何穎 周顯軍 陳鑫 朱呈瞻 董蒨

(青島大學(xué)附屬醫(yī)院，山東 青島 266003 1 小兒外科； 2 肝膽胰外科)

肝細胞癌是常見的原發(fā)性肝臟腫瘤,占肝臟惡性腫瘤的75%～85%[1-2]，肝細胞癌患者術(shù)后復(fù)發(fā)率高,預(yù)后較差[3-4]。微血管侵犯是影響肝癌患者術(shù)后早期復(fù)發(fā)和長期生存的重要因素[5-6]。因此，術(shù)前預(yù)測微血管侵犯情況對肝細胞癌患者治療決策的選擇及綜合預(yù)后評估有重要的臨床價值。但術(shù)前不能通過影像學(xué)檢查直接檢測到肝癌微血管侵犯情況，并且微血管侵犯術(shù)前病理活檢的效果也不盡人意，從而限制術(shù)前對肝癌患者微血管侵犯情況的評估。

在腫瘤學(xué)領(lǐng)域，影像組學(xué)正在成為預(yù)測腫瘤異質(zhì)性的重要工具，利用影像組學(xué)，可將傳統(tǒng)醫(yī)學(xué)圖像轉(zhuǎn)化為高維、定量和可開發(fā)的圖像數(shù)據(jù)，從而建立腫瘤預(yù)測模型來定量描述腫瘤表型和腫瘤微環(huán)境[7-8]。研究表明，影像組學(xué)在評估肝細胞癌患者的總生存期、腫瘤復(fù)發(fā)以及治療反應(yīng)等方面具有重要的應(yīng)用價值[9-10]。目前，影像組學(xué)已成功應(yīng)用于鼻咽癌、非小細胞肺癌和直腸癌等腫瘤的研究[11-13]。最近的研究表明，基于增強CT的影像組學(xué)模型可以高效、無創(chuàng)地預(yù)測微血管侵犯情況，為肝癌患者術(shù)前是否存在微血管侵犯的明確診斷提供了可靠的依據(jù)[14-15]。本研究旨在建立并評估基于CT影像紋理特征的影像組學(xué)列線圖，以預(yù)測肝細胞癌患者術(shù)前微血管侵犯發(fā)生情況。

1 資料與方法

1.1 資料來源

選取2013年1月—2018年12月于我院肝膽胰外科接受肝切除術(shù)的271例肝細胞癌患者的臨床資料?；颊呒{入標準：①術(shù)后病理學(xué)檢查證實肝細胞癌的患者；②肝切除術(shù)前2周行上腹部CT增強掃描檢查，掃描范圍從肝臟的頂部到雙腎下緣的患者?；颊吲懦龢藴剩孩?CT圖像質(zhì)量差，無法識別或圖像缺如的患者；②術(shù)前行其他抗腫瘤治療的患者；③CT影像特征提取過程中存在誤差的患者。患者按照3∶1的比例隨機分為訓(xùn)練組(n=203)和驗證組(n=68)兩組，訓(xùn)練組用于建模，驗證組進行模型預(yù)測效能的評估。患者的一般資料見表1，組間一般資料比較差異均無顯著性(P>0.05)。

1.2 圖像分割

患者均使用CT(德國西門子，美國GE醫(yī)療)檢查獲得上腹部的三期增強掃描圖像。掃描范圍從肝臟的頂部到雙腎的下緣。掃描參數(shù)設(shè)置為：電壓120 kV，電流200～350 mA，掃描層厚5 mm，層間距5 mm，矩陣512×512。

由兩名具有10年以上工作經(jīng)驗的放射科醫(yī)師使用ITK-SNAP(版本3.6.0. http://www.itksnap.org)對納入患者的CT圖像中動脈期、靜脈期、延遲期腫瘤區(qū)域進行分割勾畫。2周后，由其中一名放射科醫(yī)生隨機選取50例肝細胞癌患者，再次勾畫ROI，評估ROI的組內(nèi)差異。另一名放射科醫(yī)生對隨機選取的50例肝細胞癌患者獨立進行腫瘤區(qū)域繪制，以評估腫瘤區(qū)域的組間差異。當觀察者內(nèi)部和觀察者之間繪制腫瘤的組間差異值和組內(nèi)差異值均超過0.75時，認為該特征具有良好一致性。

