劉 敏，周 倩，吳雅蔚，臧 秀，費孝靜，侯錦路，葉德華

1. 盱眙縣人民醫(yī)院影像科，江蘇 淮安 223000；

2. 無錫市錫山人民醫(yī)院鵝湖分院消化內(nèi)科，江蘇 無錫 214000；

3. 鹽城市第一人民醫(yī)院影像科，江蘇 鹽城 224000

胰腺癌是常見的腹部腫瘤，惡性程度極高，5年生存率僅約7%［1］。既往文獻［2］報告，準確評估胰腺癌的惡性程度，對于手術(shù)切除前評估和改善生存率及預(yù)后有積極的作用。腫瘤的惡性程度與腫瘤細胞的分化程度息息相關(guān)。因此，術(shù)前準確地預(yù)測胰腺癌分化程度對于胰腺癌患者的腫瘤惡性程度評估及腫瘤分期、治療、預(yù)后都至關(guān)重要。計算機體層成像（computed tomography，CT）是術(shù)前評估胰腺癌患者首選的影像學(xué)方法［3-5］，但CT檢查有其局限性，無法對胰腺癌的分化程度進行判定。因此，需要更智能、更敏感的診斷技術(shù)，以期實現(xiàn)術(shù)前判定胰腺癌分化程度。近年來，基于大數(shù)據(jù)的影像組學(xué)研究已成為一個蓬勃發(fā)展的研究方向［6-9］?，F(xiàn)有的研究［10-11］結(jié)果表明，影像組學(xué)在預(yù)測胰腺癌良惡性方面具有一定的可行性。沈力等［12］建立了一個術(shù)前評估胰腺癌惡性程度的預(yù)測模型，成功地在不同分化程度的胰腺癌中實現(xiàn)惡性程度的評估，但是并沒有結(jié)合經(jīng)典的臨床指標。因此，本研究對腫瘤標志物和影像組學(xué)進行結(jié)合和分析，嘗試建立并驗證一種用于術(shù)前個體化預(yù)測胰腺癌分化程度的臨床-影像組學(xué)模型，以輔助臨床決策。

1 資料和方法

1.1 臨床資料

回顧并分析2010年9月—2019年12月江蘇省盱眙縣人民醫(yī)院經(jīng)術(shù)后病理學(xué)檢查證實的胰腺癌患者資料。納入標準：① 經(jīng)術(shù)后病理學(xué)檢查證實為胰腺癌并伴有明確的病理學(xué)分級；② 術(shù)前接受腹部增強CT檢查，并有完整的CT增強掃描圖像；③ 完整的臨床資料。排除標準：① 患者術(shù)前曾接受放化療；② 患者有其他腫瘤性疾??；③ 圖像偽影大，不能達到分析標準。最終，共56例患者的臨床和CT資料納入分析，其中男性38例，女性18例，年齡45～78歲，平均年齡（61.5±10.3）歲。依據(jù)術(shù)后病理學(xué)檢查結(jié)果將患者分為高分化組（29例）和中低分化組（27例）。依據(jù)入組時間先后，分為訓(xùn)練組39例（70%）及驗證組17例（30%）。其中訓(xùn)練組高分化21例，中低分化18例；驗證組高分化8例，中低分化9例。

采集全部患者的血清標本，采用化學(xué)發(fā)光免疫法對其糖類抗原（carbohydrate antigen，CA）19-9等項目進行檢測。CA19-9正常范圍為0～30 U/mL，本實驗收集的患者CA19-9為（202.45±45.61）U/mL。

1.2 掃描方法

56例患者均在治療前進行了CT增強檢查。采用德國Siemens公司的SOMATOM Definition Flash 64排雙源CT機，掃描范圍自膈頂至盆腔。囑咐患者在CT增強掃描前8 h禁食，于掃描前飲用1 000 mL水。CT增強掃描采用的對比劑為碘海醇（1.5 mL/kg），于患者前臂靜脈采用高壓注射器以2.5～3.5 mL/s的速率團注，造影劑注射量為80～100 mL。分別于注射對比劑之后25～30和60～70 s采集動脈期和門靜脈期圖像。掃描參數(shù)：管電壓120 kV，參考管電流250 mA，掃描層厚為5 mm，對掃描圖像行薄層1.25 mm重建，用于后續(xù)圖像處理。

