彭錚堃 彭 云 吳娜珊吳若岱,*

1.深圳大學(xué)總醫(yī)院影像科 (廣東 深圳 518000)

2.南昌大學(xué)第二附屬醫(yī)院影像科(江西 南昌 330006)

隨著檢查技術(shù)的高速發(fā)展，甲狀腺癌的檢出率日漸升高[1]，該疾病以結(jié)節(jié)形式存在，無特異性影像征象，需與結(jié)節(jié)性甲狀腺腫及腺瘤等良性結(jié)節(jié)進行鑒別。與良性結(jié)節(jié)不同，甲狀腺癌的常規(guī)治療方式為手術(shù)切除，漏診或誤診將延誤治療，可能引起腺外侵犯，導(dǎo)致淋巴結(jié)及肺等部位的轉(zhuǎn)移[2]。病理穿刺作為術(shù)前診斷的“金標(biāo)準(zhǔn)”，為有創(chuàng)性檢查，亦不適用于常規(guī)隨訪，尋求甲狀腺結(jié)節(jié)良惡性鑒別的無創(chuàng)性指標(biāo)對治療策略選擇很有必要[3]。CT是甲狀腺病變評估的重要方法，通過對病灶多種CT影像特征進行聯(lián)合分析，能夠?qū)α紣盒越Y(jié)節(jié)進行鑒別，但醫(yī)師影像評估過程存在一定主觀性，易受經(jīng)驗影響?；叶戎狈綀D是紋理分析的基本方法之一，該技術(shù)可對病灶影像圖像的灰度均值、范圍、峰度分布等進行量化，客觀反映病灶細微及整體特點，能夠應(yīng)用于良惡性腫瘤的鑒別[4]。本研究旨在聯(lián)合甲狀腺結(jié)節(jié)CT影像特征及灰度直方圖特征，建立影像及紋理聯(lián)合模型并與單純影像模型效能比較，探討紋理分析在甲狀腺良惡性結(jié)節(jié)中的輔助診斷價值。

1 資料與方法

1.1 一般資料回顧性分析2018年6月至2021年2月深圳大學(xué)總醫(yī)院及南昌大學(xué)第二附屬醫(yī)院行甲狀腺CT平掃及增強掃描、經(jīng)手術(shù)病理證實明確病變類型的甲狀腺結(jié)節(jié)患者。排除標(biāo)準(zhǔn)：CT掃描前進行手術(shù)、藥物及放療等甲狀腺相關(guān)治療；因移動或金屬偽影等導(dǎo)致CT圖像質(zhì)量不佳。最后納入110例患者的125個甲狀腺結(jié)節(jié)，將甲狀腺癌分為惡性結(jié)節(jié)組，甲狀腺腫及腺瘤分為良性結(jié)節(jié)組。

1.2 CT掃描及導(dǎo)出對納入患者的頸部平掃及增強CT圖像進一步分析。所有CT掃描在兩臺西門子CT機器(SOMATOM Difinition Flash及SOMATOM Force CT)中進行。掃描時囑患者仰臥，充分仰伸頭部，檢查過程中禁止吞咽或移動；掃描范圍自鼻咽至胸骨上緣水平。參數(shù)：球管電壓120kV，自動管電流，掃描層距5mm，層厚5mm。平掃后使用高壓注射器按照3.5mL/s流率經(jīng)肘靜脈團注，注射對比劑碘克沙醇注射液，在開始注射后20~25s，40~45s依次行雙期掃描[5]。

1.3 圖像分析

1.3.1 影像特征 由2名分別具有6年及8年工作經(jīng)驗的影像科醫(yī)師獨立閱片，對每個結(jié)節(jié)是否鈣化、平掃密度是否均勻、有無囊變、有無包膜、有無周圍異常淋巴結(jié)(含短徑>10mm、合并鈣化、合并囊變、明顯不均勻強化任意一種即為異常)、有無甲狀腺邊緣“中斷”征(“咬餅”征)、增強后病灶邊緣是否清晰共7個影像特征進行評估。意見不同時經(jīng)討論達成一致。

1.3.2 紋理特征 將CT圖像以DICOM格式導(dǎo)出，保持其窗寬、窗位(分別為250HU、60HU)一致，轉(zhuǎn)換為BMP格式。采用Mazda軟件(Version 4.6)對甲狀腺結(jié)節(jié)紋理特征進行提取。由1名影像科醫(yī)師(5年工作經(jīng)驗)對所納入甲狀腺結(jié)節(jié)感興趣區(qū)(ROI)進行勾畫，勾畫方法為選擇病灶最大層面，結(jié)合平掃、動脈及靜脈期三期圖像確定病灶范圍后，在平掃圖像中沿病灶邊緣進行勾畫，將ROI復(fù)制到動脈及靜脈期相同層面上。每個ROI生成均值(Mean)、方差(Variance)、峰度(Kurtosis)、偏度(Skewness)和第1、10、50、90、99百分位數(shù)(Pere.1%、Pere.10%、Pere.50%、Pere.90%、Pere.99%)共9個灰度直方圖參數(shù)，最終每個結(jié)節(jié)3個期相共獲得27個參數(shù)。