1.3 影像組學(xué)特征預(yù)處理和提取

使用3D Slicer軟件(版本：v.4.10.2 https://www.slicer.org/)中的radiomics包進行圖像預(yù)處理以及特征提取。影像組學(xué)特征主要包括一階統(tǒng)計特征(Firstorder)、形狀形態(tài)特征(Shape)、基于灰度共生矩陣的特征(GLCM)、鄰域灰度差值矩陣特征(NGTDM)、灰度游程矩陣特征(GLRLM)、灰度大小區(qū)域矩陣特征(GLSZM)、基于灰度依賴矩陣特征(GLDM)以及小波和拉普拉斯變化(Log)。

1.4 影像組學(xué)特征篩選和影像組學(xué)特征評分計算

使用最小冗余最大相關(guān)算法和最小絕對收縮和選擇算子算法對影像組學(xué)特征進行降維篩選，選擇出具有最佳鑒別價值的影像組學(xué)特征計算影像組學(xué)特征評分。

1.5 預(yù)測模型建立以及性能評價

基于影像組學(xué)特征評分構(gòu)建影像學(xué)模型，將多因素分析獲得的有差異的臨床危險因素構(gòu)建臨床模型，通過Logistic多元回歸分析構(gòu)建聯(lián)合臨床危險因素和影像組學(xué)特征評分的聯(lián)合模型,并繪制聯(lián)合模型訓(xùn)練組的列線圖。通過ROC曲線分析評價臨床模型、影像學(xué)模型、聯(lián)合模型這3個模型在訓(xùn)練組和驗證組中預(yù)測肝癌微血管侵犯的效能，計算相應(yīng)曲線下面積(AUC)以及95%CI、靈敏度、特異度。繪制校準曲線和決策曲線。通過Delong檢驗比較各個模型預(yù)測效能差異是否具有統(tǒng)計學(xué)意義。

1.6 統(tǒng)計學(xué)分析

使用Python 3.8(https://www.python.org/)進行統(tǒng)計學(xué)分析，連續(xù)變量以M(P25,P75)表示，分類變量以百分比(χ/%)表示。連續(xù)變量使用Mann-WhitneyU檢驗。分類變量使用卡方檢驗或Fisher精確檢驗。使用R語言的“RMS”和“RMDA”軟件包分別獲得列線圖和決策曲線。以P<0.05為差異具有顯著性。

2 結(jié) 果

2.1 影像組學(xué)特征選擇和評分的計算

從肝臟腫瘤分割區(qū)域中動脈期、靜脈期、延遲期每一期分別提取到1 130個特征，采用最小冗余最大相關(guān)算法和最小絕對收縮和選擇算子算法對所提取的影像學(xué)特征進行特征選擇，最終獲得16個影像組學(xué)特征并計算相應(yīng)評分。

表1 兩組患者的一般資料比較

影像組學(xué)特征評分=log-sigma-0-5-mm-3D_GLRLM_RunLengthNonUniformityNormalized×-7.421e-1+wavelet-LHL_GLSZM_LargeAreaEmphasis×1.279e-9+wavelet-HLH_GLSZM_LargeAreaHighGrayLevelEmphasis×1.286e-13+wavelet-HHH_Firstorder_Variance×1.174e-2+wavelet-HHL_GLDM_LowGrayLevelEmphasis×-4.336e-2+V_original_Shape_Elongation×-1.198e-1+wavelet-LHL_NGTDM_Busyness×3.707e-5+wavelet-LLH_GLSZM_SizeZoneNonUniformity×1.720e-4+wavelet-HHL_GLSZM_LargeAreaLowGrayLevelEmphasis×2.411e-10+wavelet-HLL_GLCM_InverseVariance×-2.736e-1+wavelet-HLL_GLSZM_ZoneVariance×2.971e-10+D_wavelet-LHL_GLRLM_LongRunEmphasis×3.142e-3+wavelet-LHH_GLCM_Imc×2.124+waveletLLL_GLDM_LargeDependenceLow-GrayLevelEmphasis×-1.276e-3+wavelet-LLL_GLCM_JointEnergy×-7.959e-1+original_GLRLM_LongRunLowGrayLevelEmphasis×-7.867e-3+1.037

