張一鴻，侯瑩，包婕，王成龍，宋陽*，張玉東，楊光

作者單位：1.華東師范大學上海市磁共振重點實驗室，上海200062；2.南京醫(yī)科大學第一附屬醫(yī)院，南京210029；3.蘇州大學第一附屬醫(yī)院，蘇州215006

前列腺癌是美國男性發(fā)病率第一，病死率第二的癌癥，其準確診斷是制訂最佳治療計劃的保障[1,2]。前列腺癌發(fā)生包膜侵犯與根治性前列腺切除術后總生存率下降相關[3]。傳統(tǒng)經直腸超聲引導的活檢往往低估了腫瘤的分期，導致預測不準確[4-6]。研究表明，多參數磁共振成像對包膜侵犯的檢測是有效的[7-9]。然而，傳統(tǒng)基于磁共振成像的研究，也不能準確地判斷侵犯發(fā)生，特別是對處于頂部的癌灶，特異度只有30%左右[10,11]。

影像組學[12]是一種通過分析圖像ROI，提取定量特征，并對特征進行統(tǒng)計分析的方法，近幾年被廣泛運用于醫(yī)學影像研究之中[13,14]。在前列腺癌包膜侵犯方面，主要是針對癌灶內的特征進行分析[15,16]。但包膜侵犯的發(fā)生，與癌灶和腺體包膜的位置有關，僅研究一個區(qū)域不能反映兩者關系。所以本文通過提取可能侵犯區(qū)域的組學特征，建立組學模型對前列腺癌是否發(fā)生包膜侵犯進行預測。相較于單一組織特征的模型，本文所建立的模型能獲得更好的診斷效果。

1 材料和方法

1.1 一般資料

本研究回顧性分析了2015 年1 月至2019 年6 月在南京醫(yī)科大學第一附屬醫(yī)院進行磁共振掃描的病例，并通過醫(yī)院的倫理委員會批準(批準文號：2016-SRFA-093)，免除受試者知情同意。數據納入標準：(1)前列腺癌癥患者進行了根治性前列腺切除術；(2)術前4周內進行標準前列腺MRI檢查；(3)磁共振檢查圖像包括T2加權成像、彌散加權成像和對應的ADC圖像。排除標準：(1)既往有前列腺癌手術史；(2)進行過前列腺癌輔助治療(良性前列腺增生或膀胱外梗阻的干預被認為是可接受的)。最后納入718 例患者，其中未發(fā)生侵犯的527 例，發(fā)生侵犯的191 例。按照訓練集和測試集比例4∶1隨機對數據拆分，得到訓練集數據574例，測試集144例。

1.2 圖像采集

所有數據均使用德國西門子公司的3.0 T 磁共振掃描儀Skyra。掃描參數：T2WI：TE=105 ms，TR=6000 ms，層厚=3.5 mm，掃描矩陣=384×384；DWI：TE=82 ms，TR=6000 ms，層厚=3.5 mm，掃描矩陣=128×128，含有 0、100、250、500、1000、1500、2000 mm2/s等多個b值。ADC由DWI單指數擬合模型計算得到。

1.3 圖像分割

兩位經驗豐富的影像科醫(yī)師使用3D Slicer，對前列腺腺體和癌灶部分進行手動勾畫，得到腺體和癌灶的ROI。由于包膜侵犯是發(fā)生在癌灶與腺體包膜接觸的區(qū)域，本研究基于腺體ROI和癌灶ROI，根據以下規(guī)則生成注意力ROI，反映可能發(fā)生包膜侵犯的區(qū)域：(1)對于在癌灶內部，且在前列腺腺體以外的體素，賦予最大注意力值1.0；(2)對于在癌灶以內，腺體以內的體素，根據體素到腺體包膜的距離r，賦予注意力α/r 的注意力值，其中α 是調節(jié)參數，本實驗中選取0.5，即圖像分辨率；(3)對上述兩步生成的區(qū)域往外做衰減直到像素值為0。

