陳美玲 張 敬 張玉東 侯 瑩 宋 陽 謝海濱 楊 光

前列腺癌（prostate cancer，PCa）是一種常見的男性疾病[1]，多參數(shù)磁共振成像（multi-parametric magnetic resonance imaging，mp-MRI）是一種常用的無創(chuàng)前列腺癌檢查手段。目前臨床醫(yī)生通過磁共振圖像對前列腺癌進(jìn)行診斷，主要依據(jù)歐洲泌尿生殖放射協(xié)會提出的前列腺成像報告和診斷系統(tǒng)（prostate imaging-reporting and diagnosis system，PIRADS）[2]。該診斷方法需要臨床醫(yī)生具有豐富的臨床經(jīng)驗，診斷結(jié)論受醫(yī)生主觀判斷影響較大。

影像組學(xué)（radiomics）近年來備受關(guān)注，它可以通過從醫(yī)學(xué)影像中提取大量定量特征，為疾病診斷選擇穩(wěn)定的、臨床相關(guān)的影像組學(xué)生物標(biāo)志物。目前大量研究表明影像組學(xué)在腫瘤定量診斷方面具有巨大潛力[3]。在前列腺癌診斷方面，多參數(shù)磁共振成像可以從多個序列中提取特征和信息，從多個維度對前列腺癌進(jìn)行診斷[4]。

本研究基于多參數(shù)磁共振圖像，探究了不同序列和不同類型的特征在影像組學(xué)模型中，對臨床顯著性前列腺癌（clinically significant PCa，CS-PCa）和非顯著性前列腺癌（non-clinically significant PCa，Non-CS-PCa）診斷效能的影響。通過訓(xùn)練集和獨立的測試集，使用不同特征分別建立模型進(jìn)行比較，選出了進(jìn)行顯著性前列腺癌診斷的最佳組合。

方 法

本文將從數(shù)據(jù)集描述、特征提取、模型建立、模型評估四個步驟進(jìn)行闡述，流程圖見圖1。

圖1 建模流程圖。

1.數(shù)據(jù)集描述

本研究使用PROSTATEx 數(shù)據(jù)集（https：//doi.org/10.7937/K9TCIA.2017.MURS5CL）作為研究對象。該數(shù)據(jù)集中包括T2 加權(quán)圖像、質(zhì)子密度加權(quán)圖像（proton density weighted，PDW）、動態(tài)對比度增強圖像（dynamic contrast enhanced， DCE）和彌散加權(quán)圖像（diffusion-weighted imaging，DWI），所有圖像都是在西門子3T 磁共振設(shè)備上掃描得到。本研究根據(jù)PI-RADS 指南和相關(guān)研究[5-6]，選擇高b 值DWI 圖像（b=800s/mm2）、表觀擴散系數(shù)圖像（apparent diffusion coefficient，ADC）和T2加權(quán)圖像來進(jìn)行建模。其中，T2 加權(quán)圖像是通過自旋回波序列獲得的橫斷位圖像，該序列層內(nèi)分辨率為0.5mm×0.5mm，層厚為3.6mm。DWI 序列的層內(nèi)分辨率為2mm×2mm，層厚為3.6mm，b 值為800s/mm2。ADC 圖像通過對DWI 進(jìn)行計算得到。DWI 序列和ADC 圖像配準(zhǔn)至T2 圖像上。

本研究選取圖像分辨率一致的252例數(shù)據(jù)（共252個 癌 灶，CS-PCa:Non-CS-PCa=68:184），其 中 訓(xùn) 練 集177例（CS-PCa:Non-CS-PCa=48:129）用于模型訓(xùn)練，剩余75例數(shù)據(jù)（CSPCa:Non-CS-PCa=20:55）用于模型測試。具有超過十年臨床經(jīng)驗的影像科醫(yī)生，根據(jù)PROSTATEx提供的穿刺位置進(jìn)行癌灶區(qū)域（region of interest，ROI）勾畫，以進(jìn)行特征提取。

圖2 是三種序列對應(yīng)的非顯著性前列腺癌和顯著性前列腺癌病例示意圖。其中，第一行對應(yīng)非顯著性癌，第二行對應(yīng)顯著性癌，從左至右分別為ADC，DWI，T2 加權(quán)圖像。