2.2 影像學(xué)模型、臨床模型和聯(lián)合模型的建立及性能評價

對訓(xùn)練組影像組學(xué)特征評分和臨床因素進行單因素二元回歸分析顯示，BMI、腫瘤直徑、乙肝表面抗原、甲胎蛋白、血小板/淋巴細胞、影像組學(xué)特征評分與微血管侵犯的發(fā)生相關(guān)(P<0.05)。多因素二元回歸分析結(jié)果顯示，影像組學(xué)特征評分、腫瘤直徑、甲胎蛋白為肝癌微血管侵犯發(fā)生的獨立預(yù)測因子(P<0.05)。見表2。

表2 訓(xùn)練組的臨床危險因素和影像組學(xué)特征評分的單因素和多因素回歸分析

在訓(xùn)練組中，聯(lián)合模型的列線圖如圖1A所示,聯(lián)合模型的AUC為0.80(95%CI=0.75～0.85)，特異度為0.84，靈敏度為0.69；臨床模型的AUC為0.72(95%CI=0.67～0.77)，特異度為0.86，靈敏度為0.59；影像學(xué)模型的AUC為0.71(95%CI=0.65～0.77)，特異度為0.84，靈敏度為0.52。見圖1B。聯(lián)合模型預(yù)測微血管是否侵犯效能顯著優(yōu)于影像學(xué)模型(Z=-3.18，P<0.05)和臨床模型(Z=3.70，P<0.05)，臨床模型的預(yù)測效能與影像學(xué)模型無顯著差異(P>0.05)。

驗證組的ROC曲線顯示，聯(lián)合模型的AUC為0.75(95%CI=0.65～0.85)，特異度為0.81，靈敏度為0.59；臨床模型的AUC為0.70(95%CI=0.60～0.78)，特異度為0.83，靈敏度為0.56；影像學(xué)模型的AUC為0.62(95%CI=0.50～0.74)，特異度為0.78，靈敏度為0.47。結(jié)果見圖1C。聯(lián)合模型的預(yù)測效能與影像學(xué)模型和臨床模型相比較差異均無顯著的統(tǒng)計學(xué)意義(P>0.05)。同樣的臨床模型的預(yù)測效能與影像學(xué)模型相比較差異沒有顯著的統(tǒng)計學(xué)意義(P>0.05)。

A為聯(lián)合模型訓(xùn)練組的列線圖，B、C分別為訓(xùn)練組和驗證組中影像學(xué)模型、臨床模型、聯(lián)合模型預(yù)測微血管侵犯效能的ROC曲線

訓(xùn)練組和驗證組的校準曲線顯示出良好的一致性(圖2A、B)。決策曲線分析表明，加入影像組學(xué)特征評分之后的列線圖模型臨床應(yīng)用價值高于影像學(xué)模型和臨床模型(圖2C、D)。

A：訓(xùn)練組校準曲線，B：驗證組校準曲線，C：訓(xùn)練組決策曲線，D：驗證組決策曲線

3 討 論

影像組學(xué)研究的重點是通過使用計算機算法提取大量定量特征來分析圖像特征，這些特征可以提高醫(yī)學(xué)圖像的預(yù)測性能。本研究使用最小冗余最大相關(guān)算法和最小絕對收縮和選擇算子算法兩種特征選擇方法識別出最強的特征。同時使用十倍交叉驗證減少模型過擬合。最小冗余最大相關(guān)算法和最小絕對收縮和選擇算子算法能夠適用于在相對小的樣本容量下分析大量的影像組學(xué)特征集，并避免過擬合，從而有助于減少數(shù)據(jù)噪聲的干擾。該技術(shù)在臨床的多項研究均有應(yīng)用[16-17]。