1.4 統(tǒng)計學(xué)方法所有統(tǒng)計均在SPSS(Version 19.0)及Medcalc(Version 18.11.3)軟件中進行。對影像特征，首選采用χ2檢驗以篩選兩組間有差異的特征，進一步采用二元Logistic回歸向前步進(條件)法構(gòu)建多參數(shù)影像特征模型。對于紋理特征，首先以Kolmogorov-Smirnov檢驗評估是否為正態(tài)分布，再采用獨立樣本t檢驗(正態(tài)分布)及Mann-Whitney秩和檢驗(非正態(tài)分布)篩選兩組間有差異的特征，并進一步使用pearson相關(guān)分析(以r值0.8作為閾值)對特征進行降維，最后對剩余特征進行受試者工作特征曲線(receiver operating characteristic curve，ROC)分析，獲得相應(yīng)ROC曲線下面積(area under the ROC curve，AUC)。為評估影像及紋理特征聯(lián)合模型效能，采用AUC最高的紋理特征結(jié)合構(gòu)建回歸模型的影像特征共同建立Logistic聯(lián)合模型，獲得模型相應(yīng)AUC、靈敏度及特異度。

2 結(jié) 果

2.1 病例基本資料最后納入110例患者的125個甲狀腺結(jié)節(jié)，平均年齡(49.98±14.64)歲，年齡范圍22~82歲。其中良性組患者58例(男6例，女52例)，結(jié)節(jié)66個，其中結(jié)節(jié)性甲狀腺腫61個(92.42%)，腺瘤5個(7.58%)。惡性組患者52例(男15例，女37例)，結(jié)節(jié)59個，其中乳頭狀癌57個(96.61%)，髓樣癌2個(3.39%)。

2.2 影像特征篩選χ2檢驗結(jié)果表明，7個特征中，良惡性結(jié)節(jié)的平掃密度是否均勻及有無鈣化無明顯差異，而是否囊變、有無包膜、有無“咬餅”征、增強后邊界模糊、有無異常淋巴結(jié)5個影像征象有差異(表1)，且無囊變、有包膜、有“咬餅”征、增強后邊界模糊及含異常淋巴結(jié)均提示惡性結(jié)節(jié)(圖1~圖2)。

表1 甲狀腺結(jié)節(jié)影像特征對比結(jié)果(例)

圖1 女性，59歲，甲狀腺右側(cè)葉見類圓形低密度結(jié)節(jié)影，平掃(圖1A)密度尚均勻，增強后動脈期(圖1B)及靜脈期(圖1C)均呈明顯不均強化，邊界清晰，可見包膜，甲狀腺邊緣完整，圖1D為病灶ROI。圖2 女性，57歲，甲狀腺右側(cè)葉見類圓形低密度結(jié)節(jié)影，平掃(圖2A)密度尚均勻，增強后動脈期(圖2B)及靜脈期(圖2C)均呈明顯不均強化，邊界不清，局部邊緣中斷，見“咬餅”征，圖2D為病灶ROI。

2.3 紋理特征篩選經(jīng)過篩選及降維，最終獲取第1百分位數(shù)(Perc.01%1)，動脈期第1百分位數(shù)(Perc.01%2)、第50百分位數(shù)(Perc.50%2)、方差(Variance2)及靜脈期方差(Variance3)5個良惡性結(jié)節(jié)具有差異的特征(表2)，其鑒別良惡性結(jié)節(jié)的AUC依次為0.671、0.663、0.611、0.610及0.696。

表2 甲狀腺良、惡性結(jié)節(jié)紋理特征對比

2.4 單純影像及聯(lián)合模型效能Logistic回歸向前步進法篩選出“咬餅”征、增強后邊界模糊及異常淋巴結(jié)3個影像征象作為影像模型自變量，且均為獨立危險因素(OR值依次為6.72、5.32及5.24)，由此構(gòu)建的影像模型AUC為0.821，靈敏度為66.10%，特異度為81.82%。影像及紋理特征聯(lián)合模型的建立以上述3個影像特征及Variance3 1個紋理特征作為自變量，所得模型的AUC為0.845，靈敏度為 76.27%、特異度為83.33%。聯(lián)合模型的AUC、靈敏度及特異度均高于影像模型。

3 討 論

本研究通過對甲狀腺結(jié)節(jié)CT影像及紋理特征分析，發(fā)現(xiàn)紋理特征與結(jié)節(jié)良惡性有一定聯(lián)系，影像特征Logistic回歸模型可較好的對甲狀腺良惡性結(jié)節(jié)進行鑒別，在結(jié)合紋理特征后，聯(lián)合模型AUC及靈敏度均高于單純影像模型。

