王可欣，余 靜，徐 青

南京醫(yī)科大學第一附屬醫(yī)院放射科，南京 江蘇 210029

壁外血管侵犯（extramural venous invasion，EMVI）是指直腸腸管固有肌層外的血管腔內出現(xiàn)腫瘤浸潤［1］，是早期微轉移形成的關鍵步驟，也是直腸癌局部復發(fā)［2］、遠處轉移［3］及預后不良［4］的獨立危險因素。目前，術后病理學檢查是確認EMVI狀態(tài)的金標準。但當腸壁外血管被廣泛破壞時，在組織病理學上無法區(qū)分其原始血管形態(tài)，可能導致假陰性［5］，影響醫(yī)師作出治療決策。因此，術前準確診斷EMVI的發(fā)生對于評估直腸癌患者的分期、治療、預后和生存至關重要。

目前，基于高分辨率磁共振成像的EMVI（magnetic resonance imaging -defined EMVI，mrEMVI）評分是術前評估EMVI狀態(tài)的主要方法［6］，也是腫瘤分期［7］和肝轉移［8］的獨立危險因素。然而既往研究［9-12］結果表明，與術后病理學檢查的金標準相比，mrEMVI評分的靈敏度較低且差異較大（28.2%～62.0%）。此外，新輔助放化療后的炎癥、水腫和纖維化也增加了mrEMVI評估的難度［13-14］。

基于大數(shù)據(jù)的影像組學研究近年來已成為一種新興的研究方向，可以通過挖掘非視覺成像信息并轉化為定量參數(shù)，進一步評估病灶內的異質性［15］。讀出方向分段采樣序列（readout segmentation of long variable echo-trains，RESOLVE）可以顯著提高圖像分辨率和信噪比，在評估體積較小且形態(tài)不規(guī)則的病灶中具有明顯的優(yōu)勢［16-17］，但目前在直腸癌患者的術前檢查中應用較少［18-19］。本研究旨在構建并驗證一種基于RESOLVE-表觀彌散系數(shù)（apparent diffusion coefficient，ADC）的影像組學模型，結合臨床危險因素建立列線圖，探討其在術前個體化預測直腸癌EMVI中的價值，以輔助臨床決策。

1 資料和方法

1.1 研究對象

回顧并收集南京醫(yī)科大學第一附屬醫(yī)院2018年12月—2022年1月收治的223例經(jīng)術后病理學檢查證實的直腸癌患者。納入標準：① 經(jīng)病理學檢查證實的直腸腺癌；② 在高分辨率MRI檢查后2周內接受直腸癌根治術（R0）；③ 具有完整的臨床資料和術后病理學檢查報告。排除標準：① 特殊組織病理學類型，包括黏液腺癌和肉瘤等；② 術前接受新輔助放化療；③ 同時患有其他盆腔腫瘤性病變。最終，本研究共納入147例患者，按照7∶3隨機分至訓練集和驗證集。以術后病理學檢查證實的EMVI狀態(tài)（陽性或陰性）作為進一步的分組標準。

1.2 臨床資料

收集患者的臨床資料，包括年齡、性別、術前腸鏡組織學分級、術前癌胚抗原（carcinoembryonic antigen，CEA）水平以及術前糖類抗原（carbohydrate antigen，CA）19-9水平。

1.3 圖像采集

采用德國Siemens公司的Magnetom Verio Tim 3.0 T MRI系統(tǒng)及16通道體部表面相控線圈進行檢查，線圈水平放置于恥骨聯(lián)合水平。所有患者檢查前均禁食禁水＞4 h，檢查前使用開塞露清潔腸道。檢查序列：斜軸位無脂肪抑制的T2加權快速自旋回波序列、斜軸位RESOLVE彌散加權成像（diffusion-weighted imaging，DWI），以及自動生成的ADC圖。

斜軸位T2加權成像（T2-weighted imaging，T 2 W I）的參數(shù)如下：層厚3 m m；層間距0.3 mm；重復時間（repetition time，TR）/回波時間（echo time，TE）為4 550 ms/99 ms；視野220 mm×220 mm；像素矩陣384×296。矢狀位T2WI的參數(shù)：層厚3 mm；層間距0.3 mm；TR/TE為4 000 ms/99 ms；視野250 mm×250 mm；像素矩陣384×326。

