張?zhí)炱?，王芊婷，李明洋，苗政，付宇，劉統(tǒng)

結(jié)直腸癌(colorectal cancer,CRC)是常見的高死亡率癌癥之一[1]，其中直腸癌患者約占27%～58%[2]。影響直腸癌預(yù)后的主要因素包括原發(fā)腫瘤分期、淋巴結(jié)轉(zhuǎn)移狀態(tài)、環(huán)周切緣狀態(tài)等[3]。我國結(jié)直腸癌診療指南及歐洲腫瘤學(xué)會(huì)直腸癌指南指出[4,5]，未突破肌層外(T1-T2期)與已突破肌層外(T3-T4期)的直腸癌應(yīng)采取不同的治療方案,對(duì)于未突破肌層外的直腸癌僅需切除原發(fā)腫瘤，保證足夠切緣，切除直腸系膜內(nèi)淋巴脂肪組織及可疑陽性的側(cè)方淋巴結(jié)；而已經(jīng)突破肌層外的直腸癌則應(yīng)擴(kuò)大切除范圍并進(jìn)行區(qū)域淋巴結(jié)清掃。因此，術(shù)前準(zhǔn)確鑒別直腸癌T1-T2期與T3-T4期，對(duì)制定患者個(gè)性化診療方案具有重要臨床意義。

影像組學(xué)作為圖像分析的一種新方法，目的是從傳統(tǒng)影像檢查所獲得的圖像數(shù)據(jù)中提取高通量的影像組學(xué)特征，并從中找到可以反映底層組織生物學(xué)信息的特征，通過分析和建模后達(dá)到預(yù)測(cè)患者臨床終點(diǎn)、病理類型、基因表達(dá)、腫瘤行為等目的[16]，建立了圖像與精準(zhǔn)醫(yī)療的“橋梁”。基于影像組學(xué)方法建立直腸癌精準(zhǔn)診斷模型已成為研究熱點(diǎn)之一[17,18]，為直腸癌的臨床診治決策提供了新的思路和方法。目前，基于IVIM功能圖像建立影像組學(xué)模型進(jìn)行術(shù)前直腸癌T分期方面的研究鮮有報(bào)道。因此，本研究擬建立基于術(shù)前IVIM功能圖像和高分辨T2WI圖像的多參數(shù)影像組學(xué)模型，旨在探討其對(duì)直腸癌術(shù)前T分期的預(yù)測(cè)價(jià)值。

材料與方法

1.研究對(duì)象

回顧性納入2019年1月至2020年1月共113例直腸癌患者。病例納入標(biāo)準(zhǔn)：①術(shù)前2周內(nèi)進(jìn)行了包含IVIM序列的高分辨率直腸MRI掃描；②術(shù)后病理結(jié)果證實(shí)為直腸癌。病例排除標(biāo)準(zhǔn)：①有其他腫瘤病史(2例)；②術(shù)前高分辨率MRI圖像質(zhì)量不佳(22例)；③術(shù)前行放療或化療(5例)；④臨床信息缺失(1例)。最終有83例患者納入本研究(T1:T2:T3:T4=6:16:47:14)，同時(shí)搜集患者臨床信息以進(jìn)行后續(xù)分析。將患者分為腫瘤未突破肌層外組(T1+T2)與腫瘤已突破肌層外(T3+T4)組，兩組比例為(T1+T2):(T3+T4)=22:61。本研究獲得我院倫理委員會(huì)的批準(zhǔn)，由于是回顧性研究，因而未進(jìn)行患者知情同意書的簽署。

2.MRI檢查方法

所有患者在檢查前禁食4 h以上，檢查前1 h使用開塞露清潔腸道。MRI檢查均采用3.0T MRI掃描儀(Discovery MR750，General Electric Company)，采用自旋回波序列，掃描參數(shù)： TR 2800 ms，TE 59.8 ms，層厚4.0 mm，層間距1.0 mm，矩陣256×256，視野34 cm×34 cm，翻轉(zhuǎn)角90°，b值分別取0、25、75、125、150、175、200、400、600、800、1000 s/mm2。

