吳云 王玫 朱大榮

膀胱癌的肌層浸潤深度影響臨床治療策略的制定［1］，對患者治療和預(yù)后都至關(guān)重要［2］。有研究表明T2加權(quán)成像是評估膀胱腫瘤累及深度的最佳方法［3］，并且T2加權(quán)成像（T2WI）聯(lián)合彌散加權(quán)成像（DWI）評估T 分期的總體準(zhǔn)確性高于單獨(dú)的T2WI 或T2WI 融合增強(qiáng)成像［4］。影像組學(xué)是采用自動化算法從感興趣區(qū)內(nèi)提取有用的定量信息來輔助癌癥的診斷［5-7］。因此，本實(shí)驗(yàn)在T2WI 和DWI 的聯(lián)合成像上運(yùn)用影像組學(xué)方法構(gòu)建模型，以實(shí)現(xiàn)術(shù)前對膀胱癌肌層浸潤的預(yù)測。

1 資料與方法

1.1 臨床資料 收集杭州市第一人民醫(yī)院2016 年2 月至2021 年2 月的膀胱癌患者，方案符合醫(yī)學(xué)倫理學(xué)要求。納入MR 序列完整（包括T2WI、DWI 序列）及有手術(shù)病理結(jié)果的患者，最終納入165 例患者，其中非肌層浸潤性膀胱癌（NMIBC）94 例，肌層浸潤性膀胱癌（MIBC）71 例。

1.2 影像學(xué)檢查 采用德國 Siemens Verio 3.0 T MR掃描儀。軸位T2WI：TR 4,470 ms，TE 95 ms，矩陣256×205，視野（FOV）20 cm×20 cm，層厚4 mm，層間距1.2 mm；軸位 DWI：TR 8,100 ms，TE 75 ms，矩陣140×109，F(xiàn)OV 35 cm×35 cm，層厚 5 mm，層間距1 mm，b值分別為0、1,000 s/mm。

1.3 影像資料處理（1）本次研究使用uAI Research Portal（V1.4）軟件，將影像和臨床數(shù)據(jù)均導(dǎo)入該科研平臺。（2）在軟件圖像標(biāo)注頁面勾畫感興趣區(qū)（ROI），即膀胱腫瘤。一個病例可能存在多個病變的情況，選擇最大的ROI進(jìn)行勾畫。由兩位經(jīng)驗(yàn)豐富的影像科醫(yī)生進(jìn)行協(xié)商勾畫。（3）在組學(xué)模塊界面上對勾畫的ROI 進(jìn)行組學(xué)特征提取。每個序列均提取出2,600 個組學(xué)特征，并手動加入7 個其它特征［包括表觀彌散系數(shù)（ADC）值及6 個臨床特征］。為了避免分組的樣本偏差，我們通過5 折交叉-驗(yàn)證方法將數(shù)據(jù)劃分為兩部分（訓(xùn)練集和測試集），生成五個與訓(xùn)練和測試集不同的折疊，獲得對模型平均但穩(wěn)定的效能評估。使用Z 評分對數(shù)據(jù)標(biāo)準(zhǔn)化后，運(yùn)用LASSO 方法來組學(xué)特征進(jìn)行降維，篩選出有意義的特征并通過線性公式得到各自的Radscore，后基于 Radscore 和有統(tǒng)計學(xué)差異的其他特征，運(yùn)用邏輯回歸方法構(gòu)建諾莫圖（Nomogram）模型。（4）ADC值的測量：取腫瘤實(shí)體部分進(jìn)行測量，取兩次結(jié)果的平均值。

1.4 統(tǒng)計學(xué)方法 模型在訓(xùn)練集及測試集中的診斷效能應(yīng)用受試者工作特征曲線（ROC）進(jìn)行驗(yàn)證。

2 結(jié)果

2.1 一般資料 通過軟件對其他特征進(jìn)行Lasso 降維，發(fā)現(xiàn)ADC 值和有無膀胱刺激癥為有診斷意義的特征，而其他臨床特征（年齡、性別、CEA、吸煙、肉眼或鏡下血尿）對兩組間的鑒別均無價值，見圖1。

圖1 一般資料

2.2 組學(xué)特征模型的構(gòu)建與評價 組學(xué)特征降維處理后，T2WI 中篩選出6 個有意義的特征，DWI 中篩選出7 個，后將兩序列篩選出的特征繼續(xù)降維，得出有意義的聯(lián)合特征6 個。在訓(xùn)練集和測試集中，T2WI、DWI 和兩個序列聯(lián)合特征的Radscore 在兩組間差異具有統(tǒng)計學(xué)意義（P＜0.05）。在訓(xùn)練集中通過曲線下面積（AUC）判斷各自Radscore 模型的診斷效能。由圖2 所示，比較單個序列（T2WI、DWI）和兩序列聯(lián)合模型，發(fā)現(xiàn)聯(lián)合Radscore 模型在膀胱癌肌層浸潤的診斷上具有更優(yōu)效能。

