基于增強(qiáng)CT影像組學(xué)與機(jī)器學(xué)習(xí)算法預(yù)測腫塊型肝內(nèi)膽管癌微血管侵犯

呂昊陽，洪重，黃俠鳴，俞富祥

1.溫州醫(yī)科大學(xué)附屬第一醫(yī)院 肝膽胰外科，浙江 溫州 325000；2.溫州醫(yī)科大學(xué)附屬第二醫(yī)院 肝膽胰外科，浙江 溫州 325027

肝內(nèi)膽管癌（intrahepatic cholangiocarcinoma，ICC）作為一種較為常見的肝臟惡性腫瘤，約占肝臟惡性腫瘤的20%，占胃腸道惡性腫瘤的3%[1-2]，其中腫塊型的ICC是最主要的形態(tài)類型，占所有ICC病例的80%～90%[3-4]。據(jù)統(tǒng)計(jì)ICC患者5年總生存率低于10%[5]，并且近年ICC的發(fā)病率與病死率普遍呈上升趨勢[6-7]。微血管侵犯（microvascular invasion，MVI）是ICC患者的獨(dú)立預(yù)后危險(xiǎn)因素[8]，對于MVI高風(fēng)險(xiǎn)的患者建議行寬切緣的肝切除術(shù)以改善預(yù)后[9]，并且MVI會增加肝移植后的復(fù)發(fā)率，是行肝移植治療的相對禁忌證[2，10]。

影像組學(xué)以及機(jī)器學(xué)習(xí)算法已經(jīng)被證實(shí)在腫塊型ICC的MVI預(yù)測中具有重要價(jià)值[11]，但增強(qiáng)影像的時(shí)期選擇以及多種機(jī)器學(xué)習(xí)間比較等關(guān)鍵問題仍不明確，影像組學(xué)特診與臨床特征的結(jié)合研究也尚欠缺。因此，我們提取并篩選了ICC患者術(shù)前增強(qiáng)CT的多時(shí)相影像組學(xué)特征，采用多種常見的機(jī)器學(xué)習(xí)算法來構(gòu)建模型并進(jìn)行比較，然后將最佳的影像組學(xué)機(jī)器學(xué)習(xí)預(yù)測方法與臨床資料結(jié)合，建立一種基于機(jī)器學(xué)習(xí)的腫塊型ICC術(shù)前MVI狀態(tài)預(yù)測模型，并且以列線圖的形式展示。

1 資料和方法

1.1 一般資料

回顧性收集2015 年1 月至2023 年2 月期間就診于溫州醫(yī)科大學(xué)附屬第一醫(yī)院（75例）和溫州醫(yī)科大學(xué)附屬第二醫(yī)院（29例）的ICC患者的臨床資料。根據(jù)《赫爾辛基宣言》的原則獲得溫州醫(yī)科大學(xué)附屬第一醫(yī)院倫理委員會的批準(zhǔn)，免于患者知情同意（批號：KY2023-R127），并在進(jìn)行研究之前匿名處理數(shù)據(jù)。最終篩選出104例腫塊型ICC患者作為研究對象，其中微血管侵犯陽性35例（MVI陽性組），微血管侵犯陰性69例（MVI陰性組）。

1.2 病例納入與排除標(biāo)準(zhǔn)

納入標(biāo)準(zhǔn)：（1）行肝切除術(shù)，術(shù)后病理學(xué)診斷為腫塊型ICC，并且有描述微血管侵犯情況；（2）術(shù)前1 個(gè)月內(nèi)做過上腹部增強(qiáng)CT 檢查，CT 圖像清晰，無偽影。排除標(biāo)準(zhǔn)：（1）術(shù)前行針對ICC治療，包括肝切除術(shù)，經(jīng)動脈化療栓塞（transarterial chemoembolization，TACE），免疫治療，放射治療；（2）診斷ICC為肝內(nèi)多發(fā)，或者伴發(fā)有其他惡性腫瘤；（3）臨床資料不完整。

1.3 臨床指標(biāo)