1.3 圖像處理

在影像存儲與傳輸系統(tǒng)（picture archiving and communication system，PACS）工作站將門靜脈期CT圖像導(dǎo)出，并轉(zhuǎn)換成Bmp格式保存。將所有CT圖像重建像素為512×512的圖像矩陣。使用軟件MaZda對圖像進行紋理分析，使用軟件中的感興趣區(qū)（region of interest，ROI）編輯器沿病灶周圍手動勾勒ROI，通過調(diào)整使ROI覆蓋完整病灶，隨后計算出病變區(qū)的特征［13-14］。本實驗對采集的所有CT圖像灰階進行標準化設(shè)定，圖像灰階范圍在［μ-3δ，μ+3δ］中（μ為平均灰度值，δ為標準差）［15］。圖像定性評估由2名放射科醫(yī)師（均有5年以上影像學(xué)診斷工作經(jīng)驗）完成。若2名醫(yī)師圖像評估存在分歧，則與另一名高年資放射科醫(yī)師（有10年以上影像學(xué)診斷經(jīng)驗）討論后達成一致意見。

1.4 紋理特征提取與篩選

提取的特征分別為直方圖（histogram）、灰度共生矩陣（gray-level co-occurrence matrix，GLCM）、游程矩陣（run-length matrix，RLM）、絕對梯度（absolute gradient，GRA）、自回歸模型（auto-regressive model，ARM）和小波變換（wavelet transform，WT），共計6大類279個紋理特征（表1）。大量的組學(xué)特征將加大運算量，故本實驗采用軟件內(nèi)置的3種特征提取方法［交互信息提取（mutual information，MI）、Fisher系數(shù)提?。╢isher coefficient，F(xiàn)isher）和分類錯誤概率聯(lián)合平均相關(guān)系數(shù)提?。╟lassification error probability combined with average correlation coefficients，POE+ACC）］對特征進行篩選，3種提取方法分別提取10個最有意義的特征，共計30個特征。首先對30個特征進行整合，去除重復(fù)性特征。然后，因為不同變量之間存在多重復(fù)雜性，研究［16］證實變量間相關(guān)性過大（|r|＞0.6）將影響模型的穩(wěn)定性，故本實驗刪去|r|＞0.6的特征。

表1 采用3種特征提取方法所提取的重要特征

1.5 統(tǒng)計學(xué)處理

本研究以術(shù)后病理學(xué)檢查結(jié)果為金標準進行分級，采用SPSS 20.0統(tǒng)計軟件和R語言軟件對數(shù)據(jù)進行分析。使用基于R語言的軟件包用于進一步的統(tǒng)計學(xué)分析，分別為用于可視化的ggplot2和corrplot軟件包，以及用于受試者工作特征（receiver operating characteristic，ROC）曲線分析的pROC軟件包。對所得特征行正態(tài)性檢驗，符合正態(tài)分布采用組內(nèi)獨立樣本t檢驗，不符合正態(tài)分布采用Mann-WhitneyU檢驗，并對差異有統(tǒng)計學(xué)意義的特征進行ROC曲線分析。本研究數(shù)據(jù)以±s表示，P＜0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié) 果

2.1 影像組學(xué)特征篩選

應(yīng)用軟件自帶特征提取法共提取30個特征，并去除重復(fù)的特征，剩余合計23個特征（表1）。對剩余的23個組學(xué)特征進行相關(guān)性分析（圖1），將相關(guān)性|r|＞0.6的特征刪去。最終獲得6個特征見表2。

圖1 23個重要的組學(xué)特征的自相關(guān)性和交叉相關(guān)性相關(guān)圖

正態(tài)性檢驗結(jié)果：S（3，0）lnvDfMom不遵循正態(tài)分布，其余均遵循正態(tài)分布。進一步統(tǒng)計分析發(fā)現(xiàn)，兩組間Teta2和S（1，0）Entrop差異有統(tǒng)計學(xué)意義（P＜0.05）。而兩組間S（3，0）lnvDfMom、S（2，0）SumAverage、S（1，1）SumAverage及GrMean差異均無統(tǒng)計學(xué)意義（P＞0.05，表2）。

表2 胰腺癌惡性程度的組學(xué)特征比較

2.2 模型建立

ROC曲線分析顯示（圖2），以S（1，0）Entropy=1 258.87為閾值時，其鑒別胰腺癌惡性程度的效能最優(yōu)（AUC為0.70，靈敏度為83.33%，特異度為61.90%）。而以Teta2=0.36為閾值時，AUC達到最大（AUC=0.68），靈敏度和特異度分別為83.33%和57.14%。聯(lián)合特征Teta2+S（1，0）Entropy時AUC為0.74，靈敏度83.33%，特異度71.43%。聯(lián)合腫瘤標志物CA19-9時AUC為0.82，其對應(yīng)的靈敏度和特異度分別為72.22%和85.71%。

圖2 鑒別胰腺癌分化程度的ROC曲線

2.3 獨立隊列驗證

在驗證組中，從訓(xùn)練隊列中篩選出的紋理特征［Teta2和S（1，0）Entropy］聯(lián)合CA19-9后，AUC為0.78，靈敏度為66.67%，特異度為80.95%。

