基于增強(qiáng)CT影像組學(xué)聯(lián)合臨床特征預(yù)測(cè)肝細(xì)胞癌病理分化程度的應(yīng)用研究

呂 娜 馬春雨 朱 林 郭 飛

蚌埠醫(yī)學(xué)院第一附屬醫(yī)院放射科(安徽 蚌埠 233000)

肝癌是全球范圍內(nèi)較為高發(fā)的惡性腫瘤，在全球惡性腫瘤發(fā)病率中位居第5位，死亡率位居第2位[1]。在我國(guó)最為多見(jiàn)的病理類型是肝細(xì)胞癌，占我國(guó)肝腫瘤的85%-90以上[2]。預(yù)后決定了患者的生存期限，其中病理分化程度被認(rèn)為影響肝癌術(shù)后復(fù)發(fā)率及生存預(yù)后的最重要因素。根據(jù)目前常用的WHO分類方法和Edmondson-Steiner分級(jí)標(biāo)準(zhǔn)將肝癌病理分化程度分為高分化、中分化、低分化、未分化[3]。腫瘤組織病理分化程度和異型性的程度相關(guān)聯(lián)，肝癌病理分化程度高，表示和正常肝臟組織結(jié)構(gòu)差異性較小，腫瘤細(xì)胞異型性不顯著，惡性程度較低；而肝癌病理分化程度低，表示和正常肝臟組織結(jié)構(gòu)差異性大，腫瘤細(xì)胞異型性顯著，惡性程度較高[4]。臨床醫(yī)生在手術(shù)切除前明確腫瘤的病理組織學(xué)類型對(duì)于后續(xù)的治療至關(guān)重要。多個(gè)研究結(jié)果顯示肝癌的影像學(xué)表現(xiàn)與病理分化程度之間具有一定相關(guān)性。在2012年，荷蘭Philippe Lambin教授提出影像組學(xué)這一概念，指從醫(yī)學(xué)影像數(shù)據(jù)中大量提取描述腫瘤特性的組學(xué)特征，并對(duì)這些特征進(jìn)行整合與分析，篩選出最有利于疾病診斷的特征，解析影像學(xué)、病理學(xué)及臨床數(shù)據(jù)的內(nèi)在聯(lián)系，指導(dǎo)臨床治療和評(píng)估預(yù)后[5]。動(dòng)態(tài)增強(qiáng)CT是診斷肝癌及評(píng)估療效的主要影像學(xué)方法，它能夠清晰地顯示出病灶的數(shù)量范圍、形態(tài)特征、密度差異及血流供應(yīng)等情況。 本研究使用增強(qiáng)CT影像組學(xué)方法預(yù)測(cè)肝癌病理分化程度，評(píng)估其統(tǒng)計(jì)結(jié)果的準(zhǔn)確性及臨床應(yīng)用價(jià)值。

1 資料與方法

1.1 一般資料回顧性分析2018年6月至2022年1月在蚌埠醫(yī)學(xué)院第一附屬醫(yī)院經(jīng)手術(shù)切除或病理穿刺證實(shí)為HCC的196例患者。將樣本按照7：3比例隨機(jī)分為訓(xùn)練組(137例)和驗(yàn)證組(59例)。查閱并整理患者的臨床信息，包括年齡、性別、有無(wú)肝炎病史、病灶最大直徑及實(shí)驗(yàn)室相關(guān)檢查結(jié)果包括甲胎蛋白(AFP)、天門冬氨酸轉(zhuǎn)移酶(AST)、r-谷氨酰轉(zhuǎn)移酶(GGT)、丙氨酸氨基轉(zhuǎn)移酶(ALT)、乙肝表面抗原(HΒsAg)、總膽紅素(TΒIL)。

納入標(biāo)準(zhǔn)：經(jīng)病理穿刺活檢或手術(shù)切除證實(shí)為肝細(xì)胞癌，并且有明確的WHO分型或Edmondson-Steiner病理學(xué)分級(jí)；具有術(shù)前30天內(nèi)的肝臟三期增強(qiáng)CT掃描影像；術(shù)前未經(jīng)過(guò)其他HCC相關(guān)治療。臨床數(shù)據(jù)完整。排除標(biāo)準(zhǔn)：影像偽影較多，影響感興趣區(qū)的勾畫；臨床數(shù)據(jù)缺失。術(shù)后病理結(jié)果未獲得具體的肝癌病理分化程度。

