顏 蕾，楊光杰，聶 佩，苗文杰，龔愛(ài)迪，趙鈺鋆，崔景景，賈 妍，華聞達(dá)，王振光*

(1.青島大學(xué)醫(yī)學(xué)部，山東 青島 266100；2.青島大學(xué)附屬醫(yī)院PET/CT中心，3.放射科，山東 青島 266100；4.慧影醫(yī)療科技有限公司，北京 100089)

腎血管平滑肌脂肪瘤(angiomyolipoma, AML)是腎臟最常見(jiàn)良性腫瘤，典型AML含有明顯脂肪成分[1]，而少數(shù)缺乏或僅含有少量成熟脂肪成分，被稱(chēng)為腎乏脂肪血管AML(fat-poor angiomyolipoma, fp-AML)，影像學(xué)表現(xiàn)與無(wú)壞死、囊變和出血的均質(zhì)腎透明細(xì)胞癌(homogeneous density clear cell renal cell carcinoma, hd-ccRCC)相似[2]，但臨床診療方式迥異，故術(shù)前定性診斷極為重要。既往研究[3]表明，平掃CT值較高及增強(qiáng)掃描中延遲強(qiáng)化方式支持腎fp-AML診斷，但其特異性較低，且在fp-AML和hd-ccRCC間存在重疊[4]。影像組學(xué)作為新興的腫瘤輔助檢測(cè)和診斷技術(shù)，能高通量提取定量圖像的數(shù)學(xué)結(jié)構(gòu)特征并轉(zhuǎn)化為可挖掘量化的數(shù)據(jù)信息[5]。本研究基于增強(qiáng)CT影像組學(xué)特征聯(lián)合臨床特征建立綜合模型，并驗(yàn)證其術(shù)前鑒別fp-AML與hd-ccRCC的效能。

1 資料與方法

1.1 一般資料 回顧性分析2010年7月—2017年12月于青島大學(xué)附屬醫(yī)院接受術(shù)前CT增強(qiáng)掃描的fp-AML和hd-ccRCC患者。納入標(biāo)準(zhǔn)：①術(shù)后病理證實(shí)為腎單發(fā)AML或腎透明細(xì)胞癌(clear cell renal cell carcinoma， ccRCC)；②術(shù)前增強(qiáng)CT資料完整且圖像質(zhì)量達(dá)分析要求；③fp-AML平掃及增強(qiáng)CT掃描無(wú)肉眼可見(jiàn)脂肪密度影；hd-ccRCC平掃及增強(qiáng)CT掃描無(wú)肉眼可見(jiàn)壞死、囊變及出血；④經(jīng)隨訪獲取所需臨床資料。排除標(biāo)準(zhǔn)：①增強(qiáng)CT掃描前接受腫瘤相關(guān)放射化學(xué)治療；②同時(shí)患有其他影響圖像分析的腎疾病。共納入32例fp-AML(fp-AML組)、39例hd-ccRCC(hd-ccRCC組)。fp-AML組男9例，女23例，年齡34～67歲，平均(50.6±8.7)歲；hd-ccRCC組男26例，女13例，年齡35～77歲，平均(58.2±11.4)歲。本研究經(jīng)院倫理委員會(huì)批準(zhǔn)。

1.2 儀器與方法 采用Siemens 64排螺旋CT(Somatom Sensation 64)及雙源CT機(jī)(Definition Flash)，球管旋轉(zhuǎn)時(shí)間分別為0.50 s和0.28 s，探測(cè)器準(zhǔn)直分別為64×0.6 mm和2×64×0.6 mm，螺距1.0，矩陣512×512，管電壓120 kV，管電流220～250 mAs，層厚5 mm，層間距5 mm。囑患者仰臥，屏氣接受掃描；掃描范圍自膈頂至腎臟下緣。先腹部平掃后，以高壓注射器經(jīng)肘靜脈注入90 ml碘帕醇(350 mgI/ml)、流率3.0 ml/s后，分別延遲30 s、90 s、300 s行增強(qiáng)掃描，獲得皮質(zhì)期、實(shí)質(zhì)期及排泄期圖像。