1.4 組學特征提取及模型建立

使用荷蘭鹿特丹伊拉斯謨醫(yī)療中心研發(fā)的Elastix 工具包[17]將ADC 圖像配準至T2 圖像上，進行重采樣操作，使得層內分辨率為0.5 mm×0.5 mm。對生成的注意力圖，使用閾值從0.1 至0.5 以0.1 為間隔進行二值化操作，當閾值大于0.5 之后，注意力ROI 的范圍太小，不利于特征提取。由于包膜侵犯發(fā)生在癌灶與包膜接觸的位置，可以重點分析腺體包膜內外差異，受影像組學中微環(huán)境(Habitats)[18]啟發(fā)，本研究將二值化后的注意力ROI劃分為前列腺腺體區(qū)域(prostate，Pro)、前列腺癌區(qū)域(prostate cancer，PCa)和周圍組織背景區(qū)域(background，BG)(圖1)。分別對上述ROI 提取形狀特征14 個、T2 圖像和ADC圖像的灰度特征各18個。

圖1 實驗流程圖Fig.1 The workflow of out study

由于數據正負樣本比例約為1∶3，本研究采用合成少數過采集術(synthetic minority oversampling technique，SMOTE)算法平衡樣本。使用Z-Score 和Mean標準化的方法進行特征歸一化，皮爾森相關系數(Pearson correlation coefficients, PCC)對數據進行降維，特征遞歸消除(recursive feature elimination,RFE)和KW (Kruskal-Wallis test)的方法對降維后的特征進行進一步選擇，除去對結果貢獻小的特征。使用支持向量機(support vector machine，SVM)、線性判別分析(linear discriminant analysis，LDA)和線性回歸(linear regression，LR)作為分類器。運用5 折交叉驗證選取最優(yōu)模型參數。使用單位標準差(one-standard error，1-SE)方法進行模型選擇，模型用獨立測試集評估。

以上特征提取和建模操作，使用開源軟件FeAture Explorer (FAE) v 0.3.6進行操作[19]。

1.5 模型評價

本文使用ROC曲線和AUC來衡量模型的預測結果，并用Bootstrap 方法計算95%置信區(qū)間(confidence interval，CI)。同時還計算了敏感度、特異度、陽性率和陰性率，并使用決策曲線分析(decision curve analysis，DCA)比較模型之間收益差異。

1.6 統(tǒng)計學分析

統(tǒng)計學分析使用Python 3.6和Scipy 1.3，年齡和前列腺特異性抗原(prostate specific antigen，PSA)使用曼-惠特尼U檢驗，病理Gleason 評分(biology Gleason Score，bGS)和病理侵犯統(tǒng)計數量及占比，使用χ2檢驗，來計算訓練集和測試集之間的統(tǒng)計分布。模型預測結果之間的差異使用威爾科克森符號秩檢驗。P＜0.05表示差異具有統(tǒng)計學意義。

2 結果

2.1 數據描述

718 例患者的訓練集和測試集數據的詳細臨床信息見表1，訓練集數據和測試集數據臨床信息差異無統(tǒng)計學意義。

表1 訓練集和測試集患者臨床信息Tab.1 Clinical information of patients in the training and test cohorts

2.2 模型結果

2.2.1 閾值選擇

使用不同閾值對注意力ROI進行二值化，用交叉驗證的方式進行建模比較，橫向對比閾值對訓練集結果的影響，發(fā)現訓練集的AUC表現類似，見圖2。根據奧卡姆剃刀原則[20]，選取特征數最少對應的模型，即閾值選取0.2。

圖2 不同閾值注意力ROⅠ的建模結果。A：不同閾值模型的ROC曲線；B：不同模型AUC的箱型圖和建模使用的特征數量，其中箱線圖表示模型的AUC統(tǒng)計(左軸)，綠色折線表示特征數(右軸) 圖3 測試集結果。圖A展示了測試集在腺體ROⅠ、癌灶ROⅠ、注意力ROⅠ和注意力ROⅠ子區(qū)域四個模型的ROC曲線；圖B為這四個模型的DCA曲線Fig. 2 Model results built by attention ROⅠwith different thresholds. A：The ROC curve of different threshold models；B：The box chart of AUC of different models(left axis)，and the green plot of the number of selected features(right axis).Fig.3 Model performance on the test cohort.A denotes the ROC curves of the ModelPro，ModelPCa，ModelAtten，ModelRegion on the test cohort.B denotes the DCA curves of the four models.

