潘克華,張昭,賈秀芬,劉瑾瑾,陳永華

肝細胞癌(hepatocellular carcinoma,HCC)是世界范圍內(nèi)第6常見腫瘤和第2常見腫瘤相關(guān)死亡原因,我國更是HCC高發(fā)國家之一,嚴重威脅人民的生命和健康。手術(shù)是目前治療HCC最有效的手段,但手術(shù)切除后5年復發(fā)轉(zhuǎn)移率高達40%～70%[1]。近年來相關(guān)研究表明,微血管侵犯(microvascular invasion,MVI)存在與否及危險度等級與HCC復發(fā)、預后不良直接相關(guān)[2-3]。因此,準確評估術(shù)前MVI狀態(tài)和危險度等級有助于手術(shù)方案的選擇、預后分層分析,從而指導臨床醫(yī)生建立“個體化”治療和隨訪策略。目前,MVI診斷的“金標準”仍為術(shù)后組織病理檢查,但術(shù)后病理結(jié)果具有明顯的滯后性,無法在術(shù)前依據(jù)評估結(jié)果制定精準治療方案。術(shù)前穿刺活檢作為一種有創(chuàng)性檢查方法,易受到取材局限、腫瘤內(nèi)部不均質(zhì)等因素影響,難以全面準確評估腫瘤MVI情況。近年來文獻報道MVI的發(fā)生與眾多影像特征相關(guān),包括腫瘤大小、數(shù)目、包膜完整性、邊界光整與否、邊緣強化等,但單純影像特征預測HCC的MVI主觀性較強,準確性不佳[4]。目前,已有報道采用基于影像組學特征來預測MVI狀態(tài),但大多為單中心研究,且集中在對有無MVI進行預測,未對其危險度等級進行進一步分層研究[5-8]。本研究聯(lián)合增強CT圖像紋理特征及臨床資料建立對HCC患者MVI狀態(tài)及危險度等級分層的預測模型,并以術(shù)后病理作為參照評估預測模型的診斷效能,旨在探討其術(shù)前預測肝細胞癌MVI的價值。

材料與方法

1.病例資料

回顧性分析本院2018年3至2021年3月符合以下納排標準的HCC患者的臨床及影像資料。病例納入標準:①經(jīng)手術(shù)病理證實的HCC患者,明確診斷有無MVI及分級;②手術(shù)前2個月內(nèi)接受肝臟平掃和增強CT檢查;③臨床和影像資料完整以便進一步重新評估。病例排除標準:①復發(fā)性肝癌;②行增強CT檢查之前接受放療、化療、射頻消融或其他治療的患者;③圖像質(zhì)量不佳,不能進行感興趣區(qū)(region of interest,ROI)勾畫。最終496例患者納入本研究,其中男315例,女181例,平均年齡56.7歲(表1)。采用MATLAB軟件按2:1比例隨機分為兩組,包括訓練組(331例)和測試組(165例),訓練組用于建立預測模型,測試組用于驗證所建立的預測模型。患者臨床資料來自電子病歷系統(tǒng),肝癌臨床分期依據(jù)中國原發(fā)性肝癌診療指南(2019年版)。CT檢查方案及臨床資料搜集征得醫(yī)院醫(yī)學倫理委員會批準,所有檢查均取得患者的知情同意并簽署知情同意書。

表1 訓練組與測試組患者的基線資料比較

2.CT掃描方法

患者行CT增強檢查前48h內(nèi)未進行其他任何使用對比劑的影像檢查,檢查前對患者進行呼吸訓練。采用東芝320排螺旋CT (Aquilion ONE)和GE多排螺旋CT (Bright Speed)進行CT掃描。掃描參數(shù):管電壓100～120 kV,管電流200～500 mA,重建層厚0.625～5.000 mm。CT增強檢查采用非離子型碘對比劑(歐乃派克,濃度350 mg I/mL),采用高壓注射器經(jīng)肘靜脈留置針注入,劑量1.5 mL/kg,注射流率3 mL/s,分別在注射對比劑后25～35 s、55～70 s、120～180 s進行動脈期、門脈期、延遲期掃描。