臨床指標(biāo)包括：患者年齡，高血壓史，糖尿病史，乙肝病史，腫瘤位置，腫瘤最大徑，遠(yuǎn)端膽管是否擴(kuò)張，增強(qiáng)CT有無瘤周強(qiáng)化，增強(qiáng)CT有無瘤內(nèi)動脈，白細(xì)胞計(jì)數(shù)，中性粒細(xì)胞數(shù)絕對值，紅細(xì)胞計(jì)數(shù)，部分活化凝血酶原時(shí)間，纖維蛋白原，直接膽紅素，間接膽紅素，總蛋白，白蛋白，丙氨酸氨基轉(zhuǎn)移酶，天冬氨酸氨基轉(zhuǎn)移酶，堿性磷酸酶，γ-谷氨?；D(zhuǎn)移酶，甲胎蛋白（AFP），癌胚抗原（CEA），糖類抗原CA199。其中實(shí)驗(yàn)室檢查選擇術(shù)前10 d內(nèi)的最后一次結(jié)果。所有臨床資料根據(jù)正常值范圍或臨床分析重編碼為二分類變量。

1.4 影像組學(xué)特征收集

本研究采用CT掃描儀包括GE BrightSpeed 16；東芝Aquilion ONE和飛利浦Brilliance 16，管電壓100～120 kV，管電流200～500 mA，旋轉(zhuǎn)時(shí)間0.5 s，圖像矩陣為512×512，采用非離子型碘比劑經(jīng)肘靜脈留置針注入，劑量1.5 mL/kg，注射流率3 mL/h，注射后30 s與60 s分別進(jìn)行動脈期與門脈期掃描。所有CT影像以DICOM格式導(dǎo)出并使用RIAS 0.2.1 軟件進(jìn)行預(yù)處理，包括重采樣為0.7 mm×0.7 mm×5.0 mm，固定窗寬200，窗位50，以及圖像Z值標(biāo)準(zhǔn)化。

由1 名具有相關(guān)資質(zhì)的研究員在病理結(jié)果和臨床資料均不知情的前提下，使用3D slicer5.2.2軟件獨(dú)立勾畫每一層圖像的ICC病灶區(qū)域，并自動生成三維容積感興趣區(qū)，以nrrd格式導(dǎo)出。感興趣區(qū)域勾畫時(shí)盡可能沿腫瘤邊緣進(jìn)行，避開腫瘤壞死或鈣化區(qū)域及周圍大血管。然后使用Python的Pyradiomics3.0.1包進(jìn)行特征提取[12]，動脈期與門脈期各提取到原始與變換處理后圖像的1 409個(gè)特征。為了評估感興趣區(qū)域的一致性，在完成第1次勾畫3周后，從數(shù)據(jù)中隨機(jī)抽取15 例，再次進(jìn)行勾畫，使用組內(nèi)相關(guān)系數(shù)（intra-class correlation coefficients）來評估特征提取的一致性，去除了其中相關(guān)系數(shù)低于0.8的特征。

1.5 影像組學(xué)特征篩選與模型比較

將提取到的影像組學(xué)特征使用MinMaxScaler法進(jìn)行歸一化，并用U檢驗(yàn)去除差異不顯著的特征。然后將動脈期，門脈期以及動脈-門脈期聯(lián)合的3 組特征分別用最大相關(guān)最小冗余算法（maxrelevance and min-redundancy，mRMR）進(jìn)行篩選，選擇前10項(xiàng)特征用于建立模型。將3組影像組學(xué)特征分別使用極度梯度提升（XGBoost）、輕量級梯度提升（LightGBM）、隨機(jī)森林（randomforest）、自適應(yīng)增強(qiáng)（AdaBoost）、高斯樸素貝葉斯（GNB）、樸素貝葉斯（CNB）、神經(jīng)網(wǎng)絡(luò)（MLP）、支持向量機(jī)分類（SVM）及近鄰分類（KNN）9種機(jī)器學(xué)習(xí)分類算法，建立共27 種機(jī)器學(xué)習(xí)預(yù)測模型。為了更好地比較這27種預(yù)測模型，增加可信性，本研究并未將患者分為訓(xùn)練組和驗(yàn)證組，而是選擇采用五折交叉法進(jìn)行驗(yàn)證。繪制了受試者操作特征（receive operating characteristic，ROC）曲線并計(jì)算工作曲線下面積（area under the curve，AUC）以進(jìn)行比較，選擇出其中預(yù)測能力最強(qiáng)的模型（圖1）。