2.2.2 模型結果

本研究同時使用癌灶ROI、腺體ROI、閾值0.2 的注意力ROI 和注意力ROI 子區(qū)域進行建模，結果見表2。

表2 測試集在四個模型上的結果Tab.2 The results of the test cohorts on four models

當使用腺體ROI建模時，使用交叉驗證和1-SE的方法進行模型確立，結果發(fā)現使用Mean標準化方法、KW 特征選擇方法和SVM 分類器時，選出16 個特征，模型在驗證集上的效果較好(記為Mean-KW-16-SVM)，此時訓練集的AUC為0.740 (95%CI：0.690～0.788)、敏感度為0.603，特異度為0.787；測試集AUC 達到0.746 (95%CI：0.651～0.835)、敏感度為0.825，特異度為0.577。當使用癌灶ROI 時，選出的模型為Zscore-KW-12-LR，此時訓練集AUC為0.742 (95%CI：0.693～0.790)，敏感度為0.702、特異度為0.709；測試集的AUC為0.755 (95%CI：0.670～0.838)、敏感度和特異度分別為0.725和0.692。

使用注意力ROI時，Mean-RFE-2-SVM的模型得到訓練集AUC 為0.732 (95%CI：0.689～0.774)，敏感度和特異度分別為0.722 和0.664，陽性率和陰性率分別為0.434和0.870；測試集AUC為0.766 (95%CI：0.684～0.846)，敏感度可以達到0.900，特異度0.529，陽性率和陰性率分別為0.424和0.932。將注意力ROI中不同組分的特征分開提取并組合建模，模型Mean-RFE-14-SVM 在訓練集上的AUC 為0.794(95%CI：0.753～0.835)，測試集上AUC 為0.792(95%CI：0.716～0.862)。訓練集上敏感度特異度分別為0.695 和0.785，陽性率和陰性率為0.536 和0.878。測試集上敏感度、特異度、陽性率和陰性率分別為0.800、0.721、0.525和0.904。

四個模型在測試集上的ROC 曲線和DCA 曲線展示在圖3 中。子區(qū)域模型的AUC 最高，在概率閾值取0.2 至0.4 范圍內，子區(qū)域模型獲得的凈收益高于其他三個模型。

2.3 結果分析

常規(guī)使用腺體ROI進行組學分析時，模型挑出的特征包含了T2 和ADC 的一階特征，但并沒有形狀特征。對癌灶ROI進行特征提取建模，主要是形狀特征進行了貢獻，即通過分析癌灶形狀，可以輔助包膜侵犯診斷，特別是2D 最大直徑，在建模中權重占據最大。在使用注意力ROI進行建模時，只使用形狀特征的體積表面積比和ADC 的灰度最大值建模AUC 就可以達到0.766。注意力圖子區(qū)域建模，測試集AUC 達到了0.792，背景、腺體、癌灶的特征均有所貢獻。具體特征貢獻圖見圖4。

圖4 四個模型建模使用的特征及權重，其中A～D分別代表腺體模型、癌灶模型、注意力模型、子區(qū)域模型Fig. 4 The weights of features contributed in the model built by prostate gland，prostate cancer，generated attention，and the sub-regions of the attention were shown in figure A to D，respectively.

3 討論

3.1 總結與發(fā)現

本研究通過前列腺腺體ROI 和癌灶ROI 生成注意力ROI，并受影像組學微環(huán)境的啟發(fā)，將二值化后的注意力ROI分成背景、腺體和癌灶三個子ROI，分開提取子ROI 的組學特征，經過SMOTE 樣本均衡、Mean特征歸一化、PCC 降維、RFE 特征選擇后，使用SVM 建立模型，在測試集上得到AUC為0.792，說明此方法可以較好地預測前列腺癌患者是否發(fā)生包膜侵犯。