3.影像組學(xué)研究流程

圖1 根據(jù)美國癌癥聯(lián)合委員會(huì)(AJCC)的腫瘤分期系統(tǒng)(第八版)繪制的直腸癌T分期示意圖。Tis：原位癌，腫瘤只存在于上皮或固有層中，未侵及黏膜層；T1：腫瘤已侵及黏膜下層，但未侵及固有肌層；T2：腫瘤已侵及固有肌層，但未侵及漿膜下層；T3：腫瘤侵及漿膜下層，但未突破漿膜層；T4a：腫瘤突破漿膜層；T4b：腫瘤侵及鄰近器官或結(jié)構(gòu)。 圖2 病灶分割示意圖。a) 高分辨率T2WI序列病灶勾畫；b) DWI(b=1000s/mm2)序列病灶勾畫。

感興趣區(qū)的分割:由兩位放射科醫(yī)師(醫(yī)師A有4年腹部影像診斷經(jīng)驗(yàn)，醫(yī)師B有6年腹部影像診斷經(jīng)驗(yàn))對(duì)腫瘤原發(fā)灶進(jìn)行二維圖像的逐層勾畫，在勾畫圖像時(shí)兩位醫(yī)師對(duì)于患者最終的病理結(jié)果均不知曉。使用ITK-SNAP(V3.6.0，www.itksnap.org)軟件進(jìn)行感興趣區(qū)(regions of interest，ROI)勾畫，具體方法如下：①IVIM功能序列ROI勾畫：在DWI(b=1000 s/mm2)圖像上逐層沿腫瘤邊緣(高信號(hào))進(jìn)行勾畫，并將ROI映射到ADCmap、Dmap、fmap功能圖像中；②T2WI序列ROI勾畫：逐層勾畫腫瘤的輪廓(高或稍高信號(hào)，圖2)。

使用RIAS(www.riascloud.com)[19, 20]軟件進(jìn)行影像組學(xué)特征提取和分析建模，在ADCmap、Dmap、fmap、T2WI、DWI(b=1000 s/mm2)圖像中分別提取了1427個(gè)影像組學(xué)特征，最后每例患者的圖像都提取了7135個(gè)影像組學(xué)特征。提取所得的影像組學(xué)特征分為以下兩類：①基于特征類，包括一階統(tǒng)計(jì)量特征、形狀特征、紋理特征等；②基于過濾器類，包括小波變換、拉普拉斯變換、對(duì)數(shù)特征、指數(shù)特征、分形維數(shù)特征等。

通過對(duì)組內(nèi)相關(guān)系數(shù)(intra-class correlation coefficient,ICC)的計(jì)算來評(píng)估組學(xué)特征的穩(wěn)定性。從每個(gè)序列中隨機(jī)選擇20例患者用于ROI的穩(wěn)定性評(píng)價(jià)。采用觀察者內(nèi)ICC評(píng)估同一位醫(yī)師間隔一周的兩次分割計(jì)算的一致性，采用觀察者間ICC評(píng)估兩位醫(yī)生的第一次分割計(jì)算的一致性。當(dāng)ICC不低于0.75時(shí)，則認(rèn)為被分析的組學(xué)特征具有較好的再現(xiàn)性和可重復(fù)性。影像組學(xué)特征進(jìn)行特征篩選前，在訓(xùn)練組中進(jìn)行特征標(biāo)準(zhǔn)化后映射到驗(yàn)證組，以保證驗(yàn)證組特征的獨(dú)立。

特征篩選和模型的構(gòu)建:將上述單序列中的每組影像組學(xué)特征采用最小絕對(duì)收縮算子算法(least absolute shrinkage and selection operator，LASSO)進(jìn)行降維，以選擇對(duì)診斷直腸癌T分期最有價(jià)值的特征，得到T2WI序列特征11個(gè)、DWI序列特征7個(gè)、ADCmap序列特征32個(gè)、Dmap序列特征2個(gè)、fmap序列特征23個(gè)。隨機(jī)選取70%的病例作為訓(xùn)練組用于建立模型，剩下30%的病例作為驗(yàn)證組進(jìn)行模型驗(yàn)證。每個(gè)序列(T2WI、DWI、ADCmap、Dmap、fmap)均采用邏輯回歸(logistic regression，LR)作為機(jī)器學(xué)習(xí)模型，分別建立T分期預(yù)測(cè)的單序列R評(píng)分(單序列模型)。再將每個(gè)單序列降維后得到的影像組學(xué)特征進(jìn)行融合，再次使用LASSO進(jìn)行降維，最終得到多序列融合后的最有價(jià)值的影像組學(xué)特征32個(gè)，同樣采用邏輯回歸模型構(gòu)建多序列融合的T分期預(yù)測(cè)R評(píng)分(聯(lián)合模型)。