圖1 影像組學(xué)機(jī)器學(xué)習(xí)預(yù)測模型的建立及比較流程

1.6 影像組學(xué)-臨床預(yù)測模型的建立及檢驗(yàn)

將所有104例患者按7∶3分為訓(xùn)練組（n=73）與驗(yàn)證組（n=31）。對訓(xùn)練組患者的影像組學(xué)特征，使用最佳機(jī)器學(xué)習(xí)算法建立預(yù)測模型，計(jì)算出所有患者的影像組學(xué)預(yù)測值。從臨床特征中篩選出具有顯著差異的特征，并使用最小絕對收縮和選擇算法（least absolute shrinkage and selec-tion operator，LASSO）回歸進(jìn)一步篩選，用得到的臨床特征與影像組學(xué)機(jī)器學(xué)習(xí)預(yù)測值使用邏輯回歸建立預(yù)測模型，并繪制成列線圖以直觀展示。用驗(yàn)證組對預(yù)測模型進(jìn)行驗(yàn)證，繪制ROC曲線并計(jì)算AUC。作為對比，使用臨床特征建立臨床預(yù)測模型，使用影像組學(xué)機(jī)器學(xué)習(xí)預(yù)測值建立影像組學(xué)預(yù)測模型（圖2）。

圖2 影像組學(xué)-臨床預(yù)測模型的建立及檢驗(yàn)流程

1.7 統(tǒng)計(jì)學(xué)分析

單因素分析使用Python的statsmodels0.11.1包，其中影像組學(xué)特征按P＜0.05 標(biāo)準(zhǔn)行U檢驗(yàn)，臨床特征按P＜0.1 行χ2檢驗(yàn)。mRMR算法及機(jī)器學(xué)習(xí)預(yù)測模型使用了Python的xgboost1.2.1包，lightgbm3.2.1包和sklearn0.22.1 包。LASSO回歸特征篩選和邏輯回歸預(yù)測模型使用了R語言的glmnet4.1.2 包和logreg6.2.0包。P＜0.05為差異具有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 影像組學(xué)預(yù)測模型比較

構(gòu)建并交叉驗(yàn)證的27 個(gè)影像組學(xué)-機(jī)器學(xué)習(xí)預(yù)測模型中（圖3），經(jīng)DeLong檢驗(yàn)，預(yù)測模型間的差異沒有統(tǒng)計(jì)學(xué)意義，其中門脈期的CNB 算法五折交叉驗(yàn)證的平均AUC為0.818（表1），表現(xiàn)相對最佳。篩選出的門脈期特征包括了1 個(gè)一階統(tǒng)計(jì)特征“l(fā)ogsigma30mm3D_firstorder_Maximum”和9 個(gè)灰度紋理特征“waveletHHH_ngtdm_Contrast”“waveletHHL_glszm_SmallAre aLowGrayLevelEmphasis”“waveletHHL_glszm_SmallAreaEmphasis”“waveletHLL_glszm_Size ZoneNonUniformity”“waveletHLL_glszm_Low GrayLevelZoneEmphasis”“waveletLHH_glszm_ZonePercentage”“waveletLHH_glszm_LowGray LevelZoneEmphasis”“waveletLHL_glszm_GrayL evelNonUniformity”“l(fā)ogsigma30mm3D_glszm_LowGrayLevelZoneEmphasis”。見圖4。