1.3 CT圖像分析與特征提取 從圖像存儲(chǔ)與傳輸系統(tǒng)(picture archiving and communications system, PACS)中以DICOM格式導(dǎo)出術(shù)前增強(qiáng)CT圖像。由2名有3年(醫(yī)師1)和10年(醫(yī)師2)以上腹部CT診斷經(jīng)驗(yàn)的放射科醫(yī)師獨(dú)立逐層手工勾畫(huà)腫瘤病灶邊界作為ROI(圖1、2)，由radiomics cloud platform分析平臺(tái)分割出整個(gè)腫瘤，并自動(dòng)保存病變?nèi)莘eROI。經(jīng)圖像重采樣及圖像灰度標(biāo)準(zhǔn)化等預(yù)處理后，提取影像組學(xué)特征，計(jì)算觀察者間組內(nèi)相關(guān)系數(shù)(intraclass correlation coefficients， ICC)。2周后醫(yī)師1對(duì)20例再次勾畫(huà)ROI，計(jì)算觀察者內(nèi)ICC。提取的1 029個(gè)影像組學(xué)特征分為4組：①?gòu)?qiáng)度特征：由95個(gè)特征組成，通過(guò)常用和基本度量定量描繪CT圖像內(nèi)體素強(qiáng)度統(tǒng)計(jì)值；②形狀特征：包含15個(gè)反映區(qū)域形狀和大小的三維特征；③紋理特征：根據(jù)灰度共生矩陣、灰度游程矩陣和灰度區(qū)域矩陣計(jì)算量化區(qū)域異質(zhì)性差異，得到295個(gè)紋理特征；④圖像濾波特征：對(duì)原始圖像進(jìn)行濾波處理及小波變換后再次提取強(qiáng)度和紋理特征，使用指數(shù)、平方、平方根和對(duì)數(shù)4種類(lèi)型濾波器，8種小波變換濾波器組合方式，即wavelet-LLL、wavelet-HHH、wavelet-HLL、wavelet-HHL、wavelet-LLH、wavelet-HLH、wavelet-LHL和wavelet-LHH。

1.4 影像組學(xué)特征篩選及影像組學(xué)得分計(jì)算 對(duì)觀察者間及觀察者自身ICC均>0.75的穩(wěn)定且重復(fù)性好的影像組學(xué)特征進(jìn)行后續(xù)分析。以LASSO回歸算法進(jìn)一步選擇影像組學(xué)特征，10倍交叉驗(yàn)證選擇模型中的最優(yōu)調(diào)和參數(shù)λ來(lái)壓縮模型系數(shù)，將無(wú)關(guān)變量的系數(shù)降于零，保留非零系數(shù)的變量[6]。對(duì)所選影像組學(xué)特征進(jìn)行Logistic多元回歸分析，并根據(jù)回歸方程計(jì)算三期影像組學(xué)得分(radiomics score)。聯(lián)合三期圖像所有特征進(jìn)行上述處理，得到三期聯(lián)合影像組學(xué)得分。

1.5 臨床特征 記錄患者性別、年齡、身高、體質(zhì)量、體質(zhì)量指數(shù)(body mass index, BMI)及腫瘤位置，對(duì)fp-AML和hd-ccRCC臨床特征進(jìn)行單因素比較，篩選有鑒別意義者。

1.6 列線圖繪制及其效能驗(yàn)證 通過(guò)Logistic多元回歸分析，利用所選臨床特征及最佳模型影像組學(xué)得分建立綜合模型，并繪制列線圖。以Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)評(píng)價(jià)列線圖的擬合度，繪制校正曲線。以ROC曲線分析檢測(cè)列線圖的鑒別效能，以決策曲線評(píng)價(jià)列線圖鑒別fp-AML和hd-ccRCC的凈獲益。

圖1 患者男，65歲，fp-AML，三期CT增強(qiáng)掃描圖像勾畫(huà)ROI示意圖 A.皮質(zhì)期(Ta)； B.實(shí)質(zhì)期(Tv)； C.排泄期(Td) 圖2 患者男，47歲，hd-ccRCC，三期CT增強(qiáng)掃描圖像勾畫(huà)ROI示意圖 A.皮質(zhì)期(Ta)； B.實(shí)質(zhì)期(Tv)； C.排泄期(Td)