圖3 特征的篩選及評(píng)價(jià)。a)用10折交叉驗(yàn)證的方法尋找LASSO的超參數(shù)lambda, 模型偏差最低點(diǎn)對(duì)應(yīng)的橫坐標(biāo)為最優(yōu)的lambda值(虛線)； b)圖像每條彩色的線代表特征的系數(shù)隨lambda值的變化曲線，通過圖3a尋找到的lambda值(虛線)來確定系數(shù)不為0的參數(shù)，并將該參數(shù)用于最后的模型構(gòu)建；c)模型特征權(quán)重系數(shù)柱狀圖，表示每一個(gè)特征在邏輯回歸模型中的系數(shù)值，系數(shù)為負(fù)表示特征與模型負(fù)相關(guān)，系數(shù)為正表示特征與模型正相關(guān)，且系數(shù)絕對(duì)值越大，相關(guān)程度越大；d)SHAP圖中的每一個(gè)點(diǎn)可以反映出每一個(gè)樣本中代表特征對(duì)模型的貢獻(xiàn)程度。每個(gè)點(diǎn)代表1例患者(紅色為陽性，藍(lán)色為陰性)，SHAP value中0左側(cè)的點(diǎn)表示該患者所代表特征對(duì)模型影響為負(fù)，0右側(cè)的點(diǎn)表示該患者所代表特征對(duì)模型影響為正。

4.統(tǒng)計(jì)學(xué)分析

采用RIAS軟件進(jìn)行統(tǒng)計(jì)學(xué)分析。對(duì)于人口學(xué)信息中的數(shù)值變量首先進(jìn)行正態(tài)分布檢驗(yàn)，符合正態(tài)分布的數(shù)據(jù)采用t檢驗(yàn)進(jìn)行組間比較，而不符合正態(tài)分布的數(shù)據(jù)采用曼-惠特尼U檢驗(yàn)進(jìn)行組間比較。對(duì)于分類變量，均使用卡方檢驗(yàn)進(jìn)行組間比較。影像組學(xué)模型的診斷效能采用受試者工作特征(receiver operating characteristic,ROC)曲線、敏感度、特異度等共同評(píng)價(jià)。使用臨床決策(decision curve analysis,DCA)曲線評(píng)估影像組學(xué)模型的臨床應(yīng)用價(jià)值。以P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

結(jié) 果

患者的一般臨床信息及病理特征見表1。在訓(xùn)練組中(T1+T2)與(T3+T4)患者的所有臨床信息差異均無統(tǒng)計(jì)學(xué)意義(P>0.05)，但在驗(yàn)證組中CEA(P=0.049)及腫瘤原發(fā)灶位置(P=0.026)在(T1+T2)與(T3+T4)兩組間差異有統(tǒng)計(jì)學(xué)意義，筆者考慮這可能是由于驗(yàn)證組中患者量較少導(dǎo)致的偏倚，進(jìn)一步分析訓(xùn)練組與驗(yàn)證組間的各項(xiàng)臨床信息，結(jié)果顯示差異無統(tǒng)計(jì)學(xué)意義。

通過LASSO算法選擇單序列中預(yù)測(cè)價(jià)值最高的影像組學(xué)特征，再將每個(gè)單序列降維后得到的影像組學(xué)特征進(jìn)行融合，再次使用LASSO算法進(jìn)行降維，最終得到多序列中最有價(jià)值的影像組學(xué)特征32個(gè)，聯(lián)合模型特征的篩選過程及評(píng)價(jià)結(jié)果見圖3。