3 討 論

本研究發(fā)現(xiàn)Teta2和S（1，0）Entropy在鑒別胰腺癌惡性程度方面顯示出一定的價值，且這兩個影像組學(xué)特征聯(lián)合可以獲得較單一特征更優(yōu)的鑒別能力。本實驗在此基礎(chǔ)上，還加入了胰腺癌的經(jīng)典血清學(xué)指標CA19-9，結(jié)果顯示影像組學(xué)+血清學(xué)指標的診斷模型具有更好的診斷效能。本研究結(jié)果表明，臨床-影像組學(xué)診斷模型有潛力作為術(shù)前預(yù)測胰腺癌分化程度的臨床工具。

本研究提取共計279個特征，采用多種方法對特征進行降維，最終發(fā)現(xiàn)特征Teta2和S（1，0）Entropy在兩組間差異有統(tǒng)計學(xué)意義。S（1，0）Entropy描述病灶內(nèi)的紊亂程度，代表腫瘤的異質(zhì)性。于浩鵬等［17］發(fā)現(xiàn)熵（GLCMEntropy_AllDirection_offset7_SD）在胰腺神經(jīng)內(nèi)分泌腫瘤的病理學(xué)分級中同樣差異有統(tǒng)計學(xué)意義，AUC為0.715。而Teta2則是一個來自自回歸模型的高階特征，可提供關(guān)于相鄰像素之間相對于其灰度值的局部交互的信息。張永嫦等［18］通過對乏血供胰腺神經(jīng)內(nèi)分泌腫瘤（pancreatic neuroendocrine neoplasm，pNEN）和胰腺導(dǎo)管腺癌（pancreatic ductal adenocarcinoma，PDAC）的CT圖像進行紋理分析，證實了紋理特征Teta2具有較高的診斷效能。上述文獻皆與本研究結(jié)論相一致。

本研究建立了一種用于術(shù)前個體化預(yù)測胰腺癌分化程度的臨床-影像組學(xué)模型，該模型由腫瘤指標（CA19-9）和影像組學(xué)特征構(gòu)成。既往基于影像組學(xué)或紋理分析對胰腺癌的分級研究已經(jīng)獲得了較為豐富的成果。Choi等［19］基于CT增強掃描采用紋理分析對pNEN進行分級鑒別，證明低球度、高偏度、低峰度等CT紋理特征在診斷2/3級pNEN時較常規(guī)的影像學(xué)指標更有診斷優(yōu)勢。D’Onofrio等［20］基于CT三圍紋理特征對pNEN進行分級鑒別診斷，結(jié)果表明峰度和熵這兩種特征可以大大提高對pNEN的鑒別準確度。上述研究均基于單純的影像學(xué)建立診斷模型，并未結(jié)合臨床指標。而本研究的臨床-影像組學(xué)模型嘗試實現(xiàn)對患者的個體化預(yù)測，這符合當(dāng)前個體化精準醫(yī)療的趨勢。

本實驗的挑戰(zhàn)之一是對大量冗雜可用特征進行篩選，事實上過多的特征不僅增加運算量還會增加獲取重要特征的難度。首先通過軟件自帶的3種降維方法挑選出30個重要特征，并去除重復(fù)的特征，剩余23個。文獻［21］報告不同特征之間存在多重復(fù)雜性，因此再進行共線性檢查去除|r|＞0.6的高共線性特征。與傳統(tǒng)的單一降維方法相比，多步驟聯(lián)合的降維方法有更好的可視化效果，且創(chuàng)新性地將傳統(tǒng)降維方法與統(tǒng)計學(xué)方法結(jié)合，以得到更好的降維效果［22］。

本實驗存在一定的局限性：① 本研究由兩個相對較小的樣本量隊列組成。雖然影像組學(xué)的診斷性能是在一個相對獨立的隊列中被重復(fù)，但本研究中所做的觀察需要在更大的樣本量的研究中被復(fù)制；② 不同的CT參數(shù)對組學(xué)特征的影響還有待進一步探索；③ 胰腺癌ROI的勾畫采用手動勾畫，后續(xù)研究將采取結(jié)合深度學(xué)習(xí)的方法實現(xiàn)自動化分割；④ 本研究結(jié)果來自于單一機構(gòu)，因此需要多中心研究以明確模型的通用性。

綜上所述，本研究建立了一個聯(lián)合臨床經(jīng)典指標和影像組學(xué)特征的臨床-影像組學(xué)診斷模型，可作為術(shù)前個體化無創(chuàng)性預(yù)測胰腺癌惡性程度的臨床工具，有助于作出胰腺癌精準治療的決策。