表1 2組臨床特征比較

圖3 皮質(zhì)期(Ta)、實(shí)質(zhì)期(Tv)、排泄期(Td)及三期聯(lián)合影像組學(xué)得分鑒別fp-AML與hd-ccRCC的ROC曲線 圖4 三期聯(lián)合影像組學(xué)分圖 得分>0預(yù)測(cè)為fp-AML，得分<0預(yù)測(cè)為hd-ccRCC

1.7 統(tǒng)計(jì)學(xué)分析 采用 R 軟件Version:3.3.3(https://www.r-project.org)。以單因素分析比較組間臨床因素，采用t檢驗(yàn)及Mann-WhitneyU檢驗(yàn)比較計(jì)量資料，計(jì)數(shù)資料采用χ2檢驗(yàn)及Fisher精確概率法。LASSO回歸采用“glmnet”包；ROC曲線分析采用“pROC”包；列線圖和校正曲線繪制采用“rms”包；Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)采用“generalhoslem”包；決策曲線采用“dca.R.”包。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 臨床特征 2組臨床特征比較見(jiàn)表1。組間年齡和性別差異有統(tǒng)計(jì)學(xué)意義(P=0.003、0.001)，fp-AML更多見(jiàn)于女性人群，發(fā)病年齡比hd-ccRCC更低。組間身高、體質(zhì)量、BMI和腫瘤位置差異均無(wú)統(tǒng)計(jì)學(xué)意義(P均>0.05)。

2.2 影像組學(xué)得分 于皮質(zhì)期、實(shí)質(zhì)期和排泄期分別獲得824、937和849個(gè)影像特征。以LASSO回歸進(jìn)行特征選擇后，分別于皮質(zhì)期、實(shí)質(zhì)期、排泄期和三期聯(lián)合得到6、6、5和7個(gè)有重要鑒別意義的影像組學(xué)特征，以Logistic多元回歸分析計(jì)算對(duì)應(yīng)圖像影像組學(xué)得分并進(jìn)行ROC曲線分析(圖3)，計(jì)算AUC及敏感度、特異度。三期聯(lián)合模型的影像組學(xué)得分鑒別fp-AML和hd-ccRCC的AUC最高 (表2)。繪制三期聯(lián)合的影像組學(xué)得分圖(圖4)。

表2 各期圖像影像組學(xué)得分ROC分析結(jié)果

圖5 鑒別fp-AML和hd-ccRCC的列線圖 根據(jù)患者性別、年齡及三期聯(lián)合影像組學(xué)得分，通過(guò)多因素Logistic多元回歸分析建模繪制的列線圖

2.3 列線圖建立及其效能驗(yàn)證 對(duì)組間差異有統(tǒng)計(jì)學(xué)意義的臨床因素(性別、年齡)及三期聯(lián)合影像組學(xué)得分進(jìn)行Logistic多元回歸分析并建模，回歸方程為：Ln(P/1-P)=-3.51+age×0.09-radiomics score×20.31-sex×1.78，并繪制列線圖(圖5)。列線圖ROC曲線的AUC為0.90[95%CI(0.81,0.99)]，敏感度0.78，特異度1.00，比三期聯(lián)合影像組學(xué)得分具有更高鑒別診斷效能。校準(zhǔn)曲線表明列線圖預(yù)測(cè)病理類(lèi)型與術(shù)后病理的一致性較好(圖6)。列線圖的Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)差異無(wú)統(tǒng)計(jì)學(xué)意義(P=0.06)，提示綜合鑒別模型未偏離擬合。決策曲線(圖7)表明列線圖鑒別fp-AML與hd-ccRCC具有較好的凈獲益，且高于單純?nèi)诼?lián)合影像組學(xué)得分。