使用邏輯回歸方法建立聯(lián)合模型，聯(lián)合模型中所有患者的Rad評(píng)分及驗(yàn)證組中患者的Rad評(píng)分見圖4。在訓(xùn)練組及驗(yàn)證組中，分別繪制了高分辨率T2WI、DWI、ADCmap、Dmap、fmap各單序列模型及聯(lián)合模型的ROC曲線(圖5)，各模型訓(xùn)練組與驗(yàn)證組的敏感度、特異度、準(zhǔn)確率、F1分?jǐn)?shù)等見表2，其中聯(lián)合模型在驗(yàn)證組中的敏感度為0.810，特異度為0.750，準(zhǔn)確度為0.800，陽性預(yù)測(cè)值為0.944，F(xiàn)1分?jǐn)?shù)為0.872。

通過ROC曲線分析各模型預(yù)測(cè)T分期的效能(圖5)，其中聯(lián)合序列模型在驗(yàn)證組中的曲線下面積(area under curve，AUC)為0.929 (95%CI：0.78～1.00)，高于其他單序列模型的AUC，表明聯(lián)合模型的診斷效能高于其他單序列模型。DCA曲線顯示在0.61～1.0的閾值范圍內(nèi)(圖6)，聯(lián)合模型的凈收益較大。

討 論

直腸癌的發(fā)病率、死亡率均較高，給家庭和社會(huì)帶來沉重負(fù)擔(dān)[21]，術(shù)前對(duì)直腸癌進(jìn)行準(zhǔn)確的分期，制定個(gè)性化診療方案，對(duì)提高患者生存率、改善疾病預(yù)后、降低社會(huì)醫(yī)療負(fù)擔(dān)具有重要意義。相關(guān)指南推薦使用高分辨率MRI檢查用于直腸癌的分期[4]，但由于影像科醫(yī)生閱片經(jīng)驗(yàn)差異和圖像質(zhì)量等方面的原因，術(shù)前T分期診斷準(zhǔn)確性仍有待提高。影像組學(xué)方法從醫(yī)學(xué)影像中全面深入地挖掘高維度、深層次信息，分析影像特征與臨床數(shù)據(jù)等信息的關(guān)聯(lián)，以建立疾病的預(yù)測(cè)模型，進(jìn)一步深化了醫(yī)學(xué)影像檢查的臨床作用，作為一種非侵入的檢查手段，可以在一定程度上降低醫(yī)療成本，更有可能成為臨床決策輔助工具[22]。近年來，影像組學(xué)技術(shù)在結(jié)直腸癌診療中的應(yīng)用覆蓋了結(jié)直腸癌診療的各個(gè)階段，體現(xiàn)了影像組學(xué)方法在結(jié)直腸癌精準(zhǔn)診斷方面的巨大潛力[22,23]。

表1 患者臨床及病理特征 (n,%)

表2 相關(guān)模型在訓(xùn)練組及驗(yàn)證組中的診斷效能

圖4 聯(lián)合模型中所有患者的Rad評(píng)分及驗(yàn)證組患者的Rad評(píng)分，label0表示陰性(T1+T2)，label1表示陽性(T3+T4)。a) 所有患者的Rad評(píng)分；b) 驗(yàn)證組患者的Rad評(píng)分。 圖5 訓(xùn)練組及驗(yàn)證組的ROC曲線。a) 訓(xùn)練組中各單序列模型及聯(lián)合模型的ROC曲線；b) 驗(yàn)證組中各單序列模型及聯(lián)合模型的ROC曲線。 圖6 DCA曲線。

本研究將IVIM功能圖和高分辨T2WI進(jìn)行融合，建立了影像組學(xué)模型，聯(lián)合了多序列的組學(xué)模型在驗(yàn)證組中的敏感度為0.810，特異度為0.750，準(zhǔn)確度為0.800，陽性預(yù)測(cè)值為0.944，F(xiàn)1分?jǐn)?shù)為0.872，AUC達(dá)到0.929(95%CI：0.78～1.00)，表明本研究所構(gòu)建的多參數(shù)MRI組學(xué)模型在直腸癌T分期術(shù)前評(píng)估方面具有較高的應(yīng)用價(jià)值。