本研究最終選擇了與微血管侵犯相關(guān)性最強的特征計算影像組學(xué)特征評分，構(gòu)建邏輯回歸模型并優(yōu)化，結(jié)果顯示影像學(xué)模型的訓(xùn)練組AUC為0.71，驗證組AUC為0.62，提示影像組學(xué)特征評分具有預(yù)測肝癌微血管侵犯的能力。同時，在單因素和多因素回歸分析中，影像組學(xué)特征評分均P<0.05，表明影像組學(xué)特征評分具有顯著的獨立預(yù)測肝癌微血管是否侵犯的能力，與之前的研究結(jié)果一致[18]。影像學(xué)研究表明微血管侵犯與許多因素密切相關(guān)，包括腫瘤體積大小、腫瘤數(shù)目、腫瘤邊緣不光滑、組織學(xué)病理分級、腫瘤的大體分類、瘤周強化等[19-21]。本研究中在將單因素結(jié)果中P<0.05的臨床因素納入多因素回歸分析后，結(jié)果顯示腫瘤直徑、甲胎蛋白和影像組學(xué)特征評分具有獨立預(yù)測肝癌微血管侵犯的能力。本研究顯示，腫瘤直徑有意義的截斷值為5 cm，甲胎蛋白有意義的截斷值為200 μg/L，也與之前的研究結(jié)果一致[19-21]。LEI等[22]在米蘭標準下建立了具有代表性的動態(tài)磁共振成像特征的列線圖模型，預(yù)測乙肝病毒相關(guān)性肝細胞癌患者微血管侵犯的發(fā)生情況，該模型包括腫瘤直徑、數(shù)量、血管狀況、血清甲胎蛋白水平、血小板水平、乙肝病毒核酸載量等危險因素，結(jié)果顯示了令人滿意的預(yù)測效率，其AUC在訓(xùn)練組中為0.81，在驗證組中為0.80。

本研究中，無論是在訓(xùn)練組還是在驗證組，結(jié)合影像組學(xué)特征評分、腫瘤直徑和甲胎蛋白建立的聯(lián)合模型在回歸模型中AUC表現(xiàn)均優(yōu)于影像組學(xué)評分模型和臨床模型；臨床模型對微血管侵犯預(yù)測能力和影像學(xué)模型并無明顯差異；最后繪制校正曲線對模型性能進行評價，計算得到預(yù)測模型的均方誤差為0.018，評價結(jié)果顯示模型預(yù)測性能較好，表明影像組學(xué)方法對預(yù)測肝癌微血管侵犯具有一定效能。根據(jù)決策曲線對患者的臨床凈獲益進行分析，顯示當閾概率在0.10～0.75時，患者的臨床模型和聯(lián)合模型凈獲益均較高，表明模型的安全性較好。

目前CT和MRI等影像學(xué)工具已經(jīng)被證實具有診斷或者預(yù)測肝癌微血管侵犯的作用[23-25]，也說明影像組學(xué)方法具有穩(wěn)定性和可重復(fù)性的特點。本研究采用影像組學(xué)的方法，對肝癌患者微血管侵犯狀況進行術(shù)前的無創(chuàng)預(yù)測，但是本研究仍有很多不足之處：①本研究為單中心研究。雖然所有CT圖像都是使用統(tǒng)一的掃描儀和標準化的圖像采集序列獲得的，但為了減少結(jié)果的偏差和方差，并提高模型的穩(wěn)健性，還需要進一步確認來自其他機構(gòu)患者的數(shù)據(jù)。②本研究采用的是手工方式繪制二維ROI，比較費時，也不便于臨床應(yīng)用，因此，實現(xiàn)影像病變區(qū)域分割的智能化將是影像組學(xué)未來研究的重點內(nèi)容。③影像組學(xué)特征和生物學(xué)行為之間的復(fù)雜聯(lián)系很難完全闡釋清楚，或許將來可以借助影像基因組學(xué)相關(guān)指標特征，來進一步明確影像組學(xué)特征和生物學(xué)特性之間的潛在相關(guān)性。

綜上所述，本研究基于肝細胞癌患者術(shù)前CT影像的影像組學(xué)特征及相應(yīng)臨床危險因素，構(gòu)建肝細胞癌患者微血管狀況的預(yù)測模型，分析顯示該模型效能評價良好。

利益沖突聲明：所有作者聲明不存在利益沖突。

ConflictsofInterest： All authors disclose no relevant conflicts of interest.

倫理批準：本研究涉及的所有試驗均已通過青島大學(xué)附屬醫(yī)院醫(yī)學(xué)倫理委員會的審核批準(文件號QYFYWZLL26949)。

EthicsApproval： All experimental protocols in this study were reviewed and approved by The Medical Ethics Committee of The Affi-liated Hospital of Qingdao University (Approval Letter No.QYFYWZLL26949).

作者貢獻：董蒨、朱呈瞻、何穎參與了研究設(shè)計；何穎、周顯軍、陳鑫參與了論文的寫作和修改。所有作者均閱讀并同意發(fā)表該論文。

Contributions： The study was designed byDONGQian,ZHUChengzhan, andHEYing. The manuscript was drafted and revised byHEYing,ZHOUXianjun, andCHENXin. All the authors have read the last version of the paper and consented to submission.