圖3 影像組學(xué)-機(jī)器學(xué)習(xí)預(yù)測模型ROC曲線和校準(zhǔn)曲線

2.2 影像組學(xué)-臨床聯(lián)合模型的建立及驗(yàn)證

MVI陽性組與陰性組間有8 項(xiàng)臨床特征差異有統(tǒng)計(jì)學(xué)意義（表2），包括年齡＞60歲，乙肝，瘤內(nèi)動脈穿行，CEA＞5 ng/mL，白蛋白＜40 g/L，中性粒細(xì)胞＞6.3×109/L，白細(xì)胞＞9.5×109/L，經(jīng)LASSO回歸進(jìn)一步篩選出CEA（OR=4.613）、瘤內(nèi)動脈穿行（OR=3.553）2個(gè)特征（圖4）。最終得到的影像組學(xué)-臨床聯(lián)合模型的訓(xùn)練組AUC為0.881，靈敏度為0.978，特異度為0.656，F(xiàn)1 分?jǐn)?shù)為0.716；驗(yàn)證組AUC為0.891，靈敏度為0.909，特異度為0.700，F(xiàn)1分?jǐn)?shù)為0.707，顯示該模型具有良好的預(yù)測效果（表3）。臨床模型的訓(xùn)練組AUC為0.783，驗(yàn)證組AUC為0.841，影像組學(xué)模型的訓(xùn)練組AUC為0.842，驗(yàn)證組AUC為0.823。影像組學(xué)-臨床聯(lián)合模型的預(yù)測能力優(yōu)于臨床模型和影像組學(xué)模型，而影像組學(xué)模型的預(yù)測能力與臨床模型相近，聯(lián)合模型與臨床模型的訓(xùn)練組AUC稍低于驗(yàn)證組，我們考慮為研究樣本量較少而產(chǎn)生的偏差。DCA決策曲線顯示，預(yù)測模型在較大的閾值范圍內(nèi)可以獲得凈收益（0～0.6）（圖5）。

表2 MVI陽性組與MVI陰性組患者臨床特征比較[例（%）]

表3 影像組學(xué)-臨床預(yù)測模型的準(zhǔn)確性

圖5 訓(xùn)練組、驗(yàn)證組三種模型（臨床模型、影像組學(xué)模型、影像組學(xué)-臨床模型）預(yù)測能力對比及影像組學(xué)-臨床模型列線圖

3 討論

目前外科手術(shù)仍是唯一可能治愈ICC的方法，但手術(shù)后的5年生存率也僅有20%～30%[2，7，13]。而MVI狀態(tài)在是否擴(kuò)大手術(shù)切緣，肝移植指征，術(shù)后輔助化療及預(yù)后方面有重要的臨床意義[9，14-15]，如果能在術(shù)前預(yù)測出MVI狀態(tài)，將對ICC患者的診療提供重要指導(dǎo)。影像組學(xué)作為傳統(tǒng)影像學(xué)的拓展，其重點(diǎn)關(guān)注于影像的微觀特征，展現(xiàn)出了較高的臨床價(jià)值。Xiang等[16]采用支持向量機(jī)算法構(gòu)建CT影像組學(xué)特征，并結(jié)合臨床數(shù)據(jù)開發(fā)了ICC的MVI預(yù)測模型，訓(xùn)練組和驗(yàn)證組AUC分別為0.886 和0.800。Zhou等[17]基于動態(tài)增強(qiáng)MRI圖像開發(fā)了ICC的MVI影像組學(xué)預(yù)測模型，在訓(xùn)練組和驗(yàn)證組中AUC分別為0.873和0.850。本研究中，我們將增強(qiáng)CT影像組學(xué)機(jī)器學(xué)習(xí)的預(yù)測值與臨床結(jié)合得到的預(yù)測模型訓(xùn)練組AUC為0.881，驗(yàn)證組AUC為0.891，顯示出了較為優(yōu)良的預(yù)測能力，臨床醫(yī)師在進(jìn)行決策時(shí)可以參考該預(yù)測模型的預(yù)測結(jié)果，從而制定出更適合患者的治療方案。

影像組學(xué)與機(jī)器學(xué)習(xí)算法的結(jié)合可以更好的發(fā)掘出影像中包含的信息，而且分類算法的選擇是預(yù)測模型的重要影響因素之一[18]，因此本研究采用了9 種常用的機(jī)器學(xué)習(xí)算法來處理影像組學(xué)特征，并且在比較后選擇了CNB算法來計(jì)算影像組學(xué)機(jī)器學(xué)習(xí)的預(yù)測值。預(yù)測值和臨床資料的聯(lián)合模型則是采用了邏輯回歸算法，從而保證了模型的臨床解釋性，并繪制出一個(gè)列線圖來直觀展示，讓該模型可以在臨床中便于使用。