本研究發(fā)現(xiàn)良、惡性病灶在是否囊變、有無包膜、有無“咬餅”征、增強后邊界模糊與否及有無異常淋巴結(jié)5個特征上均有差異，其中后3種征象在Logistic模型向前逐步回歸法中被篩選納入，提示“咬餅”征、增強后邊界模糊及含異常淋巴結(jié)均為甲狀腺癌的獨立危險因素?！耙э炚鳌奔霸鰪姾筮吔缒：c甲狀腺癌灶侵襲性生長的方式密切相關(guān)，且當(dāng)結(jié)節(jié)發(fā)生在甲狀腺邊緣或鄰近包膜時，癌腫侵犯包膜，甲狀腺正常邊緣被破壞從而出現(xiàn)“咬餅”征[6]。而頸部異常淋巴結(jié)常見于炎性及腫瘤性病變中，由于甲狀腺乳頭狀癌為親淋巴性腫瘤，部分患者在腫瘤確診時即合并有淋巴結(jié)轉(zhuǎn)移，是腫瘤的重要征象之一[7]。

紋理分析能夠提取圖像中肉眼無法識別的紋理特征，反映病灶的微結(jié)構(gòu)特征從而評估病變組織的異質(zhì)性，已廣泛應(yīng)用于腫瘤學(xué)[8-10]。本研究提取甲狀腺結(jié)節(jié)3個期相的灰度直方圖參數(shù)，篩選出5個代表性參數(shù)，分別為Perc.01%1、Perc.01%2、Perc.50%2、Variance2及Variance3，ROC分析表明這些參數(shù)均能夠一定程度上輔助鑒別良惡性結(jié)節(jié)，與Guo等[11]基于增強CT紋理分析對甲狀腺病變分析的結(jié)果較為一致。其中，Perc表明觀測值中低于給定百分位數(shù)的數(shù)值，甲狀腺癌的此3個參數(shù)均高于良性結(jié)節(jié)，提示甲狀腺癌病灶無論是在整體還是局部的灰度強度均高于良性結(jié)節(jié)，這可能與甲狀腺癌實性多于腺瘤及結(jié)節(jié)性甲狀腺腫有關(guān)，符合本研究中良性結(jié)節(jié)囊變幾率高于惡性的影像特征。Variance2及Variance3分別代表動脈期及靜脈期病灶圖像灰度的離散程度，癌性結(jié)節(jié)兩個期相Variance均低于良性結(jié)節(jié)，這可能與前者實性成分較良性結(jié)節(jié)更多，后者常見囊變并且分布不規(guī)則從而導(dǎo)致灰度分布不均勻有關(guān)。除CT外，亦有研究對超聲圖像的紋理特征進行提取并建立模型，發(fā)現(xiàn)該技術(shù)同樣可以對甲狀腺良惡性結(jié)節(jié)進行評估[12-13]，同樣證實紋理特征在甲狀腺評估中的有效性。

近年來，有研究開始將影像特征及紋理特征進行結(jié)合，發(fā)現(xiàn)二者共同建立的聯(lián)合模型能提供更多信息從而提高效能[14]。本研究分別構(gòu)建了單純影像及聯(lián)合Logistic回歸模型，發(fā)現(xiàn)聯(lián)合模型效能高于單純影像模型，亦高于部分其他研究中甲狀腺結(jié)節(jié)鑒別影像模型效能[6]，提示聯(lián)合模型在良惡性結(jié)節(jié)的鑒別中具有一定優(yōu)越性，這與本研究所設(shè)想的較為一致?；貧w模型中的影像特征可代表病灶形態(tài)學(xué)及血液動力學(xué)的整體特點，紋理參數(shù)主要反映病灶的微結(jié)構(gòu)特征。在影像特征的基礎(chǔ)上加入紋理特征后，聯(lián)合模型可綜合二者優(yōu)點同時對病灶整體及微結(jié)構(gòu)進行判定，因而AUC、靈敏度及特異度均增高。

本研究有一定局限性：(1)雖然結(jié)節(jié)性甲狀腺腫及乳頭狀癌分別占良、惡性結(jié)節(jié)的大部分，但良性組及惡性組均包含了數(shù)種不同亞型，可能會對所建立模型的準(zhǔn)確度有一定影響；(2)部分病理結(jié)果來自于穿刺活檢取材，不能避免穿刺漏診可能。

基于平掃及增強CT紋理及影像特征的聯(lián)合模型較單純影像模型對結(jié)節(jié)良惡性的鑒別效能更強，對隨訪或術(shù)前無創(chuàng)性甲狀腺結(jié)節(jié)評估有一定價值。