1.2 儀器與方法使用256排GE Revolution CT掃描儀進(jìn)行檢查，采用非離子型造影劑-碘佛醇(350mgI/mL)，用雙筒高壓注射器將碘佛醇推注至患者肘正中靜脈，使用的劑量為成人1.5mL/kg，流速為4-5mL/s，劑量為50-60mL，對(duì)比劑注射后于30-35s(動(dòng)脈期)、60-75s(門脈期)、100-120s(延遲期)進(jìn)行CT掃描，使用數(shù)字成像和通信標(biāo)準(zhǔn)(DICOM)文件格式將掃描獲得的三期CT增強(qiáng)圖像存入圖像存儲(chǔ)和傳輸系統(tǒng)(PACS)中。

1.3 圖像后處理將符合上述研究標(biāo)準(zhǔn)的影像學(xué)圖像從PACS系統(tǒng)中導(dǎo)出并保存至醫(yī)準(zhǔn)-達(dá)爾文智能科研平臺(tái)中。由一名副主任醫(yī)師在動(dòng)脈期、靜脈期及延遲期圖像中手動(dòng)沿著病灶的最大直徑層面進(jìn)行感興趣區(qū)(region of interest，ROI)勾畫，見(jiàn)圖1A-1C。

圖1A-圖1C 患者，男性，48歲，病理確診為低分化肝癌，圖1A、1B、1C分別為 動(dòng)脈期、靜脈期、延遲期圖像中腫瘤病灶區(qū)域的手動(dòng)勾畫，紅色區(qū) 域內(nèi)為感興趣區(qū)ROI。

1.4 特征篩選與模型構(gòu)建首先采取最大最小值歸一化法對(duì)提取的影像組學(xué)特征進(jìn)行預(yù)處理，把原始數(shù)據(jù)用線性化方法把區(qū)間拉伸至(0，1)之間。再用特征選擇組件-最優(yōu)特征篩選器(百分比)，根據(jù)經(jīng)驗(yàn)將K設(shè)置為15%，利用方差分析F檢驗(yàn)(f_classif)統(tǒng)計(jì)量來(lái)選擇按F值排序的前15%特征。最后使用L1范數(shù)正則化-最小絕對(duì)收縮和選擇運(yùn)算符(least absolute shrinkage and selection operator，LASSO)，把選擇后的組學(xué)特征放入模型中進(jìn)行擬合。采用邏輯回歸 模型分析降維篩選后的影像組學(xué)特征，建立動(dòng)脈期+靜脈期(AP+VP)模型、動(dòng)脈期+延遲期(AP+DP)模型、靜脈期+延遲期(VP+DP)模型及三期聯(lián)合(AP+VP+DP)影像組學(xué)模型，再用篩選后的臨床危險(xiǎn)因素構(gòu)建臨床特征模型。最后將影像組學(xué)模型與臨床模型相結(jié)合構(gòu)建聯(lián)合模型。

1.5 統(tǒng)計(jì)學(xué)方法選用IΒM SPSS Statistics 20.0統(tǒng)計(jì)軟件對(duì)臨床數(shù)據(jù)和影像組學(xué)特征進(jìn)行分析。采用Kolmogorov-Smirnov檢驗(yàn)分析定量資料是否服從正態(tài)分布，對(duì)于符合正態(tài)分布的定量資料，兩組之間比較采用獨(dú)立樣本t檢驗(yàn)，用均數(shù)±標(biāo)準(zhǔn)差表示；而對(duì)于不符合正態(tài)分布的定量資料，兩組之間比較采用Mann-Whitney U檢驗(yàn)，用中位數(shù)M(P25,P75)表示。采用皮爾遜卡方檢驗(yàn)對(duì)定性資料進(jìn)行分析，用頻數(shù)(百分比)表示。采用邏輯回歸分析繪制影像組學(xué)模型、臨床特征模型及聯(lián)合模型的訓(xùn)練組和驗(yàn)證組的受試者工作特征曲線(ROC)，計(jì)算出ROC曲線下面積(AUC)、敏感度、特異度、約登指數(shù)及95%CI (P<0.05具有統(tǒng)計(jì)學(xué)意義)，評(píng)價(jià)各模型預(yù)測(cè)肝癌病理分化程度的效能。

