和腫瘤異質(zhì)性的影響,其分辨率較低,且圖像易變形[20,21],這也可能是ADC模型特異度低的原因。

根據(jù)系數(shù)進(jìn)行篩選納入Logistic的特征減少變量的數(shù)量以減輕過擬合效應(yīng)[21,22],考慮樣本數(shù)量后將系數(shù)排名前三的特征納入Logistic模型。根據(jù)系數(shù)排名,T2WI組主要與original_shape_Sphericity、exponential_firstorder_10Percentile、wavelet-LLH_glszm_HighGrayLevelZoneEmphasis有關(guān),他們分別代表了接近與球形的程度、所給數(shù)集中超過10%的數(shù)和高強(qiáng)度像素區(qū)域分布的程度。ADC組主要與wavelet-LHL_firstorder_InterquartileRange logarithm_firstorder_MeanAbsoluteDeviation、logarithm_firstorder_RobustMeanAbsoluteDeviation有關(guān),他們分別代表了信號強(qiáng)度值分布豐富性、與算數(shù)平均值的差異性、精細(xì)平均值。CE-T1WI組主要與original_shape_Sphericity、square_firstorder_Skewness、square_firstorder_InterquartileRange有關(guān),他們分別代表了接近于球形的程度、統(tǒng)計數(shù)據(jù)分布偏斜方向和程度的度量、四分位距。其中original_shape_Sphericity(球形度)是T2WI組和CE-T1WI組的最主要特征,球形度是測量腫瘤形狀的形態(tài)學(xué)特征之一,可用于腫瘤的分型(即彌漫型和實(shí)體型),與病變大小無關(guān)。Li等[23]研究表明球形度可以作為預(yù)測浸潤性乳腺癌新輔助化療病理學(xué)緩解的預(yù)測因子。值得注意的是,組合模型的診斷效率優(yōu)于單一模型。組合模型在鑒別子宮內(nèi)膜癌和子宮黏膜下肌瘤方面表現(xiàn)優(yōu)秀,在訓(xùn)練組和測試組中,組合模型的AUC值分別為0.99(0.99,1.00)、0.94(0.92,0.96)。因此,本研究結(jié)果表明,構(gòu)建的基于多參數(shù)MRI的影像組學(xué)模型可以捕捉數(shù)據(jù)之間的高階交互,從不同方面反映腫瘤異質(zhì)性,并實(shí)現(xiàn)更好的預(yù)測效能。

本研究中,二階小波特征更適合于子宮內(nèi)膜癌和子宮黏膜下肌瘤的鑒別。小波特征通過改變圖像中高頻與低頻信號的比值,提供全面的空間和頻率分布,以表征低頻和高頻信號的腫瘤內(nèi)和瘤周區(qū)域,并提取了肉眼不可見的更深、高通量的特征[24,25]。Wang等[26]研究表明小波特征在預(yù)測T2WI高信號的子宮間質(zhì)瘤惡性風(fēng)險起著重要作用。Zhou等[27]研究表明小波特征可以準(zhǔn)確預(yù)測乳腺癌新輔助化療的反應(yīng),從而提供更有效的治療,具有小波特征的四個模型的性能(AUC、準(zhǔn)確率、敏感度和特異度)在統(tǒng)計學(xué)上顯著優(yōu)于沒有小波紋理的模型。此外,在小波特征中添加未使用小波濾波的特征融合與僅具有小波特征的模型相比,診斷性能沒有任何改善。因此,筆者認(rèn)為小波特征是一個重要的影像組學(xué)工具,可以捕獲空間像素分布中腫瘤的異質(zhì)性,從而提高對子宮內(nèi)膜癌與子宮黏膜下肌瘤術(shù)前鑒別診斷的準(zhǔn)確性。

本研究存在以下局限性:①樣本量相對較小,因此存在選擇偏倚的風(fēng)險。②本研究采用的手動勾畫感興趣區(qū)受個人主觀因素的影響,有可能會影響研究結(jié)果。③本研究為單中心研究,還需進(jìn)一步多中心研究以研究驗(yàn)證其普適性。④本研究未對各影像組學(xué)模型中提取特征詳細(xì)分析,在未來的研究中可以進(jìn)行進(jìn)一步探究。

綜上所述,本研究基于T2WI、ADC和CE-T1WI建立組合影像組學(xué)模型有助于子宮內(nèi)膜癌和子宮黏膜下肌瘤鑒別。