由于IVIM包含ADCmap、Dmap、fmap等多個(gè)功能圖像，對(duì)于功能圖像ROI的勾畫方式，筆者做了如下考慮：IVIM功能圖像糅合了11組b值的病灶信息，是經(jīng)過后處理所獲得的功能圖像，在后處理過程中為實(shí)現(xiàn)其反映灌注、擴(kuò)散信息的目的，導(dǎo)致解剖信息的丟失，不利于觀察及對(duì)病灶的手動(dòng)分割。DWI(b=1000 s/mm2)序列所采集的圖像，能夠提供較為清晰的解剖信息，更利于觀察和分割病灶[10,24]。同時(shí)，ADCmap、Dmap、fmap圖像是經(jīng)軟件處理后同步生成的，所以這三種圖像上的位置信息均可以與DWI圖像中的位置實(shí)現(xiàn)對(duì)應(yīng)。綜上考慮，筆者選擇了將DWI序列中所勾畫的ROI映射至IVIM功能圖像中的方法。在既往有關(guān)IVIM序列的大多數(shù)研究中，在后處理軟件中勾畫病灶后，由軟件得出相應(yīng)測(cè)量值，將此測(cè)量值作為一項(xiàng)預(yù)測(cè)因素，這種研究模式并沒有完全挖掘IVIM序列圖像中蘊(yùn)含的信息。而影像組學(xué)方法可以將圖像信息最大化利用，以挖掘更多價(jià)值。同時(shí)，相較于在后處理軟件上勾畫病灶，本研究中病灶ROI的勾畫并沒有將研究過程過度復(fù)雜化。在分析了使用不同序列建立的模型后，筆者發(fā)現(xiàn)使用T2WI序列建立的模型與最終的融合模型的敏感度、特異度比較接近，且本研究中T2WI模型的評(píng)價(jià)結(jié)果與既往文獻(xiàn)報(bào)道的報(bào)道結(jié)果相近[25,26]，但T2WI模型的AUC低于融合模型。在Sun等[26]的研究中，從T2WI序列中提取了256個(gè)影像組學(xué)特征并建立了評(píng)估直腸癌T分期的模型，所建立的預(yù)測(cè)模型AUC值為0.852(95% CI：0.677～1)，低于本研究建立聯(lián)合模型的診斷效能。同時(shí)，相較于完全依賴影像醫(yī)師人工進(jìn)行評(píng)價(jià)的T分期研究[27](準(zhǔn)確度為78%，敏感度為86%，特異度為65%)，本研究聯(lián)合模型的診斷效能較高。相較于傳統(tǒng)僅選擇T2WI序列或DWI序列的直腸癌T分期研究，本研究構(gòu)建的聯(lián)合模型中既保留了T2WI及DWI序列中的腫瘤形態(tài)學(xué)信息，同時(shí)通過IVIM功能圖像增加了模型對(duì)腫瘤灌注和擴(kuò)散的分析，從更多層面反映了腫瘤內(nèi)部的異質(zhì)性及腫瘤的行為、特點(diǎn)[28]，這可能是本研究建立的聯(lián)合模型較既往研究中其他模型診斷效能有所提高的原因之一。

本研究存在以下局限性：①本研究僅搜集了本院檢查的83例直腸癌患者，樣本量較小，導(dǎo)致了驗(yàn)證組可能的偏倚，在后續(xù)研究中筆者將進(jìn)一步擴(kuò)大樣本量并搜集更豐富的臨床信息，從而確定他們之間的相關(guān)性；②所有患者的MRI圖像均來源于同一生產(chǎn)廠商(GE)，模型的泛化能力可能受限，其他設(shè)備廠商的數(shù)據(jù)代入到我們所構(gòu)建的模型內(nèi)，效能未知；③在IVIM相關(guān)研究中，有研究者指出較低的b值范圍(<100～200 s/mm2)所得到的圖像至關(guān)重要[29]，但對(duì)于臨床工作中應(yīng)使用b值的數(shù)量和數(shù)值還沒有相關(guān)的共識(shí)或規(guī)范公布，因此本研究中選取的b值可能并非最佳值。在未來的研究中，筆者將擴(kuò)大樣本量并改良實(shí)驗(yàn)設(shè)計(jì)，進(jìn)一步探究相關(guān)問題。