2 結(jié) 果

2.1 影像組學(xué)模型的構(gòu)建篩選影像組學(xué)特征：共提取2817個(gè)影像組學(xué)特征。使用Select K Βest(score_func=f_classif，k=15)算法對(duì)2817個(gè)影像組學(xué)特征進(jìn)行篩選，共得出 282個(gè)組學(xué)特征，再使用L1正則化算法降維得到13個(gè)最有代表性的組學(xué)特征，見(jiàn)圖2A-2C。本研究建立AP+VP模型、AP+DP模型、VP+DP模型及AP+VP+DP模型。結(jié)果：AP+VP+DP模型預(yù)測(cè)肝癌的病理分化程度效能最佳。對(duì)AP+VP+DP模型進(jìn)行訓(xùn)練與交叉驗(yàn)證后，得到其訓(xùn)練組及測(cè)試組的AUC值、特異度、靈敏度、95%CI及約登指數(shù)，見(jiàn)表1-表2、圖3A-圖3Β。

表1 在訓(xùn)練組中各模型預(yù)測(cè)HCC病理分化程度的效能

表2 在驗(yàn)證組中各模型預(yù)測(cè)HCC病理分化程度的效能

圖2A-圖2C LASSO-Logistic回歸模型篩選出13個(gè)影像組學(xué)特征

2.2 臨床模型的構(gòu)建本研究將高、高-中分化并為高分化組，中、中-低、低分化并為中-低分化組。統(tǒng)計(jì)結(jié)果表明各臨床特征在訓(xùn)練組及驗(yàn)證組間對(duì)比均無(wú)統(tǒng)計(jì)學(xué)意義(P>0.05)，見(jiàn)表3。單因素分析結(jié)果顯示，ALT(P=0.004)、AST(P=0.001)及AFP(P=0.008)在高分化組和中-低分化組之間差異具有統(tǒng)計(jì)學(xué)意義，它們?yōu)轭A(yù)測(cè)HCC病理分化程度的臨床危險(xiǎn)因素，見(jiàn)表4。最后采用二元邏輯回歸方法將單因素分析結(jié)果中P<0.05的變量，即ALT(P=0.001)、AST(P=0.001)及AFP(P=0.004)進(jìn)行多因素分析，結(jié)果顯示AFP(P=0.010)及ALT(P=0.024)為影響肝癌病理分化程度的臨床危險(xiǎn)因素，見(jiàn)表5。

表3 訓(xùn)練組及驗(yàn)證組中病例的臨床特征

表4 預(yù)測(cè) HCC 病理分化程度的單因素分析

表5 預(yù)測(cè)HCC病理分化程度的多因素分析

2.3 三種模型的診斷效能單因素和多因素分析結(jié)果顯示AFP及ALT為預(yù)測(cè)肝癌的病理分化程度的臨床危險(xiǎn)因素，使用Logistic 回歸分析構(gòu)建臨床特征模型(AFP+ALT)。從上述結(jié)論得出最佳影像組學(xué)模型為AP+VP+DP。再將多因素分析結(jié)果中的AFP+ALT與AP+VP+DP組合成聯(lián)合模型。利用受試者工作曲線(ROC)評(píng)估它們對(duì)肝細(xì)胞癌病理分化程度的預(yù)測(cè)效能，見(jiàn)表6。結(jié)果表明在訓(xùn)練組及驗(yàn)證組中，聯(lián)合模型的AUC均大于其他模型，見(jiàn)圖3C-圖3D。

表6 影像組學(xué)模型、臨床模型和聯(lián)合模型分別預(yù)測(cè)訓(xùn)練組與驗(yàn)證組HCC病理分化程度的ROC曲線結(jié)果