圖6 列線圖的校準(zhǔn)曲線 圖7 列線圖的決策曲線

3 討論

腎AML和ccRCC分屬良性和惡性腫瘤，臨床治療策略及預(yù)后相差極大，因此術(shù)前準(zhǔn)確定性診斷極為重要。肉眼觀無(wú)脂肪成分的fp-AML和無(wú)壞死、囊變及出血的hd-ccRCC影像學(xué)表現(xiàn)缺乏特異性，給傳統(tǒng)影像學(xué)鑒別診斷造成極大困難，導(dǎo)致fp-AML影像學(xué)誤診率較高[7]。本研究基于增強(qiáng)CT圖像影像組學(xué)特征聯(lián)合臨床特征建立術(shù)前鑒別fp-AML與hd-ccRCC的綜合模型，并繪制列線圖，證實(shí)其良好的鑒別效能，AUC高達(dá)0.90，決策曲線分析表明其可獲得較為滿意的診斷凈獲益。

謝凱等[8]認(rèn)為圖像采集設(shè)備與參數(shù)不同會(huì)對(duì)影像組學(xué)特征產(chǎn)生影響，推薦使用同臺(tái)或同種設(shè)備進(jìn)行掃描；但對(duì)于少見(jiàn)病變，單一設(shè)備往往不能完成足夠多病例數(shù)，也難以實(shí)現(xiàn)可供驗(yàn)證模型效能的大樣本、多中心研究。在提取影像組學(xué)特征前對(duì)圖像進(jìn)行重采樣和灰度標(biāo)準(zhǔn)化等預(yù)處理，可最小化不同設(shè)備造成的影響。

影像組學(xué)在腎臟腫瘤研究中應(yīng)用廣泛，包括鑒別良惡性腎腫瘤[9]、預(yù)測(cè)ccRCC病理分級(jí)[10]以及生存分析[11]等。既往研究[12-15]表明，基于影像組學(xué)的CT圖像定量分析對(duì)鑒別fp-AML和ccRCC具有良好效能。LEE等[12]運(yùn)用邏輯回歸(LR)、k鄰近(kNN)、支持向量機(jī)(SVM)和隨機(jī)森林(RF)4種分類(lèi)器對(duì)25例fp-AML和25例ccRCC進(jìn)行鑒別，其中SVM的鑒別效能最高，AUC為0.78。FENG等[13]采用SVM對(duì)17例fp-AML和41例腎細(xì)胞癌(含31例ccRCC)進(jìn)行鑒別析，得到AUC為0.86。HODGDON等[14]基于平掃圖像的CT紋理分析鑒別16例fp-AML與84例腎細(xì)胞癌(含51例ccRCC)，鑒別fp-AML的AUC為0.89。YAN等[15]通過(guò)CT紋理分析鑒別診斷18例fp-AML、18例ccRCC和14例乳頭狀腎細(xì)胞癌，錯(cuò)判率在9.3%以下。上述研究均基于數(shù)十個(gè)紋理特征，僅能表征腫瘤紋理方面的信息。本研究于各時(shí)相CT圖像中提取更多影像組學(xué)特征，包括紋理及其外特征(如形狀圖特征、直方圖特征等)，有望對(duì)腫瘤進(jìn)行更多維度的表征。另外，以往研究多基于腫瘤最大層面勾畫(huà)ROI提取與分析二維特征。本研究提取三維特征，以更充分地反映腫瘤整體的異質(zhì)性。fp-AML臨床較為少見(jiàn)，本組納入例數(shù)多于既往研究。另外，ccRCC常可見(jiàn)壞死、囊變和出血，而fp-AML則較均質(zhì)。本研究hd-ccRCC組納入標(biāo)準(zhǔn)為平掃及增強(qiáng)CT無(wú)肉眼可見(jiàn)壞死、囊變及出血，影像學(xué)表現(xiàn)與fp-AML更加接近，鑒別更接近臨床實(shí)際。

本研究存在一定局限性：為單中心回顧性研究，所獲模型的有效性有待多中心、大樣本研究加以驗(yàn)證；勾畫(huà)三維ROI較單層ROI工作量大，期待實(shí)現(xiàn)半自動(dòng)或自動(dòng)勾畫(huà)，以提高效率。

綜上所述，基于增強(qiáng)CT影像組學(xué)和臨床特征建立的綜合模型用于術(shù)前鑒別fp-AML與hd-ccRCC具有較高診斷效能，可獲得較為滿意的診斷凈獲益。