RESOLVE DWI的參數(shù)如下：層厚3 mm；層間距0.3 mm；TR/TE為11 100 ms/91 ms；視野360 mm ×300 mm；像素矩陣196×131；b值分別為0、1 000 s/mm2。

1.4 MRI結構式報告

由2名放射科醫(yī)師（閱片者1和閱片者2，具有4年和14年的腹部MRI診斷經(jīng)驗）在不知道臨床信息和術后組織病理學檢查結果的情況下，分別重新評估每例患者的術前高分辨MRI圖像，并提交結構化報告，收集的術前影像學特征包括腫瘤部位和長徑、影像T分期、影像N分期、環(huán)周切緣（circumferential resection margin，CRM）和mrEMVI評分。mrEMVI評分標準如下（圖1）：評分0～2分為mrEMVI陰性，3～4分為陽性［6］。2名放射科醫(yī)師所提交的一致的影像學信息被直接采用，如有分歧，將圖像提交給另一名高年資放射科醫(yī)師（閱片者3，具有27年的腹部MRI診斷經(jīng)驗），由其作出最終決定。

圖1 mrEMVI評分圖像

1.5 模型構建

分別構建臨床模型、影像組學模型和聯(lián)合模型，流程見圖2。

圖2 臨床模型、影像組學模型、聯(lián)合模型列線圖構建流程圖

1.5.1 臨床模型

在實驗組中，將5個臨床資料以及基于高分辨率MRI結構式報告的6個影像學特征分別經(jīng)過t檢驗或χ2檢驗，然后采用多因素邏輯回歸分析篩選出獨立危險因素，建立臨床模型。

1.5.2 影像組學模型

1.5.2.1 圖像分割和特征提取

在盡量避開系膜內脂肪、偽影和血管的情況下，閱片者1使用ITK-SNAP軟件，在多個連續(xù)DWI層面上沿高信號的腫瘤輪廓手動繪制感興趣區(qū)（region of interest，ROI）。閱片者1所繪制的原發(fā)腫瘤的ROI由高年資的閱片者3逐層審核并修改，隨后合并成3D ROI，并復制到相應層面的ADC圖上（圖2）。使用AK軟件提取出396個影像組學特征［15］，包括形態(tài)學特征、一階直方圖特征和二階特征（灰度共生矩陣、灰度區(qū)域矩陣、灰度游程長度矩陣、灰度色差矩陣和灰度相關矩陣）。

1.5.2.2 特征篩選和模型建立

在訓練集中，通過最大相關性最小冗余度（the maximum relevance minimum redundancy，mRMR）算法初步篩選影像組學特征，最小絕對收縮和選擇算子（the least absolute shrinkage and selection operator，LASSO）回歸進一步降維，多因素邏輯回歸向前選擇法篩選出最具有鑒別意義的影像組學特征變量，并以此構建影像組學模型。

1.5.3 聯(lián)合模型

聯(lián)合已構建的臨床模型和影像組學模型建立聯(lián)合模型，并繪制成列線圖。采用受試者工作特征（receiver operating characteristic，ROC）曲線和校準曲線評估列線圖的診斷效能并通過驗證集進行驗證。運用決策曲線分析（decision curve analysis，DCA）評估各模型在驗證集中的臨床應用價值。

1.6 統(tǒng)計學處理

采用SPSS 23.0和R語言進行統(tǒng)計學分析。采用獨立樣本t檢驗比較連續(xù)變量的組間差異，采用χ2檢驗比較分類變量的組間差異。運用組間相關系數(shù)（intraclass correlation coefficient，ICC）評價2名閱片者在影像學特征判讀中的一致性。使用DeLong分析檢驗各模型間的診斷效能差異。P＜0.05為差異有統(tǒng)計學意義。