3.ROI勾畫及紋理特征提取

將所有受檢者的動脈期、門脈期DICOM格式圖像數(shù)據(jù)導入ITK-SNAP軟件進行ROI勾畫及紋理分析。由于腫瘤鄰近組織的異質(zhì)性對于HCC的MVI評估具有重要價值[2],因此將腫瘤病變和鄰近的非腫瘤組織均進行ROI勾畫。首先,選取動脈期和門脈期圖像,由2位分別具有3年和5年腹部影像診斷經(jīng)驗的放射科醫(yī)師在不知臨床及病理結(jié)果的情況下,確定病變位置及其最大層面,在腫瘤最大層面圖像上手動沿病灶邊緣勾畫ROI;第二步,在腫瘤邊界外3～5 mm范圍內(nèi)勾畫腫瘤鄰近組織,腫瘤鄰近組織ROI勾畫需排除周圍器官、骨骼和空氣(圖1)。再由1位資深腹部影像診斷醫(yī)師對上述ROI勾畫進一步檢查確認。采用組間相關(guān)系數(shù)(interclass correlation coefficients,ICC)分析2位醫(yī)師間勾畫ROI提取紋理特征的一致性,ICC>0.8為一致性較好。

圖1 ROI勾畫。a) 腫瘤最大層面瘤灶ROI勾畫; b) 腫瘤鄰近組織ROI勾畫。

紋理特征提取與分析:ROI內(nèi)4個類別共576個圖像紋理特征被提取,包括最大直徑、7個基于圖像體素強度特征、158個原始紋理特征和410個小波紋理特征。原始紋理特征包括灰度共生矩陣(grey level co-occurrence matrix,GLCM)、灰度游程長度矩陣(grey level run-length matrix,GLRLM),前者根據(jù)不同方位(0°、45°、90°和135°)每種方位提取22個特征共88個特征,后者根據(jù)游程長度(1、2、3、4)每種類型提取13個特征共52個特征。另外還有13個灰度大小區(qū)域矩陣(gray level size zone matrix,GLSZM)特征和5個鄰域灰度差矩陣(NGTDM)特征。

使用Z-score方法對數(shù)據(jù)進行標準化預處理以消除差異增加可比性。使用最小絕對收縮與選擇算子(least absolute shrinkage and selection operator,LASSO)回歸算法與 10 倍交叉驗證法對紋理特征數(shù)據(jù)進行降維以篩選出最佳特征集。對篩選得到的紋理特征采用多元logistic回歸分析構(gòu)建模型。采用線性判別分析(linear discriminant analysis,LDA)建立分類器。

4.病理分析

由1位高年資病理科醫(yī)師閱片,根據(jù)有無MVI、MVI數(shù)目及位置差異進行危險度分級:M0,未發(fā)現(xiàn)MVI;M1(低危組),≤5 個MVI,且均發(fā)生于近癌旁肝組織(≤1 cm);M2(高危組),>5個MVI,或MVI發(fā)生于遠癌旁肝組織(>1 cm)[1]。

5.統(tǒng)計學分析

采用MedCalc v15.2.2和R語言軟件進行統(tǒng)計學分析。在訓練組、測試組和獨立驗證組中,對有無MVI患者的臨床特征進行比較,連續(xù)變量采用獨立樣本t檢驗或Mann-WhitneyU檢驗,分類變量采用卡方檢驗或Fisher精確概率檢驗。單因素分析中P<0.05的因素被選出輸入到多因素回歸模型中,多因素二元logistic回歸分析采用輸入法確定有統(tǒng)計學意義的預測因子。使用R語言“rms”包繪制受試者工作特征(receiver operating characteristic,ROC)曲線,計算曲線下面積(area under curve,AUC)、敏感度、特異度,評估模型在測試組或獨立驗證組中的診斷效能。使用R語言中“regplot”包構(gòu)建列線圖。以P<0.05為差異有統(tǒng)計學意義。