在不同的影像組學(xué)研究中，對增強(qiáng)影像的時(shí)相選擇也不盡相同[16，18-19]，而在本研究中，門脈期模型的預(yù)測能力優(yōu)于動脈期模型以及動脈期-靜脈期聯(lián)合模型。在篩選出的10個(gè)門脈期影像組學(xué)特征中，1個(gè)一階統(tǒng)計(jì)特征（first order）表示最大灰度級強(qiáng)度，剩下9個(gè)灰度紋理特征中，1個(gè)灰度色調(diào)差異矩陣特征（ngtdm）表示體素及其鄰域之間灰度變化的大小，8 個(gè)灰度大小區(qū)域矩陣特征（glszm）量化了圖像中的灰度級區(qū)域，即具有相同灰度級強(qiáng)度的連接體素?cái)?shù)量。這10個(gè)特征有9個(gè)來自于小波變換（Wavelet，binwindth=10），小波變換是空間（時(shí)間）頻率的局部化分析，能充分突出某方面細(xì)節(jié)特征，可能與低水平放射組學(xué)特征臨床檢查無法發(fā)現(xiàn)的病理生理學(xué)、蛋白質(zhì)組學(xué)和腫瘤形態(tài)學(xué)特點(diǎn)存在潛在關(guān)聯(lián)[20]。既往有多項(xiàng)研究表明紋理特征和小波特征可以反映更多關(guān)于腫瘤異質(zhì)性的信息，影像組學(xué)特征篩選的結(jié)果，也以紋理特征或小波紋理特征為主[16，21-22]，這與本研究結(jié)果相一致。

本研究中，瘤內(nèi)動脈穿行被定義為肉眼可見的動脈期瘤內(nèi)血管增強(qiáng)，104例患者中有38例被評估為瘤內(nèi)動脈穿行。經(jīng)檢驗(yàn)，瘤內(nèi)動脈穿行是ICC患者發(fā)生MVI的獨(dú)立危險(xiǎn)因素（OR=3.553），被用于預(yù)測模型的建立，這也與既往的一些研究相吻合[23]。我們進(jìn)一步分析發(fā)現(xiàn)，瘤內(nèi)動脈穿行和腫瘤大小具有相關(guān)性（P＜0.001），而腫瘤大小在大量研究中被證實(shí)與MVI有關(guān)[15，17，24]，本研究中MVI陽性與陰性組間的腫瘤大小特征差異也具有統(tǒng)計(jì)學(xué)意義（P=0.012）。因此我們認(rèn)為，瘤內(nèi)動脈穿行與腫瘤大小是兩個(gè)具有相關(guān)性的MVI危險(xiǎn)因素，而瘤內(nèi)動脈穿行或許具有更好的預(yù)測價(jià)值。CEA是一種具有人類胚胎抗原特性的酸性糖蛋白，和CA199 一起被推薦為ICC早期檢測和診斷的標(biāo)志物，并且與ICC的嚴(yán)重程度和疾病預(yù)后相關(guān)[3，25]。本研究中，我們發(fā)現(xiàn)CEA＞5 ng/mL是MVI的獨(dú)立危險(xiǎn)因素（P＜0.001），將其作為預(yù)測模型的一個(gè)特征。但在不同的研究中CEA升高的閾值并不一致[26]，因此需要更大樣本量的研究來確定適合用于MVI預(yù)測的閾值。

綜上所述，增強(qiáng)CT的影像組學(xué)特征和臨床特征結(jié)合可以在術(shù)前較好的預(yù)測ICC患者的MVI狀態(tài)，我們建立的基于機(jī)器學(xué)習(xí)的預(yù)測模型也表現(xiàn)出良好的預(yù)測能力，可為ICC的臨床診治提供幫助。同時(shí)，受限于樣本量不足，仍有些問題難以明確，期待能有進(jìn)一步研究。