3.2 相關研究比較

相較于單純使用臨床信息，磁共振成像具有可以顯示癌灶位置和解剖學信息的優(yōu)勢[21]。除了跟臨床特征結合預測外，磁共振影像可以進行特征提取，并建立組學模型對前列腺癌包膜侵犯進行預測。Cuocolo等[22]對三個中心的前列腺癌患者的T2和ADC圖像癌灶內部特征進行提取，使用單一中心數據訓練，另外兩個中心數據進行測試，測試集AUC 分別為0.80 和0.73，模型表現與放射科醫(yī)生差異無統(tǒng)計學意義。Xu 等[23]在結構像、彌散像和動態(tài)增強圖像上分析癌灶特征，在115 個數據上建立LASSO (least absolute shrinkage and selection operator)模型，AUC達到0.865，但使用需要注入對比劑的動態(tài)對比增強序列，增加了掃描成本。本研究僅使用了T2 和ADC 的序列，橫向比較了多種建模方法，最高可以在獨立測試集上達到0.792 的AUC，說明了基于磁共振成像的組學模型可以對包膜侵犯進行預測。

3.3 注意力圖ROI的分析比較

前列腺癌包膜侵犯問題，對于ROI的勾畫至關重要。Ma 等[15]對200 多例前列腺癌患者的T2 圖像的前列腺輪廓及輪廓內約1 mm處進行ROI的勾畫，并納入被懷疑是惡性或者有侵犯趨勢的癌灶部分，使得ROI內部能更多地提取包膜的整體細微結構特征，建立的模型在測試集上用LASSO 模型達到0.883 的AUC。Bai 等[16]對284 例的T2 和ADC 圖像進行癌灶勾畫，將癌灶區(qū)域進行擴張并減去其中的直腸、尿道、膀胱得到癌灶周邊區(qū)域，對其進行特征提取。癌灶區(qū)域、周邊區(qū)域和臨床特征分別和組合建模，癌灶周邊區(qū)域和臨床信息的結果最好，測試集上AUC 達到0.718。但這個過程是需要臨床醫(yī)生進行手動勾畫感興趣區(qū)域，勾畫結果依賴于醫(yī)生的臨床經驗。本研究使用的是自動生成注意力圖的方式，借鑒了微環(huán)境的實現思路，將注意力圖劃分為更具有組織結構信息的背景、癌灶、腺體等三個區(qū)域，分別進行特征提取建模。

3.4 組學特征分析

相比于其他學者影像組學的工作，本研究使用的特征主要是形狀特征和灰階特征，其原因是考慮到彌散序列的低分辨率和低信噪比，相比于紋理特征，形狀和灰階特征的魯棒性更好[24,25]。本研究的注意力圖模型驗證發(fā)現，不管是基于整體注意力ROI還是基于其子區(qū)域，最終結果表明體積表面積比和ADC圖像各組分的灰度值對前列腺癌的包膜侵犯的預測有較大的作用。原因可能是在注意力ROI生成時，選擇的是癌灶與腺體邊界相近的部分，而腺體邊界通常類似于球形，如果癌灶沒有突破包膜，那么生成的注意力ROI很可能是月牙狀，體積表面積比較低。而各個組分在ADC圖像上的整體灰度是有差異的，比如膀胱的亮度最高，其次是腺體，然后是癌灶，背景部分的亮度最低，因此當ADC圖像組分越多，灰度差異越大，組分越復雜，越可能發(fā)生侵犯。特別是針對子區(qū)域模型，特征來源清晰，解釋性較強，在臨床上具有較好的接受程度。

3.5 局限性

雖然研究使用自動化的方法生成注意力ROI，但是需要醫(yī)生手工對前列腺腺體和癌灶進行勾畫，勾畫過程也是異常煩瑣。后續(xù)可以使用深度學習對腺體和癌灶進行自動的分割，使得過程自動化。其次，本研究僅僅使用了單一中心的數據，不具有普適性，后續(xù)可以在更多不同設備不同中心的數據上進行驗證和優(yōu)化。

綜上所述，本研究提出了一種自動生成注意力圖的方法，對注意力ROI進行子區(qū)域劃分并提取特征進行影像組學建模，以輔助診斷磁共振前列腺癌包膜侵犯的診斷問題。本研究所提出的模型使用了解釋性較好的特征，有助于輔助臨床醫(yī)生進行診斷，在臨床決策中具有一定的參考價值，注意力圖的思路也能夠為其他相關診斷問題提供研究思路。

作者利益沖突聲明：全體作者均聲明無利益沖突。