圖2 利用單序列（T2W I、D W I）和兩個序列聯(lián)合（Combined）的ROC曲線判斷模型的診斷效能

2.3 構(gòu)建 Nomogram 模型 根據(jù)上述結(jié)果，將兩個序列聯(lián)合的Radscore 值與有意義其他特征（平均ADC 值、有無膀胱刺激癥）融合共同構(gòu)建 Nomogram 模型，發(fā)現(xiàn)該模型較單獨(dú)的Radscore 模型和其他特征模型有更好的診斷性能。Nomogram 模型在訓(xùn)練集的AUC、特異度及敏感度分別是0.877、0.864、0.806；在測試集中的AUC、特異度及敏感度分別是0.87、0.811、0.761（圖3I）。后構(gòu)建聯(lián)合診斷的Nomogram 列線圖（圖3 Ⅱ），訓(xùn)練集及測試集中的校正曲線證明了該模型較高的診斷準(zhǔn)確性（圖3 Ⅲ）。

圖3 （Ⅰ）訓(xùn)練集及測試集中Nomogram 模型所展示的ROC曲線；（Ⅱ）Nomogram模型可視化列線圖；（Ⅲ）相應(yīng)模型的校正曲線

3 討論

在本資料中，基于T2WI、DWI 成像運(yùn)用影像組學(xué)方法構(gòu)建術(shù)前預(yù)測膀胱癌肌層浸潤模型。通過比較T2WI、DWI 兩單序列和兩序列聯(lián)合Radscore 模型，發(fā)現(xiàn)聯(lián)合模型具有更優(yōu)的診斷效能，后基于聯(lián)合的Radscore 值與有意義其他特征共同構(gòu)建更優(yōu)的多指標(biāo)診斷Nomogram模型。

在這項(xiàng)研究中，作者從兩聯(lián)合序列中篩選出6 個有意義的特征，包括Skewness 屬于一階紋理特征［8］，其基本的度量值反映區(qū)域內(nèi)體素強(qiáng)度的分布，該值越低，則病灶異質(zhì)性越高。其余5 個特征是經(jīng)過濾波器處理后的圖像特征，其中l(wèi)og-sigma-1-0-mm-3D-SizeZoneNonUniformityNormalized、log-sigma-2-mm-3D-ZoneEntropy 屬于高斯濾波器的拉普拉斯算子，sigma 參數(shù)強(qiáng)調(diào)的紋理粗糙度，該值較高則強(qiáng)調(diào)紋理較粗，異質(zhì)性增加；剩下三個屬于小波紋理特征，wavelet-LLL-Skewness 為三個方向低通濾波后灰度分布的偏度特征，該值越低，圖像紋理越不均勻；而wavelet-LHL-LargeDependenceEmphasis、wavelet-LHHLargeDependenceEmphasis 是三個方向應(yīng)用高通或低通濾波后得到的灰度依賴矩陣，其紋理越均勻，矩陣就越寬、越平坦。因此從某種意義上說，小波與病灶紋理相關(guān)，而紋理的改變提示了病灶的異質(zhì)性［9］，即腫瘤向肌層浸潤的傾向。

本資料分析發(fā)現(xiàn)聯(lián)合模型較單序列模型有更好的診斷性能，這在其他研究中也得到驗(yàn)證［10-11］，但是之前的研究采用的是定性診斷方式，準(zhǔn)確性取決于醫(yī)師的經(jīng)驗(yàn)，而本次應(yīng)用影像組學(xué)方法可以從腫瘤區(qū)域提取客觀定量信息，進(jìn)一步優(yōu)化結(jié)果。此外在其他特征篩選中，ADC 值和有無膀胱刺激癥被認(rèn)為是區(qū)分NMIBC和MIBC 的重要診斷因素，因此，將篩選出的其他有意義特征和聯(lián)合的Radscore 共同構(gòu)建Nomogram 模型，進(jìn)一步提高診斷NMIBC 和MIBC 的準(zhǔn)確性，這在WANG等［12］的研究中得到驗(yàn)證，他們發(fā)現(xiàn)Radscore 有助于膀胱癌肌層的侵犯情況，并且與有意義的臨床因素結(jié)合可進(jìn)一步改善預(yù)測結(jié)果。

以上分析可知，基于T2WI、DWI 兩序列聯(lián)合的Radscore 和其他特征融合構(gòu)建的多指標(biāo)診斷的Nomogram 模型，對于膀胱癌肌層浸潤具有較好的定量診斷價值，進(jìn)一步指導(dǎo)臨床方案的制定。