結(jié) 果

1.一般資料

訓練組(n=331)與測試組(n=165)患者的年齡、性別、腫瘤位置、腫大最大徑、MVI狀態(tài)、臨床分期、血AFP水平差異均無統(tǒng)計學意義(P均>0.05)。訓練組及測試組內(nèi)MVI陽性患者的腫瘤最大徑高于MVI陰性患者,MVI陽性患者的血AFP異常比例、臨床分期亦高于陰性患者,差異均有統(tǒng)計學意義(P均<0.05,表1)。MVI高?；颊叩呐R床分期明顯高于低危患者。2位醫(yī)師間勾畫ROI提取動脈期、門脈期紋理特征的ICC分別為0.839和0.894,表明一致性較好。

2.圖像紋理特征篩選、MVI預測模型的建立與驗證

采用LASSO回歸與十字交叉驗證法降維過程如圖2所示,根據(jù)十倍交叉驗證法,選擇誤差最小時對應(yīng)的紋理特征,得到模型函數(shù)常數(shù)項、紋理特征及其對應(yīng)系數(shù)。最終篩選出44個特征性最強的紋理特征用于建立預測模型函數(shù)。該模型預測有無MVI在訓練組和驗證組中的ROC曲線見圖3a、3b,在訓練組的AUC為0.783(95% CI:0.666～0.900),敏感度和特異度分別為0.705和0.750;在測試組的AUC為0.773(95% CI:0.577～0.969),敏感度和特異度分別為0.883和0.722。模型擬合程度的校準曲線見圖3c、3d,在訓練組和驗證組中的預測概率與實際概率相近。

圖2 使用LASSO回歸、十字交叉驗證法進行紋理特征降維篩選的過程。a) 下方的X軸表示 log(λ)值,Y軸表示AUC。紅點表示各個具體λ值對應(yīng)的模型的AUC值。第一條點狀縱線最高AUC值對應(yīng)的最佳λ值及紋理特征44個;b) 紋理特征系數(shù)分布圖。在不同λ值的情況下對應(yīng)的紋理特征系數(shù)值變化。 圖3 訓練組和驗證組的ROC曲線及其對應(yīng)的校準曲線。訓練組和驗證組的ROC曲線均顯示出較強的療效預測能力。圖3c和圖3d中對角線表示模型理想的預測能力,虛線表示模型實際預測能力,實線表示校準后的情況。a) 訓練組ROC曲線;b) 驗證組ROC曲線; c) 模型在訓練組中的校準曲線圖;d) 模型在驗證組中的校準曲線圖。

3.MVI危險度等級預測模型的建立與驗證

采用前述方法篩選出5個特征性最強的紋理特征建立MVI危險度等級的預測模型。其預測MVI危險度等級在訓練組的AUC為0.743(95% CI:0.741～0.826),在測試組的AUC為0.718(95% CI:0.691～0.866)。聯(lián)合紋理特征和腫瘤臨床分期建立列線圖預測MVI危險度等級的效能更佳,AUC為0.856(95%CI:0.679～0.873)(圖4)。

圖4 聯(lián)合紋理特征和腫瘤臨床分期預測MVI風險等級的列線圖。

討 論

近年來,圖像的紋理特征在疾病診斷、分期及療效評估等方面的潛在價值越來越被大家所認識,利用專業(yè)軟件結(jié)合統(tǒng)計方法對醫(yī)學影像圖像進行紋理特征的提取、篩選與分析,并建立函數(shù)模型用來輔助疾病診斷、分期、預后評估等方面的探索研究大量涌現(xiàn)。與常規(guī)影像征象相比,紋理特征提供給影像醫(yī)師更多圖像潛在的客觀信息,其不依賴于影像醫(yī)師的主觀因素及臨床經(jīng)驗,有助于影像醫(yī)師對病變進行更準確、更定量的精準診斷[9-10]。