首先，本研究對三種序列圖像分別使用Pyradiomics（ 版 本 號：2.2.1，https：//pyradiomics.readthedocs.io/en/latest/）進(jìn)行特征提取，提取的特征種類包括灰度特征和紋理特征，其中灰度特征有18個，紋理特征又包含灰度共生矩陣24個、灰度區(qū)域大小矩陣16個、灰度游程矩陣16個、 鄰域灰度差異矩陣5個和灰度相關(guān)矩陣14個。

2. 模型建立

針對特征矩陣中的樣本不均衡問題，本研究使用合成少數(shù)類過采樣技術(shù)（synthetic minority oversampling technique，SMOTE）對訓(xùn)練集中的顯著性前列腺癌進(jìn)行過采樣操作。針對不同序列，對T2 加權(quán)圖像、DWI 和ADC 的特征矩陣分別建模，再將三個序列的特征組合后進(jìn)行建模分析。

首先對特征矩陣進(jìn)行歸一化操作，每個特征向量減去均值并除以標(biāo)準(zhǔn)差，以消除不同特征之間的數(shù)量級差異。然后用皮爾遜相關(guān)系數(shù)（pearson correlation coefficient，PCC）對特征進(jìn)行約束，當(dāng)任意兩個特征向量之間的PCC ＞0.9 時，即認(rèn)為這兩個特征相似度很高，隨機去掉一個，以減少信息冗余并減小建模時發(fā)生過擬合的可能。接下來，使用方差分析（analysis of variance，ANOVA）對特征進(jìn)行排序，特征數(shù)目用單位標(biāo)準(zhǔn)差（onestandard error，OSE）方法確定，建模方法選用邏輯回歸（logistic regression）。本研究使用了五折法在訓(xùn)練集上進(jìn)行交叉驗證，得到最終模型后在獨立測試集上進(jìn)行模型評價。上述實驗過程均在實驗室自行開發(fā)的開源軟 件FeAture Explorer（FAE v 0.2.5，https：//github.com/salan668/FAE）的環(huán)境中完成。

3.模型評估

表1 不同序列灰度特征的建模結(jié)果

表2 不同序列紋理特征的建模結(jié)果

表3 不同序列使用灰度特征和紋理特征混合建模結(jié)果

本研究對不同序列的圖像組合及不同類型的特征組合進(jìn)行建模比較，使用測試集的接收者操作特性曲線（receiver operating characteristic curve，ROC）和對應(yīng)曲線下面積（area under the curve，AUC）進(jìn)行模型評估。同時我們還計算了模型在測試集上的敏感性和特異性，統(tǒng)計方法采用Wilcoxan秩和檢驗，顯著性差異取0.05。

圖2 非顯著性癌（第一行）和顯著性癌（第二行）示意圖。其中從左至右分別為ADC、DWI 和T2 加權(quán)圖像。

結(jié) 果

我們首先只使用灰度特征進(jìn)行建模。本研究發(fā)現(xiàn)當(dāng)只使用ADC 或高b 值DWI 的灰度特征進(jìn)行建模時，ADC 和高b 值DWI 的灰度特征模型在測試集上AUC 均達(dá)到0.76，而T2 加權(quán)圖像的灰度特征模型在測試集上AUC只有0.59（P＜0.05）。當(dāng)三個序列的灰度特征混合后進(jìn)行建模時，模型在測試集上的AUC 可以達(dá)到0.85，此時的敏感性和特異性分別為0.75 和0.87，顯著高于3個序列獨自的建模效果（P＜0.05），結(jié)果如表1 所示。

我們只使用紋理特征進(jìn)行建模的結(jié)果如表2 所示。從表中可見，T2 加權(quán)圖像的紋理特征對于區(qū)分顯著性癌和非顯著性癌的效果有限，測試集AUC 僅達(dá)到0.57，敏感性為0.80，特異性為0.47。使用ADC、高b 值DWI 的紋理特征進(jìn)行建模時，測試集的AUC 分別達(dá)到0.70 和0.73，敏感性分別為0.90和0.70，特異性分別為0.55 和0.76，顯著高于T2加權(quán)圖像的紋理特征模型（P＜0.05）。我們將3個序列的紋理特征混合建模，測試集AUC 達(dá)到0.85，敏感性和特異性分別為0.80 和0.82，好于3個序列單一建模的表現(xiàn)（P＜0.05）。