3 討 論

我國(guó)是世界肝癌的高發(fā)區(qū)域，其發(fā)病率和死亡率逐年遞增。所以肝癌的早期篩查及診斷至關(guān)重要。肝癌的病理分化程度作為患者預(yù)后的重要因素，病理的分化程度越低，意味著病灶更易侵犯鄰近的正常肝組織，所以低分化肝癌患者術(shù)后復(fù)發(fā)率高，預(yù)后差[6]。近幾年隨著技術(shù)的不斷發(fā)展，多種醫(yī)學(xué)影像檢查可用于肝癌的診斷及療效評(píng)估。但腫瘤的發(fā)生及發(fā)展是復(fù)雜多變的，一般常規(guī)影像學(xué)檢查無(wú)法探勘出腫瘤病理分化程度方面的深層次信息。大量研究證明[7-8]，腫瘤常表現(xiàn)出異質(zhì)性(heterogeneity of tumors)，同樣的惡性腫瘤處在同一病人體內(nèi)的不同位置或是在不同病人個(gè)體間，以及不同生長(zhǎng)階段的腫瘤的免疫特性、生長(zhǎng)方式及侵襲程度都有所不同。影像組學(xué)是一種新興技術(shù)，它能夠使用算法或統(tǒng)計(jì)分析工具將醫(yī)學(xué)圖像轉(zhuǎn)換為具有高預(yù)測(cè)性和高代表性的影像數(shù)據(jù)，尋找出影像圖像信息和腫瘤細(xì)胞表型特征這之間的潛在關(guān)系[9]，從分子水平上反映人體內(nèi)解剖組織結(jié)構(gòu)和基因代謝水平的動(dòng)態(tài)變化。影像組學(xué)在食管癌[10]、直腸癌[11]、宮頸癌[12]、肺癌[13]等腫瘤診斷、組織分子分型、預(yù)測(cè)腫瘤基因表型及生存期評(píng)估等方面已經(jīng)顯示出重要的臨床價(jià)值。多項(xiàng)研究證明在肝癌的診斷、評(píng)估病理分化程度及術(shù)后預(yù)后等方面，影像組學(xué)具有較好的應(yīng)用價(jià)值[14-16]。

與既往研究不同，本研究使用醫(yī)準(zhǔn)－達(dá)爾文智能平臺(tái)提取組學(xué)特征，選用LASSO-L1正則化回歸分析篩選出最有價(jià)值的組學(xué)數(shù)據(jù)，建立AP+VP模型、AP+DP模型、VP+DP模型及AP+VP+DP的影像組學(xué)模型，其中AP+VP+DP模型訓(xùn)練組AUC為0.877，驗(yàn)證組AUC為0.801；AP+VP+DP的預(yù)測(cè)效能均優(yōu)于其他影像組學(xué)模型。經(jīng)單因素及多因素分析結(jié)果顯示，肝癌的病理分化程度與 AFP和ALT具有一定的關(guān)聯(lián)性(P<0.05)，其中AFP與肝癌的相關(guān)性已經(jīng)被Βai[17]、曾[18]等研究證明。但與ALT的相關(guān)性還有待考究，這可能與收集的病例較少有關(guān)，后續(xù)將進(jìn)一步擴(kuò)大病例數(shù)進(jìn)行研究。最后把臨床特征加入影像組學(xué)模型，構(gòu)建聯(lián)合模型進(jìn)行效能評(píng)估。聯(lián)合模型訓(xùn)練組AUC為0.899，驗(yàn)證組AUC為0.890。結(jié)果顯示：影像組學(xué)通過(guò)聯(lián)合臨床特征，預(yù)測(cè)效能更高。

本研究存在的一些局限性：(1)本研究是回顧性研究，收集的病例有限，結(jié)果易受偏移的影響，后續(xù)將繼續(xù)收集病例來(lái)進(jìn)行研究。(2)本研究肝癌的病理分化程度僅分成兩組，這樣的分組方式可能會(huì)影響預(yù)測(cè)效能，后續(xù)將進(jìn)一步細(xì)化分組。(3)影像組學(xué)研究需要龐大的數(shù)據(jù)支撐，不同機(jī)器的圖像采集方式和不同的掃描參數(shù)可能對(duì)提取的特征產(chǎn)生一些影響，目前尚未建立統(tǒng)一的標(biāo)準(zhǔn)[19]。

綜上所述，基于增強(qiáng)CT影像組學(xué)模型聯(lián)合臨床模型有助于術(shù)前預(yù)測(cè)肝細(xì)胞癌的病理分化程度，為肝癌的臨床診斷及制定診療方案提供一定的參考價(jià)值。