本研究利用紋理特征建立模型分別用于術(shù)前預測HCC患者的MVI狀態(tài)和危險度等級,兩者診斷效能(AUC)在訓練組分別為0.783、0.743,在測試組分別為0.773、0.718。將紋理特征與腫瘤臨床分期組合建立列線圖預測MVI危險度等級具有更好的診斷效能。不同紋理特征反映的意義有所不同,小波紋理特征、灰度共生矩陣(GLCM)反映的是圖像中局部灰度相關(guān)性,值越大說明ROI矩陣元素值越均勻,方差值越大說明ROI內(nèi)部異質(zhì)性越高;灰度游程長度矩陣(GLRLM)反映圖像ROI內(nèi)部像素值分布情況,值越大說明內(nèi)部結(jié)構(gòu)越復雜和不均質(zhì)。本研究結(jié)果表明,用于建立HCC MVI狀態(tài)的模型中44個紋理特征其中35個來源于小波紋理,說明小波紋理特征對于預測有無MVI具有很高價值,這與Peng等[11]基于CT圖像小波紋理特征模型預測乙肝病毒相關(guān)HCC患者MVI狀態(tài)準確性較高的研究結(jié)論一致。說明圖像像素灰度不均質(zhì)性越高,發(fā)生MVI的風險越高,其機制可能在于當 HCC 出現(xiàn)MVI時,腫瘤及周圍肝實質(zhì)的局部血流動力學情況發(fā)生了更多異常改變,門靜脈血流減少、動脈血供相應(yīng)增加,出現(xiàn)更多不均質(zhì)異常強化。另外,本研究結(jié)果顯示源自灰度游程長度矩陣(GLRLM)的長程高灰度強調(diào)(LRHGE)特征在預測模型中的權(quán)重系數(shù)很高,這也與Ni等[12]基于MR紋理特征預測MVI狀態(tài)的研究結(jié)論相符,提示該紋理特征可能是預測MVI狀態(tài)的一個重要跨模態(tài)紋理特征。

目前大多數(shù)HCC MVI相關(guān)的研究未對MVI進行危險度分層,也未將腫瘤的臨床分期納入預測模型中,在為數(shù)不多的對上述內(nèi)容進行研究的報道中,Xu等[13]的研究結(jié)果顯示臨床分期對于提升MVI危險度等級模型預測效能具有重要價值。本研究結(jié)果顯示聯(lián)合紋理特征和腫瘤臨床分期因素建立列線圖,對預測MVI危險度等級的診斷效能優(yōu)于單純基于紋理特征模型,但紋理特征聯(lián)合腫瘤臨床分期因素未能提高對MVI狀態(tài)預測模型的診斷效能。筆者注意到在篩選得到的5個用于預測MVI危險度等級的紋理特征中4個與腫瘤臨床分期高度相關(guān),由此推斷腫瘤臨床分期是MVI危險度等級預測模型中的一個重要的預測因子,因此加入這一因素所建立的列線圖診斷效能更佳。

前期的較多研究結(jié)果顯示HCC MVI陽性患者的腫瘤最大徑明顯大于陰性患者,納入腫瘤最大徑的MVI狀態(tài)預測模型具有更高的診斷效能[14-16]。本研究結(jié)果顯示,盡管不同MVI狀態(tài)組的腫瘤最大徑具有統(tǒng)計學差異,但納入腫瘤最大徑并沒有明顯提高模型的預測效能。將腫瘤最大徑與篩選所得的紋理特征進行相關(guān)性分析,結(jié)果顯示大多數(shù)紋理特征與腫瘤最大徑顯著相關(guān),由此推測腫瘤最大徑在預測模型中的作用很有可能已被紋理特征所取代。

本研究存在以下局限性:首先,除了腫瘤最大徑之外沒有評估其他的形態(tài)學特征,后期我們將進一步探討建立融合形態(tài)學和紋理特征的模型;其次,本研究使用二維ROI,三維立體興趣區(qū)容積(volume of interest,VOI)應(yīng)該能包含更全面、更豐富的腫瘤信息用于建立模型,未來的研究會嘗試比較基于2D-ROI和3D-VOI模型的預測效能;最后,本研究為單中心研究,我們將繼續(xù)擴展多中心數(shù)據(jù),利用多中心數(shù)據(jù)對模型進行進一步驗證。

綜上所述,采用增強CT圖像紋理特征模型可在術(shù)前預測HCC的MVI狀態(tài)和危險度等級,對臨床醫(yī)師術(shù)前選擇合理的手術(shù)方案、評估預后具有重要參考價值。