我們將灰度特征和紋理特征進(jìn)行混合，不同序列的建模效果如表3 所示。本研究發(fā)現(xiàn)，灰度特征和紋理特征混合后，T2 加權(quán)系列的模型表現(xiàn)比僅用灰度特征或僅用紋理特征建模的測試集AUC 有所提高，達(dá)到0.61（P＜0.05）；ADC 和高b 值DWI系列的模型在測試集上的AUC 分別達(dá)到0.87 和0.85，敏感性達(dá)到0.90 和0.75，特異性達(dá)到0.71 和0.87。高于只使用灰度特征或紋理特征的建模結(jié)果（P＜0.05）；將多個序列的灰度和紋理特征進(jìn)行混合，測試集AUC 達(dá)到0.82，敏感性達(dá)到0.80，特異性達(dá)到0.78，略低于只使用用紋理特征建模的混合模型（P＜0.05）。圖 3 展示了所有模型的表現(xiàn)。

討 論

本文研究了影像組學(xué)模型在多參數(shù)磁共振成像診斷CS-PCa 的效能，探究了不同序列組合和不同特征組合對影像組學(xué)模型診斷效能的影響。發(fā)現(xiàn)彌散序列的特征在區(qū)分前列腺癌的臨床顯著性上，比T2加權(quán)圖像更能發(fā)揮作用。同時使用灰度特征和紋理特征的組合建模時，能夠提升模型的表現(xiàn)能力。T2 加權(quán)圖像具有較高的組織分辨率，但前列腺外周帶通常在T2 加權(quán)圖像表現(xiàn)出高信號，非顯著性前列腺癌可能與高信號外周帶等強度，因此在前列腺癌的臨床顯著性的判斷上，T2 加權(quán)圖像無法提供有效信息[8]。而彌散圖像序列由于突出水分子的擴散性，特別是在高b 值DWI 圖像上，能夠?qū)Π┰畹呐R床顯著性和非顯著性進(jìn)行區(qū)別[9]。ADC 圖像是通過DWI 序列計算得到，能夠定量反映水分子的擴散性質(zhì)，也能達(dá)到較好的分類效果。因此，高b 值DWI 和ADC 圖像單獨建模，能夠得到比T2 加權(quán)圖像更好的建模效果。

圖3 不同類型特征和不同序列建模效果比較。

多種序列特征混合，得到的AUC 均能高于0.80，但同時使用灰度特征和紋理特征時，混合模型的AUC 略有下降，其原因可能是特征矩陣包含了多種序列的灰度特征和紋理特征，特征空間維度過高，在數(shù)據(jù)降維和特征選擇過程中，篩選出的特征由于隨機因素?zé)o法找到最優(yōu)解。本研究通過預(yù)先篩選不同的輸入序列和特征種類，降低了建模的解空間復(fù)雜度，增加得到最優(yōu)模型的概率。

本研究有如下局限：①對于機器學(xué)習(xí)來說，本研究進(jìn)行模型訓(xùn)練時使用的樣本數(shù)量十分有限，本研究使用的是單中心的數(shù)據(jù)，為了更好地驗證我們的模型，還需要進(jìn)一步使用多中心數(shù)據(jù)進(jìn)行驗證；②模型的建立僅僅使用了部分影像信息，還未包含其他影像的信息和臨床信息；③本研究所使用的公開數(shù)據(jù)集中已經(jīng)提供前列腺癌的分割結(jié)果，在前列腺癌分級的實際應(yīng)用中，或需要對癌灶進(jìn)行分割，或需要根據(jù)計劃的穿刺點確定周邊區(qū)域，然后進(jìn)行特征提取。

本研究通過比較不同序列和不同類型特征，探索了多參數(shù)磁共振成像的影像組學(xué)模型對于臨床顯著性前列腺癌的診斷情況，本研究發(fā)現(xiàn)彌散圖像序列的灰度特征和紋理特征能夠建立較好的診斷模型，在臨床中為臨床顯著性前列腺癌的診斷提供幫助?；谏疃葘W(xué)習(xí)算法進(jìn)行多參數(shù)磁共振圖像的癌灶識別和癌灶分割，將是我們接下來的研究方向。