2 結 果

2.1 患者一般臨床資料

本研究共納入147例患者，按7∶3分為訓練集（103例）和驗證集（44例）。訓練集和驗證集中EMVI的發(fā)生率分別為32.3%和28.5%（P=0.854）。在訓練集中，EMVI陽性組和EMVI陰性組間的影像T分期、CRM和mrEMVI評分的差異有統(tǒng)計學意義（P分別為0.001，0.004，＜0.001），年齡、性別、CEA、CA19-9、腫瘤位置和長徑、影像N分期的差異均無統(tǒng)計學意義（P＞0.05，表1）。2名放射科醫(yī)師提交的影像學特征均顯示出良好一致性（ICC為0.823～0.906）。

表1 訓練集和驗證集患者的臨床特征和影像學特征比較n（%）

2.2 臨床模型結果

經(jīng)多因素邏輯回歸分析，CRM、mrEMVI評分為臨床模型中的獨立危險因素（表2）。臨床模型在訓練集和驗證集中的曲線下面積（area under curve，AUC）分別為0.791、0.761，靈敏度分別為80.6%、71.4%，特異度分別為68.1%、78.1%，診斷準確度分別為68.9%、71.7%（表3，圖3）。

表2 驗證集中EMVI陽性組和陰性組之間的單變量和多變量邏輯回歸分析

表3 臨床模型、影像組學模型和聯(lián)合模型在訓練集和驗證集中的預測效能

圖3 臨床模型、影像組學模型和聯(lián)合模型列線圖鑒別EMVI的ROC曲線

2.3 影像組學模型結果

經(jīng)mRMR算法和LASSO回歸進行特征篩選和降維，然后采用多因素邏輯回歸分析構建影像組學模型，共納入7個影像組學特征。影像組學模型的計算公式為：Rad-score=0.829×Uniformity-0.278×Range+0.412×LowIntensityS mallAreaEmphasis+0.862×ClusterShade_angle90_offset7-1.072×ClusterProminence_angle45_offset7-0.455×LongRunHighGreyLevelEmph asis__angle0_offset4+0.258×RunLengthNonuniformity _AllDirection_offset4_SD-1.344。

影像組學模型在訓練集和驗證集中的AUC分別為0.890、0.850，靈敏度分別為84.4%、78.6%，特異度分別為89.6%、84.5%，診斷準確度分別為85.4%、84.8%（表3，圖3）。

2.4 聯(lián)合模型結果

基于多因素邏輯回歸分析的結果，構建結合臨床獨立危險因素和影像組學特征的聯(lián)合模型，最后繪制列線圖（圖4A）并校準（圖4B、4C）。校準曲線中灰色對角實線代表理想預測模型，藍色虛線代表列線圖的擬合表現(xiàn)，兩者越接近，判定系數(shù)R2越高，表示擬合度越高。聯(lián)合模型的列線圖在訓練組中的R2為0.765，在驗證組中為0.624，表明本研究中列線圖的擬合度較好。

圖4 預測EMVI的聯(lián)合模型列線圖和校準曲線

聯(lián)合模型在訓練集和驗證集中的AUC分別為0.928、0.891，靈敏度分別為87.1%、85.7%，特異度分別為94.4%、90.6%，診斷準確度分別為90.3%、87.0%（表3，圖3）。DeLong分析結果顯示，在訓練集中，聯(lián)合模型診斷效能優(yōu)于影像組學模型（P=0.017）和臨床模型（P＜0.001），且影像組學模型和臨床模型的診斷效能間差異有統(tǒng)計學意義（P＜0.001）。在驗證組中，聯(lián)合模型的診斷效能與影像組學模型間差異無統(tǒng)計學意義（P=0.063），但仍都優(yōu)于臨床模型（P＜0.001）。

采用DCA評估各模型在驗證集中的臨床應用價值（圖5），結果表明，列線圖的凈收益優(yōu)于影像學模型，且列線圖與影像組學模型均優(yōu)于臨床模型。

圖5 列線圖的決策曲線

肉眼難以鑒別的可疑的mrEMVI評分，即2分（可能陰性）和3分（可能陽性）的患者當中，該聯(lián)合模型仍具有較高的診斷價值，AUC達到了0.867（95% CI 0.759～0.971），靈敏度為71.8%，特異度為87.5%，診斷準確度為76.1%（圖6）。

圖6 列線圖在mrEMVI評分2分和3分的病變中的ROC曲線

3 討 論

本研究結合臨床危險因素和影像組學特征，構建了一種用于個體化預測直腸癌EMVI的聯(lián)合模型，該模型包括CRM、mrEMVI評分和7個影像組學特征，通過繪制列線圖實現(xiàn)模型可視化，有望作為術前無創(chuàng)性預測直腸癌EMVI的可靠的臨床工具。

在臨床模型中，CRM 陽性以及較高的mrEMVI評分被認為是預測EMVI的獨立危險因素。CRM陽性代表在距離直腸系膜筋膜＜1 mm的范圍內存在直腸癌原發(fā)灶或轉移性淋巴結，增加了腫瘤細胞侵犯附近的血管和淋巴管結構的概率，侵襲性更大，更容易發(fā)生EMVI［15］。既往研究［9-12］表明，mrEMVI評分預測術后病理學檢查EMVI陽性的靈敏度差異較大（28.2%～62.0%），且在評估可疑的EMVI，即mrEMVI評分2分（可能陰性）和3分（可能陽性）時準確度較低［20］。可能的原因是對于腸周沒有明顯擴張的小血管（直徑＜3 mm），管腔輪廓和腔內信號的細微改變很難通過肉眼識別［6，20］。

近年來，在已有的影像學資料的基礎上挖掘非視覺成像信息的影像組學已經(jīng)成為研究熱點，可以通過高通量的計算來獲取、轉化成評估病灶異質性的定量參數(shù)，繼而利用軟件建模，為臨床的術前診斷提供更可靠的參考信息。張益飛等［21］的研究中建立了基于T2WI最大軸位的影像組學模型，在訓練集和驗證集中的AUC分別為0.81和0.79。楊彥松等［22］同樣建立了基于T2WI的影像組學模型，在訓練集和驗證集中的AUC分別為0.79和0.76。Yu等［15］的研究中分別建立了基于T2WI和多期增強MRI預測EMVI的兩個影像組學模型，在訓練集中AUC分別達到了0.826和0.872，在驗證集中達到了0.715和0.812。本研究篩選出7個影像組學特征構建影像組學模型，在訓練集和驗證集中的AUC分別達到了0.890和0.850，優(yōu)于以往的研究［15，21-22］。這可能與我們選用RESOLVE DWI序列的特性有關，該序列較以往常規(guī)的DWI序列回波時間和回波間隙更短，圖像變形明顯減少，分辨率和信噪比顯著提高［18-19］，且本次研究中采用的層厚更薄（3 mm），有利于精準勾畫高信號原發(fā)病灶的輪廓并獲取更多的非視覺成像信息。

在以往運用臨床-影像組學聯(lián)合模型預測EMVI的研究中，Yu等［15］通過聯(lián)合多期增強MRI的影像組學特征和T分期所建立的聯(lián)合模型的診斷效能最佳，在訓練集和驗證集中AUC分別達到了0.904和0.812。本研究結合臨床獨立危險因素（CRM和mrEMVI評分）以及RESOLVE ADC的影像組學特征構建列線圖，在訓練集和驗證集中的AUC分別為0.928和0.891，診斷效能優(yōu)于既往的研究［15，21-22］。并且相比以往的組學研究，本研究另一重點在于探討列線圖在鑒別mrEMVI評分為2～3分的病灶的影像學表現(xiàn)的可行性。在這兩種評分的患者中，聯(lián)合模型列線圖的AUC達到了0.867，具有良好的診斷效能。

本研究存在局限性：首先，本研究為回顧性研究，可能存在選擇性偏倚。其次，對病灶的勾畫主要采用手動的方式，隨著人工智能技術的發(fā)展，全自動分割的軟件也許能夠更加精準地勾畫病灶輪廓。最后，本研究為單中心研究且樣本量較小，尚待多中心及大量外部數(shù)據(jù)驗證研究結果的普遍性和穩(wěn)定性。

綜上所述，本研究建立了一個聯(lián)合臨床危險因素和影像組學特征的臨床-影像組學列線圖，可作為術前無創(chuàng)性預測EMVI狀態(tài)的可靠工具，為直腸癌患者的風險分層和個體化治療方案的制訂提供更精準的預測價值。